Erkennung, Segmentierung und Klassifizierung von Lungenknoten mit Deep Learning: Eine umfassende Literaturübersicht

Lungenkrebs ist eine der häufigsten Ursachen für krebsbedingte Todesfälle weltweit, was die Bedeutung der frühzeitigen Erkennung verdeutlicht. Computerunterstützte Diagnosesysteme haben sich als wertvolle Werkzeuge zur Unterstützung von Radiologen bei der Analyse medizinischer Bilder, insbesondere im Kontext des Lungenkrebs-Screenings, herausgestellt. Ein typisches Verfahren zur Diagnose von Lungenkrebs umfasst die Erkennung, Segmentierung und Klassifizierung von Lungenknoten. Obwohl traditionelle maschinelles Lernen-Methoden in den vergangenen Jahren mit großem Erfolg eingesetzt wurden, konzentriert sich diese Literaturübersicht auf moderne Deep Learning-Methoden. Ziel ist es, wichtige Erkenntnisse und Methoden aus Deep Learning-Studien zu extrahieren, die in diesem Bereich hohe experimentelle Ergebnisse aufweisen. Diese Arbeit untersucht die verwendeten Datenbanken, die angewendeten Vorverarbeitungsschritte, die eingesetzten Datenaugmentierungstechniken sowie die in Studien mit außergewöhnlichen Ergebnissen vorgeschlagenen Methoden. Die überprüften Studien nutzen überwiegend moderne Deep Learning-Methoden, einschließlich traditioneller Convolutional Neural Networks (CNNs) und fortgeschrittener Varianten wie 3D CNNs sowie andere innovative Ansätze wie Capsule-Netze und Transformer. Die in diesen Studien untersuchten Methoden spiegeln die kontinuierliche Entwicklung der Deep Learning-Techniken zur Erkennung, Segmentierung und Klassifizierung von Lungenknoten wider. Die hier diskutierten Methodologien, Datensätze und Techniken tragen gemeinsam zur Entwicklung effizienterer computerunterstützter Diagnosesysteme bei, die Radiologen und Gesundheitsfachkräfte im Kampf gegen diese tödliche Krankheit unterstützen.