使用混合变压器-U-Net架构进行联合肺结节细分
Sapthak Mohajon Turjya1, Mulham Fawakherji2
1Kalinga Institute of Industrial Technology, Bhubaneswar, India. sapthakmohajon6@gmail.com.
Scientific reports
|January 14, 2026
概括
用混合U-Net-Transformer模型进行联合学习,在CT扫描中准确地细分肺结节. 这种方法通过改善早期检测和维护数据隐私来增强肺癌查.
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:
- 精确的肺癌查依赖于CT扫描中早期识别恶性肺结节.
- 由于结节的特征,如小尺寸,可变形状,低对比度和类不平衡,细分具有挑战性.
研究的目的:
- 为准确的肺结节细分开发一个保护隐私的联合学习框架.
- 将混合U-Net-Transformer架构与Dice-Focal损失函数集成在一起,以克服细分挑战.
主要方法:
- 使用混合U-Net-Transformer模型设计了一个联合学习框架.
- 该模型包含剩余卷积块和变压器自我注意力,用于特征提取.
- 使用定制的Dice-Focal损失函数来解决类不平衡,并提高边界灵敏度.
主要成果:
- 联合框架在LUNA16数据集上实现了对固体肺结节 (15-25mm) 的高细分保真度.
- 子系数达到了0.93,证明了精确的细分.
- 该系统在异构的客户端数据集中显示了强大的精度召回权衡.
结论:
- 拟议的框架为肺癌查提供了一个可扩展和保护隐私的解决方案.
- 混合模型和Dice-Focal损失有效地改善了肺结节细分.
- 未来的工作应该集中在细分具有挑战性的节点上,例如部分固体或低对比度类型.
