基于各向异性扩散与损失注意力物理信息神经网络的COVID-19多模态CT/X射线图像融合检测方法

【编辑推荐】本研究针对COVID-19检测中传统方法存在精度不足、计算复杂等问题，提出融合CT/X射线多模态图像的COVID-19-CT-X-Ray-LAPINN系统。通过RLKF预处理、FCMVC分割、STET特征提取及APO优化，结合LEA调参的LAPINN网络，实现99.5%准确率，显著优于COVID-19-DP-DCNN等现有技术，为临床提供高效诊断工具。

　　

在全球新冠疫情持续演变的背景下，医疗系统面临诊断效率与准确性的双重挑战。传统COVID-19检测方法如核酸检测耗时长，而基于单一影像模态的AI模型存在泛化性差、对小病灶敏感度不足等问题。尤其当病毒变异株不断出现时，现有技术难以平衡计算复杂度与诊断精度，且缺乏多模态数据的协同分析能力。

为解决这些痛点，研究人员开发了名为COVID-19-CT-X-Ray-LAPINN的创新系统。该系统首次将各向异性扩散技术与损失注意力机制结合的物理信息神经网络(LAPINN)应用于多模态医学影像分析。研究团队从公开的COVID-19 Lung CT Scans数据集获取影像，通过逆向对数正态卡尔曼滤波器(RLKF)实现噪声抑制与细节增强，采用快速连续多视图聚类(FCMVC)精准分割可疑区域。同步瞬态提取变换(STET)技术提取纹理特征后，人工原生动物优化器(APO)筛选关键特征，最终由莲花效应优化算法(LEA)调参的LAPINN完成分类，在保持99.5%准确率的同时将计算耗时降低30%。

主要技术方法
研究采用多模态CT/X射线图像融合策略，通过RLKF预处理消除运动伪影，FCMVC实现亚毫米级病灶分割，STET提取对比度、能量等5类纹理特征。APO算法从10⁴维特征中筛选最优组合，LEA优化LAPINN的8隐藏层网络权重，最终系统在Python环境下实现。

COVID-19疾病特征
研究证实SARS-CoV-2引发的肺部病变在CT上表现为磨玻璃影伴血管增粗，X射线显示支气管充气征，多模态特征互补可提升小病灶检出率。

结果与讨论
实验显示该系统召回率达98.5%，对Delta变异株的检测灵敏度较COVID-19-LCTI-ABCNN提升7.2%。LAPINN的物理约束模块使模型在数据缺失时仍保持92%以上的稳定性，LEA优化使训练迭代次数减少40%。与COVID-19-CX-Ray-CNN相比，多模态融合使假阴性率降低63%。

结论与意义
该研究开创性地将物理先验知识嵌入神经网络架构，通过LAPINN的偏微分方程约束增强模型可解释性。临床验证表明，系统对医疗资源匮乏地区具有显著适用性，其模块化设计支持快速适配新变异株检测。发表于《Biomedical Signal Processing and Control》的成果为AI辅助诊断提供了兼顾精度与效率的新范式，对突发传染病防控具有重要参考价值。