基于DCNN与HFCNN的肝癌计算机检测对比分析：边缘增强与多尺度特征融合的创新实践

本刊推荐：针对CT图像中肝癌病灶因结构重叠、纹理异质性导致的检测难题，印度MIT工程学院团队创新性对比了深度卷积神经网络(DCNN)与层级融合卷积神经网络(HFCNN)的性能。研究通过高斯滤波与CLAHE增强图像边缘，结合双UNet架构实现肝脏精准分割，最终HFCNN以93.85%准确率显著优于DCNN（p<0.05），为临床自动化诊断提供了更优解决方案。

　　

肝脏作为人体最大的解毒器官，其癌变早期诊断直接关乎患者生存率。然而传统CT影像诊断面临三大痛点：血管与胆管的结构重叠导致"伪病灶"干扰、肿瘤异质性造成边界模糊、人工标注效率低下。据世界卫生组织统计，肝癌年致死人数高居恶性肿瘤前列，而现有计算机辅助诊断系统在Dice相似系数(DSC)指标上普遍低于0.9。这一背景下，印度MIT工程学院Sandeep Dwarkanth Pande团队在《BMC Medical Imaging》发表研究，首次系统对比了深度卷积神经网络(DCNN)与层级融合卷积神经网络(HFCNN)在LiTS数据集上的性能差异。

研究采用MATLAB平台构建双阶段技术路线。预处理阶段创新性组合高斯滤波与限制对比度自适应直方图均衡化(CLAHE)，通过Kirsch算子8方向梯度卷积（公式1-2）增强边缘特征。模型架构方面，DCNN采用5层序列结构（卷积层-最大池化-ReLU），而HFCNN引入跨层级特征融合机制，通过tanh激活函数（公式6）实现多尺度信息整合。实验采用200例CT扫描（130训练/70测试），以ADAM优化器训练200个epoch。

图像增强环节显示，3×3高斯核配合CLAHE使肿瘤区域对比度提升37.2%，有效抑制呼吸运动伪影。UNet分割阶段采用双路径架构：首层网络定位肝脏轮廓，次层通过Kirsch算子（公式3-5）提取_max梯度特征，将过分割率降低至8.3%。性能对比表明，HFCNN在DSC指标上达到0.93，显著优于DCNN的0.91（95%CI -0.02-0.01）。具体到临床指标，HFCNN的肿瘤检出准确率达93.85%，召回率0.93，且对<5mm微病灶的识别率提升19.7%。

讨论部分指出，HFCNN的层级融合机制能同步捕获3×3卷积核的局部纹理与全局空间关联，这对解决肝癌"同病异影"难题具有突破意义。但研究也承认，现有模型对门静脉高压导致的血管畸变仍存在12.8%的误判率。未来工作将探索多模态（MRI-PET）融合与肾脏分割迁移学习，该成果为《BMC Medical Imaging》收录的器官特异性AI诊断提供了新范式。