摘要
随着现代医学技术的进步，低剂量肺部CT筛查己成为肺癌早期诊断的有效方法。然而，数以百万计的CT图像增加了医生的工作量，容易导致漏检和误检现象的发生。目前深度学习，特别是卷积神经网络已广泛应用于生物医学图像处理领域，基于卷积神经网络的肺结节检测进行辅助诊断也成为了研究热点。 在肺结节检测任务中，精准定位结节位置同时限制假阳性输出是研究的关键。然而，目前由于肺部CT图像的三维复杂结构以及结节大小和形态的多样性，肺结节的准确检测仍然是一个挑战。为提高检测灵敏度并降低假阳性率，本文提出了一种基于深度卷积神经网络的肺结节检测方法，包括肺结节初检和假阳性降低两个阶段。在肺结节初检网络阶段，通过在Res2Net残差结构上集成预激活单元和卷积四重态注意力模块，提出了一个3D多尺度注意力模块。该模块通过在粒度级别上提取多尺度特征充分利用结节多尺度信息;通过预激活操作缓解深层网络过拟合现象;通过卷积四重态注意力模块捕获特征图的跨维度交互关系，增强网络利用有益特征的能力。将3D多尺度注意力模块与U-Net的编码器.解码器结构相结合，构建了Faster R-CNN的特征提取网络，用于肺结节检测以确定候选结节区域。在假阳性降低网络阶段，通过将双路径网络模块与卷积四重态注意力模块相结合，提出了一个3D注意力双路径模块。该模块具有残差学习和密集连接的优点，能够高效利用有益的特征信息。基于3D注意力双路径模块，设计了一个假阳性降低网络对肺结节初检阶段检出的候选结节进行分类筛选，以降低假阳性。通过LUNA16和天池竞赛数据集进行实验，该方法可以有效提高检测准确度，降低假阳性率。
NETL