基于多尺度特征互補(bǔ)和聚合約束的肺結(jié)節(jié)分類方法

摘要：肺結(jié)節(jié)分類問題是早期肺癌檢測(cè)與診斷的重要問題之一，針對(duì)現(xiàn)有的肺結(jié)節(jié)分類方法存在多尺度特征融合的信息冗余和缺乏判別性特征表示等問題，提出了一個(gè)基于多尺度特征互補(bǔ)與聚合約束（Multi-scale Feature Complementation and Aggregate Constraint， MFCAC）的肺結(jié)節(jié)分類方法，并提出了多尺度特征互補(bǔ)模塊用于學(xué)習(xí)相鄰尺度特征的差異信息，從而避免特征融合過程中的信息冗余；同時(shí)在網(wǎng)絡(luò)特征層引入了聚合約束損失，實(shí)現(xiàn)對(duì)同類特征的聚集，提高網(wǎng)絡(luò)判別性特征表示能力；將兩個(gè)模塊融入在編碼器-解碼器架構(gòu)中形成MFCAC，共同作用實(shí)現(xiàn)高效分類。本文在LIDC-IDRI 數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)，并通過消融實(shí)驗(yàn)分析了該方法中各組成部分的貢獻(xiàn)和影響，結(jié)果表明，相較于對(duì)比算法，MFCAC 在肺結(jié)節(jié)分類上具有更優(yōu)的性能。

關(guān)鍵詞：早期肺癌診斷；肺結(jié)節(jié)分類；深度學(xué)習(xí)；多尺度特征；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)志碼：A

肺癌是患病比例和致死率最高的癌癥[1]，是對(duì)人群健康和生命威脅最大的惡性腫瘤之一[2-3]，如果能在早期階段及時(shí)發(fā)現(xiàn)并積極地治療，可以有效降低肺癌死亡率。肺部中結(jié)節(jié)的診斷是肺癌診斷的重要依據(jù)，因此識(shí)別和準(zhǔn)確分類肺結(jié)節(jié)也是肺癌診斷的關(guān)鍵，可以幫助醫(yī)生有效識(shí)別結(jié)節(jié)的良惡性，利于醫(yī)生根據(jù)癥狀進(jìn)行有效干預(yù)和治療。在臨床場(chǎng)景中，放射科醫(yī)生通過CT 掃描圖進(jìn)行病情篩查和診斷，而CT 由多個(gè)切片組成，且經(jīng)常存在微小肺結(jié)節(jié)的情況，難以區(qū)分結(jié)節(jié)的良惡性，對(duì)醫(yī)生而言手工診斷患者的任務(wù)耗時(shí)且易錯(cuò)[4]。

由于肺癌的危害日益增加[2]，人們對(duì)肺部良惡性結(jié)節(jié)的分類進(jìn)行了大量的研究[4-6]。在傳統(tǒng)的機(jī)器學(xué)習(xí)中，通常是通過手工進(jìn)行特征提取[7-8]，即通過手工制作的特征來表示肺結(jié)節(jié)，然后使用一個(gè)分類器預(yù)測(cè)結(jié)節(jié)的類別，通常使用有監(jiān)督學(xué)習(xí)算法作為分類器，如支持向量機(jī)[9] 和隨機(jī)森林[9] 等。近年來，基于計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)的肺結(jié)節(jié)分類方法逐漸成為研究熱點(diǎn)，并取得了顯著的進(jìn)展。Shen 等[5] 使用多尺度卷積神經(jīng)網(wǎng)絡(luò)提取結(jié)節(jié)異質(zhì)性特征，推進(jìn)了多尺度特征在肺結(jié)節(jié)分類的應(yīng)用。Shen 等[6] 在多尺度特征的基礎(chǔ)上設(shè)計(jì)了新穎的池化策略用于裁剪不同尺度特征，獲得當(dāng)時(shí)最優(yōu)的性能。以上研究均基于單一的2D 肺部CT 切片， Yan 等[10] 開始向3D方向探索，通過同時(shí)對(duì)一結(jié)節(jié)的多層切片提取多尺度特征和分類，其效果相比過往工作略有提升，但因其僅用幾層切片，難以實(shí)質(zhì)性地挖掘結(jié)節(jié)在立體空間上的特征。Zhu 等[11] 直接將3D 結(jié)節(jié)作為其網(wǎng)絡(luò)的輸入，并設(shè)計(jì)了雙路徑特征提取模塊和編碼器-解碼器架構(gòu)網(wǎng)絡(luò)，結(jié)合了3D 數(shù)據(jù)、多尺度特征融合和類殘差連接的優(yōu)勢(shì)。文獻(xiàn)[4] 中AE-DPN 通過集成3D 雙路徑網(wǎng)絡(luò)和設(shè)計(jì)上下文注意力機(jī)制提高網(wǎng)絡(luò)的分類性能，集成多個(gè)模型提高預(yù)測(cè)魯棒性。雖然上述網(wǎng)絡(luò)在肺結(jié)節(jié)分類任務(wù)上有較好的表現(xiàn)，但仍存在一定的局限性：第一，在多特征融合過程中忽略了信息冗余的問題，不同尺度的特征往往包含了不同的信息，如細(xì)節(jié)信息、語義信息等，為了獲得更全面的信息，通常需要將不同尺度的特征進(jìn)行融合。然而融合后的特征可能會(huì)導(dǎo)致信息冗余，這不僅會(huì)影響特征的表達(dá)能力，還可能會(huì)導(dǎo)致過擬合等問題；第二，缺乏判別性特征表示，現(xiàn)有方法雖然在整體分類準(zhǔn)確率上都有較好的表現(xiàn)，但在對(duì)結(jié)節(jié)良惡性的識(shí)別能力上差異較大，這限制了肺結(jié)節(jié)分類的準(zhǔn)確性和可靠性。