基于自适应协同特征融合与形状感知优化的多尺度胸部病变检测方法

《Scientific Reports》：Adaptive collaborative feature fusion and shape-aware optimization for multi-scale chest lesion detection

　　

摘要

胸部疾病依然是全球范围内导致患病率和死亡率升高的重要原因，因此从胸部X光图像中准确检测出病变对于早期诊断和临床决策至关重要。然而，病变的规模、形态及空间分布存在较大差异，这给自动化检测系统带来了巨大挑战，尤其是在识别小病变以及实现精准定位方面。为解决这些问题，我们提出了一种基于自适应协同特征融合与形状感知优化的多尺度胸部病变检测方法。该方法增强了多尺度特征建模，并引入形状结构约束，以提高在复杂解剖结构环境中的检测精度和定位稳定性。具体而言，设计了一种上下文嵌入特征增强网络，用于同时捕捉整体解剖结构背景与局部病变特征，从而强化病变表征。自适应特征聚焦网络则通过自适应的空间特征聚合进一步优化多尺度特征表示，有助于更有效地检测小病变。此外，还采用了一种结合归一化Wasserstein距离与形状加权约束的形状感知优化策略，以提高不规则病变的定位稳定性和边界框回归精度。与现有最先进方法相比，该技术在VinDr-CXR数据集上的mAP值提升了6.3%，小病变mAP值提升了6.4%，平均召回率提升了8.6%；在ChestX-ray8数据集上，mAP值提升了4.2%，平均召回率提升了7.8%，充分体现了其在多尺度胸部病变检测方面的有效性及通用性。