一种基于3D Trans-DenseUnet++技术的智能肺结节分类模型，用于肺结节的分割

《Scientific Reports》：An intelligent lung nodule classification model using 3D Trans-DenseUnet++-based lung nodule segmentation

　　

摘要

肺结节检测对于肺癌治疗至关重要，这对患者的康复具有决定性意义。然而，目前的数据集仅包含有限的肺部计算机断层扫描（CT）图像，且非结节样本与结节样本之间存在显著不平衡。这种不平衡降低了神经网络的性能，使得训练变得更加困难。早期发现肺肿瘤对于识别出有较高有效治疗机会的患者非常重要，而这在很大程度上依赖于对CT扫描中恶性肺结节的精准识别。最近，深度神经网络（DNN）技术已被成功应用于解决各种计算机视觉挑战，展示了其在这一领域的潜力。然而，较低的训练效果给恶性结节的诊断带来了重大挑战。肿块的大小和形状是判断肺癌恶性程度的关键因素。因此，通过应用深度学习策略来克服传统技术的局限性非常重要。所开发的肺结节分类框架包含三个主要阶段：图像采集、分割和分类。首先，从公开来源收集了大量用于验证的CT图像。这些图像通过分割模块进行处理，使用3D Trans-DenseUnet++（3D-TDUnet++）模型进行有效分割。该分割过程将肺结节与周围组织分离，并忽略不相关的背景结构，从而帮助方法仅关注感兴趣的区域。此外，它还增强了特征提取过程并减少了图像中的噪声，提高了分类的准确性和整个方法的可靠性。分割完成后，将得到的分割图像输入分类阶段，使用自适应密集网络（Adaptive DenseNet）与长短期记忆（LSTM）层（ADNet-LSTM）结合进行分类。这种基于分类的深度学习模型的协同作用能够自动区分恶性和良性肺结节，从而实现准确高效的临床决策过程。它有效减少了人工工作量，改进了早期检测过程，并提高了检测的一致性。此外，通过强化适应度基红尾鹰算法（Intensified Fitness-based Red-Tail Hawk Algorithm, IF-RTHA）优化了ADNet-LSTM的参数。进一步地，对开发出的模型进行了多项实验验证，并使用多种性能指标来确保模型的可靠性。IF-RTH-ADNet-LSTM模型的准确率比现有方法（如RAN、Densenet、LSTM和ADNet-DenseNet）高出94.98%，后者的准确率分别为90.21%、92.38%、91.68%和92.87%（使用相同的肺结节数据集）。由此可见，所提出的肺结节分类框架在评估CT图像中发现的肺结节的恶性风险方面表现良好，并且能够为临床医生提供更准确的决策支持。