摘要
肺癌是世界上发病率和死亡率最高的癌症之一，肺结节是肺癌的早期表现形式，因此准确检测肺部CT图像中的肺结节对早期肺癌的诊断和治疗具有重要意义。针对肺结节检测问题，本文提出了基于Transformer与卷积神经网络(Convolutional Neural Network, CNN)结合的两阶段方法，实现可疑肺结节检测和假阳性结节去除。 在第一阶段，提出了基于Transformer与CNN交错混合的肺结节分割方法用于肺结节候选检测。设计了感知注意力模块(Inception Attention Module, IAM)，采用多分支卷积层充分提取结节浅层特征信息，并在提取过程中利用注意力机制细化不同特征的重要程度，有效分割小直径结节以及边缘复杂结节；研究了Swin Transformer的窗口多头自注意力机制以及与卷积层组成的交错混合主干网络结构，利用Transformer捕获全局特征，并利用卷积的归纳偏置特性对全局特征进行局部聚合，多次交错连接使得浅层细节特征与全局特征充分融合，有效处理大直径结节以及高度形态异质化结节。 在第二阶段，提出了基于Transformer与多尺度CNN相结合的假阳性结节去除方法。设计了多尺度卷积残差注意力(Multi-scale Convolution Residual Attention, MSCRA)模块，聚合多尺度特征，并利用注意力机制引导模型学习关键信息；研究了多尺度特征融合方法，将MSCRA引入多尺度CNN，可以更好地学习肺结节自身体积信息以及周围背景信息；Swin Transformer与多尺度CNN结合，继续对提取的特征进行全局信息建模，实现更好的分类性能。 在LUNA16公开数据集上的测试结果表明：本文提出的肺结节分割方法在Dice和IOU指标上分别达到0.8615和0.7610；本文提出的假阳性去除方法在CPM 指标上达到 0.837 ，并且在 4FP/scan 和 8FP/scan 时的灵敏度分别达到0.939和0.955。本文方法对肺结节分割以及假阳性去除方面具有良好的性能。
NETL