利用多架构特征提取和深度序列学习模型，在轴向计算机断层扫描图像上设计与验证肾结石检测方法

《Scientific Reports》：Design and validation of renal stone detection using multi-architecture feature extraction with deep sequential learning model on axial computed tomography images

　　

摘要

肾结石疾病是一个重大的公共卫生威胁，其发病率由于饮食习惯的改变、肥胖率的上升、其他医疗状况以及某些补充剂的使用而不断加剧。肾结石，也称为肾结石症，是由结晶矿物质在肾脏内聚集形成的固体物质。正确识别这种肾脏疾病至关重要，因为它代表了一个严重的健康问题，需要准确的检测才能进行有效的治疗。成像技术在诊断肾脏疾病（包括肾结石）中发挥着重要作用。计算机断层扫描（CT）是医学专家用来检测肾结石的一种成像技术。CT扫描可以提供关于结石具体位置和大小的信息，从而估计其自然排出的可能性，从而可能避免手术的需要。深度学习（DL）模型在生物医学领域逐渐成为疾病诊断的强大工具。本研究提出了一种用于肾结石检测的特征集成与序列注意力框架（FISAF-KSD）方法。该工作的主要目标是开发一个可靠且高效的系统，能够从CT图像中准确识别肾结石。为此，FISAF-KSD方法首先进行图像预处理和增强，以提高输入图像的质量，并为进一步分析做好准备。接下来，通过融合三种DL模型（如EfficientNetV2L、InceptionV3和ResNet-101）来提取特征，以在详细和宏观层面上捕捉肾结石的关键特征。最后，采用带有注意力机制（AM）的双向门控循环单元网络（BiGRU）来有效分类肾结石。在轴向CT成像数据集上对FISAF-KSD方法的性能进行了全面评估。FISAF-KSD方法的准确率（\(\:accu{r}_{y}\)）达到了98.75%，精确度（\(\:prec{i}_{n}\)）为98.76%，敏感性（\(\:sen{s}_{y}\)）为98.75%，特异性（\(\:spe{c}_{y}\)）为98.75%，F1分数（\(\:{F}_{measure}\)）也为98.75%。结果表明，FISAF-KSD方法的表现优于现有的方法。