摘要
2020年全球最新癌症负担数据统计显示，肺癌是全球死亡率排名第一的癌症，在全球最常见癌症中排名第二，早诊断早治疗是提高肺癌患者生存率的根本。肺结节是肺癌最重要的初期表征之一，有良恶性之分，在临床诊断中，最重要的方法是胸部CT筛查，在肺CT图像中，微小肺结节仅仅依靠人类视觉系统辨别极其困难，容易出现漏诊，结节的恶性程度依赖于形状、纹理、大小等特征，且位置多不固定，给临床诊断带来难度。基于深度学习的肺结节良恶性辅助诊断方法超越了传统方法，通过自动学习获取到了肺结节不同层次的特征信息，如多视图、迁移学习等方法使模型的分类性能获得了显著提升，但现有方法仍存在特征提取不全面以及未能考虑到局部与全局信息共同作用导致特征丢失或无法充分利用的问题。通过分析肺结节良恶性分类任务的不足，以提升肺结节良恶性分类性能为目标，提出了基于多卷积特征重用的肺结节良恶性分类方法和基于双通路注意力的肺结节良恶性分类方法，主要研究内容如下： 首先根据结节形状各异，大小不一而造成的结节特征提取不全面的问题，以及现有的网络普遍存在的因网络深度加深而产生的梯度消失问题，提出一种多卷积特征重用网络MSFRNet，使用多卷积操作对输入的肺结节CT图像在网络的浅层分别进行不同范围的特征提取和特征的融合拼接；引入密集网络模块（DenseNet），在医学图像数据量小的情况下，通过对特征的重复利用在网络深层提取更高级别的语义信息来进一步实现对模型分类性能的提升。在大型公开可用的肺部CT图像数据集上进行了实验，肺结节良恶性分类的准确率达到了0.972，优于现有方法。 其次为了解决由于卷积神经网络的局部感知，使得卷积单元每次只关注邻域的区域，因而造成模型始终是局部区域的运算，现有的许多方法忽略了结节的全局信息对于模型性能的贡献的问题，同时为了进一步提升特征提取能力，在提升分类准确率的基础上，保持较高的分类特异度和敏感度，提出一种基于双通路注意力网络DP-ATNet，构造局部特征提取和全局特征提取两条并行的双通路网络，各自发挥自身的优势；设计一种特征交互融合方法将局部特征和全局特征进行结合，产生大量的特征组合对，达到共同发挥作用的目的，提取有用特征。提出的方法在准确率、敏感度和特异度方面分别达到了0.979、0.981和0.979，F1分数达到了0.966，表明模型对于恶性结节的分类效果更具优势。
NETL