基于迁移学习和改进熵特征的CT图像肺癌分类深度学习架构研究

本研究针对肺癌CT图像分类中存在的特征提取不充分、分割精度不足等问题，提出了一种新型混合深度学习模型ILN-TL-DM。研究人员通过改进注意力机制ResU-Net（P-ResU-Net）实现精确分割，结合局部Gabor过渡模式（LGTrP）、金字塔梯度直方图（PHOG）和动态调制熵特征，并创新性地整合改进LeNet（ILN-TL）与DeepMaxout（DM）分类器。实验表明该模型准确率达0.962，显著优于传统方法，为肺癌早期诊断提供了可靠技术方案。

　　

肺癌作为全球致死率最高的恶性肿瘤之一，早期诊断对提高患者生存率至关重要。然而，CT影像中肺结节形态多变、边界模糊等特点，使得传统诊断方法面临巨大挑战。现有深度学习模型在特征提取深度、计算效率等方面存在明显局限，亟需开发更精准高效的分类算法。

印度韦洛尔理工学院（Vellore Institute of Technology）的Nithya R和Vidhyapathi C.M团队在《Scientific Reports》发表研究，提出名为ILN-TL-DM的混合深度学习架构。该研究通过三个关键技术创新：采用自适应高斯滤波预处理，开发改进注意力ResU-Net（P-ResU-Net）实现0.929的Dice分割精度，创新动态调制熵特征提取方法。分类阶段整合改进LeNet（ILN-TL）与DeepMaxout（DM）模型，通过软投票策略最终达到0.962的分类准确率，为肺癌智能诊断树立了新标杆。

研究采用LUNA16数据集888例CT扫描样本，主要技术路线包括：1）自适应高斯滤波去噪（PSNR 37.378 dB）；2）P-ResU-Net分割网络引入残差双通道注意力块（P-RDCAB）和d-SiLU激活函数；3）融合LGTrP纹理特征、PHOG梯度特征和动态熵特征；4）构建ILN-TL分类器结合VGG16迁移学习，与DM模型并行输出。

【预处理与分割】自适应高斯滤波显著提升图像质量（SSIM 0.935）。P-ResU-Net通过P-RDCAB注意力机制和新型d-SiLU激活函数，分割准确率达0.940，较传统Res U-Net提升3.3%。

【特征提取】改进熵特征（IEn）通过动态加权Shannon熵与归一化熵，保留空间分布信息。结合LGTrP（50维）、PHOG（50维）和深度特征（100维），构建201维特征向量。消融实验显示IEn使准确率提升3.2%至96.2%。

【分类模型】ILN-TL集成VGG16预训练模型，添加深度可分离卷积和高斯归一化层。DM模型采用Maxout激活函数处理非线性特征。软投票策略融合两者输出，在80%训练数据下达到0.962准确率，显著优于3D AG-Net（0.855）等对比模型。

该研究通过多模块创新实现三大突破：1）P-RDCAB注意力机制增强特征选择性；2）动态熵特征保留空间信息；3）混合分类架构提升泛化能力。相比现有方法，模型计算时间仅30.416秒，兼具高效性与准确性。研究为医学影像分析提供了新范式，其模块化设计可扩展至其他癌症诊断领域。未来通过更大规模临床验证，有望成为放射科医生的智能辅助诊断利器。