基于U-Net与YOLOv8-Swin Transformer融合模型的肺结节精准检测技术研究

针对CT影像中小肺结节检出率低、假阳性率高的临床难题，天津医科大学团队创新性提出两阶段深度学习模型，集成U-Net精准肺部分割与YOLOv8s-Swin Transformer结节检测技术，在LUNA16数据集实现mAP50达0.879的突破性性能，为肺癌早期诊断提供高效AI解决方案。

　　

肺癌长期占据全球癌症死亡率首位，其中肺结节是早期诊断的关键指标。然而CT影像中结节检测面临三大挑战：微小结节（直径<3cm）易被组织噪声掩盖；传统算法假阳性率高增加临床负担；人工阅片受疲劳等因素影响漏诊率显著。现有深度学习模型如Faster R-CNN、YOLOv3等虽取得进展，但对<5mm结节检测精度不足且跨数据集泛化能力有限。

天津医科大学联合天津胸科医院的研究团队在《BMC Medical Imaging》发表研究，提出两阶段深度学习框架：第一阶段采用U-Net完成精准肺实质分割，通过纹理分层和标签精细化处理解决传统方法对胸壁粘连结节的漏检问题；第二阶段创新性地将Swin Transformer模块嵌入YOLOv8s颈部网络，结合形状感知交并比(SIoU)损失函数，构建出可同时捕捉局部特征与全局依赖性的检测系统。

关键技术包括：1）基于LUNA16（888例）和天津胸科医院（308例）多中心CT数据集的预处理流程；2）U-Net五层编码器-解码器结构实现512×512像素级分割；3）YOLOv8s-Swin Transformer混合架构，采用移位窗口自注意力机制增强小结节识别；4）SIoU损失函数通过角度、距离、形状三重约束优化边界框回归。

研究结果

1. 模型性能对比
   在LUNA16测试集上达到0.898精确度与0.851召回率，较基线YOLOv8s提升14.6% mAP₅₀。 Tianjin数据集验证显示0.872召回率，证明模型对实性结节与磨玻璃结节(GGO)的泛化能力。

2. 可视化分析
   

   
   显示模型成功识别3mm微小结节（红色框），且有效规避血管伪影（黄色箭头处）的误判。

3. 消融实验
   逐步添加Swin Transformer与SIoU使mAP₅₀提升5.8%，证实全局上下文建模与精细化边界回归的协同效应。

讨论与意义
该研究首次实现Swin Transformer与YOLOv8s在医学影像的有机结合，其创新点在于：1）通过U-Net前置分割将假阳性率降低至8.1%；2）SIoU损失使<5mm结节检测精度提升21%；3）跨数据集验证证实临床适用性。局限性在于对胸膜粘连结节检测仍需优化，未来将通过三维卷积模块进一步改进。这项技术为肺癌筛查提供自动化解决方案，有望将放射科医师阅片效率提升3倍以上，具有显著的临床转化价值。