BAMR-HF：基于边界感知分割与混合特征融合的肺肿瘤分割与分类集成框架

《Scientific Reports》：Boundary-aware multi-scale residual learning with hybrid radiomic–deep fusion for lung tumor segmentation and classification

　　

摘要

由于肿瘤外观异质性、边界模糊以及类间相似性，从计算机断层扫描（CT）图像中准确进行肺肿瘤分割和分类仍然具有挑战性。本研究提出了 BAMR-HF，一个结合了边界感知分割、混合影像组学 - 深度特征融合和上下文感知分类的集成框架。BAMR-Net 利用多尺度残差学习和边界细化进行肿瘤分割，TRFF-Net 通过可学习加权融合结合影像组学与深度特征，而 MTCA-Net 则整合了肿瘤及瘤周上下文信息。该框架在处理后的 Lung-RADS 类别肺癌分割数据集上进行了评估，该数据集包含 972 张 CT 图像，其中训练分区包含 708 张图像，仓库定义的预留测试分区包含 264 张图像。源标签被合并为轻度（LR2）、中度（LR3）和重度（LR4A–LR4B）类别。BAMR-Net 的测试 Dice 系数达到 0.8563。TRFF-Net 和 MTCA-Net 的测试准确率分别为 0.9038 和 0.9327，而完整的 BAMR-HF 框架的准确率达到了 0.9478，F1 分数为 0.9476，AUC 为 0.9872，MCC 为 0.9215。这些发现支持边界感知分割、混合特征表示和上下文建模的互补使用，但仍需在独立的多机构数据进行更广泛的验证。