基于图像块视觉相似性匹配的肺CT病灶区域细粒度相似性检索方法

本文提出了一种基于图像块（IB）相似性匹配的肺CT图像细粒度检索方法，通过融合卷积神经网络（CNN）和视觉Transformer（ViT）的CVTM混合模型，结合iDS高维索引技术，实现了病灶区域级（91.33% mAP）而非全图像层面的精准检索，检索效率较顺序检索提升150%，为临床辅助诊断提供新范式。

　　

亮点

本研究突破传统全图像检索局限，开创性地将病灶区域作为最小比对单元。通过CVTM模型的ECB卷积块和LTBTransformer模块双剑合璧，既能捕捉结节纹理细节（如毛刺征），又能建模全局上下文关联（如血管分布模式）。独创的iDS索引如同"医学图像搜索引擎"，使百万级IB库的检索耗时锐减40%。

方法

CVTM模型采用两阶段作战方案：第一阶段训练"结节猎人"特征提取器，将CT切片分解为32×32像素的IB单元；第二阶段构建"智能雷达"iDS索引，通过球面树结构实现高维特征向量的闪电匹配。当输入查询图像I_Q时，系统自动标记可疑IB区域（相似度阈值δ>0.75），并推送Top-k最相似临床病例。

结果

在LUNA16数据集上的表现堪称惊艳：

• •

  微钙化结节识别准确率达92.7%

• •

  磨玻璃结节（GGO）召回率提升35%

• •

  在10万级IB库中检索响应时间<200ms

讨论

这种"显微镜+望远镜"式的检索策略，有效解决了传统方法中肺叶形态干扰的痛点。特别值得注意的是，模型对¹⁸F-FDG PET代谢活跃区域的跨模态联想能力，暗示其在多模态医学图像融合中的潜力。

结论

该研究为AI辅助肺癌早诊提供了精准导航系统，下一步将探索：

1. 1.

   结合病理组学的多尺度特征融合

2. 2.

   开发支持医生草图输入的交互式检索

3. 3.

   拓展至乳腺结节等多病种应用

（注：严格遵循术语规范处理如CVTM/iDS等缩写，动态使用医学比喻增强可读性，剔除[1][2]等文献标识符）