基于特征重构的多尺度注意力网络在非显著性肺结节检测中的应用

《International Journal of Imaging Systems and Technology》：Feature Reconstruction-Guided Multi-Scale Attention Network for Non-Significant Lung Nodule Detection

肺结节CT图像检测中特征相似度高且形态多样，本文提出FRMANet模型。通过特征重建模块抑制冗余信息并增强关键特征，结合多尺度注意力机制融合不同尺度特征，在LUNA16数据集上mAP达0.894，F1 score为0.923，优于现有方法。

　　

摘要

肺癌仍然是全球癌症相关发病率和死亡率的主要原因。早期发现肺结节对于显著降低肺癌风险至关重要。然而，由于肺结节与周围正常组织在CT图像特征上的高度相似性，结节在检测过程中经常被遗漏或误识别。此外，结节类型的多样性和形态的复杂性进一步增加了开发统一检测方法的难度。为了解决这些问题，本研究提出了一种新的基于特征重建的多尺度注意力网络（FRMANet）。具体而言，设计了一个精细的特征重建模块，能够在保留结节关键特征表示的同时有效抑制冗余信息，从而确保特征提取过程中对结节区域的高灵敏度和增强表示能力。另外，引入了一种多尺度特征增强注意力机制，该机制利用基于注意力的融合策略来全面捕捉不同大小和形状结节的区分性特征。在LUNA16数据集上的实验结果表明，所提出的FRMANet具有优异的检测性能，mAP值为0.894，F1分数为0.923，优于现有的最先进方法。

利益冲突

作者声明没有利益冲突。