一个注意力辅助波形卷积神经网络用于肺结节的表征
1Computer Science and Engineering Department, Dr. Sudhir Chandra Sur Institute of Technology and Sports Complex, 540, Dum Dum Rd. Kolkata 700074, India.
International journal of medical informatics
|September 25, 2025
概括
这项研究引入了一个新的深度学习框架WaveLCDNet,用于使用高分辨率计算机断层扫描 (HRCT) 图像进行精确的肺结节分类. 这种先进的模型通过有效地区分良性和恶性结节,显著改善了早期肺癌诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肺癌是全球癌症死亡的主要原因之一.
- 早期发现肺结节对于改善患者的预后和生存率至关重要.
- 通过常规成像来区分良性和恶性结节仍然是一个重大的临床挑战.
研究的目的:
- 提出一种新的基于波纹的深度学习计算机辅助诊断 (CADx) 框架,用于增强肺结节分类.
- 用高分辨率计算机断层扫描 (HRCT) 图像提高肺结节特征的准确性和效率.
主要方法:
- 开发了基于波纹的肺癌检测网络 (WaveLCDNet),使用卷积神经网络 (CNN) 块和可训练波纹块进行多分辨率分析.
- 整合了一个卷积块注意模块 (CBAM) 来增强歧视性特征学习.
- 采用提取特征的自适应融合,然后进行全球平均聚合 (GAP).
主要成果:
- 在LIDC-IDRI数据集上,WaveLCDNet实现了高性能,灵敏度,特异性和准确性分别为96.89%,95.52%和96.70%.
- 对Kaggle DSB2017数据集的外部验证显示了95.90%的准确性和0.0215.5的屏障评分.
- 该框架在独立的成像来源中显示出可靠性,这表明了临床整合的实际价值.
结论:
- 拟议的框架有效地将多尺度卷积过与基于波纹的多分辨率分析和注意力机制相结合.
- WaveLCDNet的性能优于最先进的深度学习模型,用于肺结节的表征.
- 这种CADx解决方案为改善临床环境中早期肺癌诊断提供了一种有前途的方法.
