Remote health monitoring is an important aspect especially for remote locations where standard medical facilities are not available. Smart cities use a similar concept to provide health facilities even when physicians are unavailable. Lung cancer remains to be one of the most critical types of cancer with a 5-year survival rate of only 18%. Efficient computer-aided diagnostic systems are required to diagnose lung cancer before time for better treatment planning. The variety of lung nodules and their visual similarity with surrounding regions make their detection difficult. Traditional image processing and machine learning methods usually lack the ability to handle all types of nodules with a single method. In this study, we propose an efficient end-to-end segmentation algorithm with an improved feature learning mechanism based on densely connected dilated convolutions. We applied dense feature extraction and incorporated multi-dilated context learning by using dilated convolutions at different rates for better nodule segmentation. First, lung ROIs are extracted from the CT scans using k-mean clustering and morphological operators to reduce the model’s search space instead of using full CT scan images or nodule patches. These ROIs are then used by our proposed architecture for nodule segmentation and efficiently handles different types of lung nodules. The performance of the proposed algorithm is evaluated on a publicly available dataset LIDC-IDRI and achieved a dice score of 81.1% and a Jaccard score of 72.5%.

远程健康监测是一个重要方面，特别是对于没有标准医疗设施的偏远地区。即使在没有医生的情况下，智慧城市也使用类似的概念来提供医疗设施。肺癌仍然是最重要的癌症类型之一，5 年生存率仅为 18%。需要高效的计算机辅助诊断系统来提前诊断肺癌，以便更好地制定治疗计划。肺结节的多样性及其与周围区域的视觉相似性使其难以检测。传统的图像处理和机器学习方法通​​常缺乏用单一方法处理所有类型结节的能力。在这项研究中，我们提出了一种高效的端到端分割算法，该算法具有基于密集连接的扩张卷积的改进特征学习机制。我们应用密集特征提取并通过使用不同速率的扩张卷积来合并多扩张上下文学习，以实现更好的结节分割。首先，使用 k 均值聚类和形态学算子从 CT 扫描中提取肺 ROI，以减少模型的搜索空间，而不是使用完整的 CT 扫描图像或结节块。然后，我们提出的架构将这些 ROI 用于结节分割，并有效地处理不同类型的肺结节。在公开可用的数据集 LIDC-IDRI 上评估了所提出算法的性能，并获得了 81.1% 的骰子分数和 72.5% 的 Jaccard 分数。我们应用密集特征提取并通过使用不同速率的扩张卷积来合并多扩张上下文学习，以实现更好的结节分割。首先，使用 k 均值聚类和形态学算子从 CT 扫描中提取肺 ROI，以减少模型的搜索空间，而不是使用完整的 CT 扫描图像或结节块。然后，我们提出的架构将这些 ROI 用于结节分割，并有效地处理不同类型的肺结节。在公开可用的数据集 LIDC-IDRI 上评估了所提出算法的性能，并获得了 81.1% 的骰子分数和 72.5% 的 Jaccard 分数。我们应用密集特征提取并通过使用不同速率的扩张卷积来合并多扩张上下文学习，以实现更好的结节分割。首先，使用 k 均值聚类和形态学算子从 CT 扫描中提取肺 ROI，以减少模型的搜索空间，而不是使用完整的 CT 扫描图像或结节块。然后，我们提出的架构将这些 ROI 用于结节分割，并有效地处理不同类型的肺结节。在公开可用的数据集 LIDC-IDRI 上评估了所提出算法的性能，并获得了 81.1% 的骰子分数和 72.5% 的 Jaccard 分数。使用 k 均值聚类和形态学算子从 CT 扫描中提取肺 ROI，以减少模型的搜索空间，而不是使用完整的 CT 扫描图像或结节块。然后，我们提出的架构将这些 ROI 用于结节分割，并有效地处理不同类型的肺结节。在公开可用的数据集 LIDC-IDRI 上评估了所提出算法的性能，并获得了 81.1% 的骰子分数和 72.5% 的 Jaccard 分数。使用 k 均值聚类和形态学算子从 CT 扫描中提取肺 ROI，以减少模型的搜索空间，而不是使用完整的 CT 扫描图像或结节块。然后，我们提出的架构将这些 ROI 用于结节分割，并有效地处理不同类型的肺结节。在公开可用的数据集 LIDC-IDRI 上评估了所提出算法的性能，并获得了 81.1% 的骰子分数和 72.5% 的 Jaccard 分数。