基于局部-全球混合网络的良性和恶性肺结节的分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 肺结节的分类对于临床诊断至关重要.
• 结节的复杂性和异质性对准确的分类构成了挑战.
• 目前的方法很难提取足够的特征来进行高精度的诊断.

研究的目的:

• 开发一种用于改善肺结节分类的新型网络.
• 为了增强良性和恶性肺结节之间的区分.
• 为了解决提取本地和全球结节特征的局限性.

主要方法:

• 提出了一个地方-全球混合网络 (LGHNet).
• 引入了多尺度局部 (MSL) 块,具有扩展的卷积和道注意力,用于细粒度的局部特征提取.
• 设计了一个混合注意力 (HA) 块,以捕获全球特征表示的远程依赖关系.

主要成果:

• 在LIDC-IDRI数据集上获得了94.42%的准确性,94.25%的灵敏度,93.05%的精度,92.87%的特异性和97.26%的AUC.
• 在LUNGx数据集中获得了79.26%的AUC.
• 与最先进的方法相比,证明了卓越的性能.

结论:

• 该LGHNet有效地整合了本地和全球信息,以进行高级肺结节分类.
• 拟议的网络显示出强大的分类性能和概括能力.
• LGHNet为计算机辅助肺结节诊断提供了一种有前途的方法.