基于双路径交叉融合网络的肺结节CT图像分类方法
摘要
针对肺结节计算机断层（CT）图像具有的细节多样性以及类间相似性的问题，构建了一种集卷积神经网络（Convolutional neural network，CNN）和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先，以窗口多头自注意力和滑动窗口多头自注意力为基础，构建全局特征块，用于捕获结节的形态特征；以大核注意力为基础构建局部特征块，用于提取结节的纹理、密度等内部特征。其次，设计特征融合块用于融合上一阶段的局部与全局特征，使每一条路径都能获得更综合的判别信息。然后，引入KL（Kullback-leibler）散度来增加不同尺度特征之间的分布差异性，优化网络性能。最后，采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验，网络的分类准确率、召回率、精确率、特异性、受试者操作特征（ROC）曲线下的面积（Area under curve，AUC）分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明，所提方法具有较好的肺结节良恶性分类能力。
引用本文（GB/T 7714）
杨萍 Yang Ping, 张鑫 Zhang Xin, 温帆 Wen Fan, 等. 基于双路径交叉融合网络的肺结节CT图像分类方法[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。