双分支协作GAN与多尺度CBAM和解剖拓编码,用于CT中提升早期HCC检测
Lan Zang1, Chaoqi Lv2, Maochang Huang2
1School of Information and Communication Engineering, Hainan University, Haikou, 570228, China. lanzang@hainanu.edu.cn.
Scientific reports
|November 17, 2025
概括
这项研究引入了一种新的双分支协作生成对抗网络 (DB-Collab GAN),用于CT扫描中早期检测肝细胞癌 (HCC). 它显著提高了准确性,减少了注释需求,有助于临床决策.
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:
- 肝细胞癌 (HCC) 的早期检测至关重要,但由于高的注释成本和复杂的病变特征而受到挑战.
- 现有的方法与病变异质和肝脏解剖拓学的不充分建模作斗争.
- 计算机断层扫描 (CT) 仍然是诊断HCC的主要成像方法.
研究的目的:
- 开发一个先进的AI框架,用于在CT图像中准确有效地早期检测HCC.
- 为了克服高标注成本的局限性,并改善HCC检测中的解剖拓建模.
- 提高AI模型在识别小HCC病变和减少错误分类方面的性能.
主要方法:
- 提出了一种采用解剖拓编码的双分支协作生成对抗网络 (DB-Collab GAN).
- 实现了双分支架构,具有跨层功能共享,用于"分段引导检测"循环.
- 使用了分层的多尺度卷积块注意力模块 (CBAM) 和针对肝脏部分拓的解剖学定制的正弦-正弦符号编码.
主要成果:
- 通过拓编码实现了3.01mm的平均局部化误差 (ADE).
- 通过半监督对抗优化,证明了与7140个监督案例相比的性能,仅使用了1070个标记的案例.
- 在7140个临床CT切片上表现优于基线方法,精度为 (0.8875 ± 0.02),回忆 (0.8613 ± 0.03) 和F1得分 (0.8848 ± 0.02).
结论:
- 具有解剖拓编码的DB-Collab GAN为早期HCC检测提供了一个强大的,低注释依赖的解决方案.
- 该框架有效减少了小病变和错误分类的错误诊断,支持临床决策.
- 该方法表现出对噪声的弹性,并且与Mask RCNN等现有模型相比,显著提高了检测性能.
