AADL:一种轻量级的抗锯齿多尺度网络,用于CT肺部结节检测
《Biomedical Signal Processing and Control》:AADL: a lightweight anti-aliased multi-scale network for CT pulmonary nodule detection
【字体:
大
中
小
】
时间:2026年10月12日
来源:Biomedical Signal Processing and Control 5.7
编辑推荐:
摘要
在CT图像中准确检测肺结节对于早期肺癌筛查至关重要,但由于结节在大小、形状和密度上的差异很大,这一任务仍然具有挑战性。微小且低对比度的结节尤其难以检测,因为它们的边界模糊,且外观类似于血管或胸膜,这容易导致漏检或误报。本研究提出了一种轻量级的肺结节检测器AADL,旨在在
摘要
在CT图像中准确检测肺结节对于早期肺癌筛查至关重要,但由于结节在大小、形状和密度上的差异很大,这一任务仍然具有挑战性。微小且低对比度的结节尤其难以检测,因为它们的边界模糊,且外观类似于血管或胸膜,这容易导致漏检或误报。本研究提出了一种轻量级的肺结节检测器AADL,旨在在进行多尺度特征提取时保留细节。首先使用HU标准化和2.5D切片融合将有限的层间信息整合到二维框架中,然后引入带有SimAM注意力机制的CSP-DSFA模块以增强小结节的局部纹理表达和边界响应。为了在降低分辨率的过程中减少细结构的丢失,采用抗混叠下采样模块在子采样前对特征进行平滑处理,替代了传统的步进卷积。此外,还使用了一种轻量级的共享卷积头来减少预测分支中的冗余参数。在LUNA16和LNDb数据集上,AADL的mAP@0.5值分别为95.8%和65.2%,比YOLOv11n基线模型提高了3.7%和4.4个百分点,同时将参数数量减少到了211万。另外,在Ali Tianchi数据集上的零样本评估显示了更稳定的外部性能,表明AADL提供了一种紧凑的检测器,具有改进的跨领域鲁棒性,适用于CT肺结节检测。
引言
低剂量计算机断层扫描(LDCT)筛查增加了早期发现肺癌的机会,但也带来了较高的图像解读要求。单次筛查检查可能包含数百张轴向切片,而当小肺结节对比度低、形态不规则或具有类似血管的结构时,这些结节很容易被忽略。大规模随机化筛查试验表明,LDCT可以降低高风险人群的肺癌死亡率[1]、[2]。在这种情况下,需要可靠的计算机辅助检测(CAD)方法来帮助放射科医生定位可疑结节,并减少大规模CT筛查的工作量。公共CT数据集在肺结节检测方法的发展中发挥了重要作用。LIDC-IDRI提供了带有注释的肺结节CT扫描数据,而从中衍生出的LUNA16挑战赛为自动结节检测提供了标准化基准[3]、[4]。早期的CAD系统通常将结节检测分解为几个手动设计的步骤,如肺区域提取、候选结节筛选、特征描述和误报减少[5]、[6]。这些流程提供了有用的早期解决方案,但其性能在很大程度上依赖于手工制作的强度、形状、纹理和位置描述符。正如以往的CAD研究总结的那样,在控制误报的同时保持高灵敏度仍然是肺结节检测中的一个持续难题[7],尤其是对于微小结节、磨玻璃样阴影(GGO)以及附着在血管或胸膜结构上的病变。
深度学习将肺结节分析从手工特征工程转向了数据驱动的表示学习。基于CNN的模型已被用于肺结节检测、分割和分类,同时也有研究探索了特征融合策略[8]、[9]。最近,基于Transformer和优化引导的方法也被用于CAD环境中的CT肺结节检测[10]。这些研究表明深度模型在结节分析方面的潜力,但也表明小病变检测容易受到特征退化、解剖干扰和领域变化的影响。
CT肺结节检测的主要难点在于病变的视觉证据较弱且容易受到干扰。许多结节在2D切片中只占据很小的一部分区域,其边界和纹理线索在多次卷积和下采样后可能会减弱。亚实性和GGO结节通常表现为微弱的密度变化,而不是清晰的物体轮廓。此外,血管、支气管和胸膜结构在单张轴向切片中可能会呈现类似结节的外观,增加了误报的风险。因此,一个有效的检测器应保留局部边界信息,利用有限的层间信息,并且足够紧凑,以适应实际的CAD应用。
由于推理流程简单且计算成本相对较低,单阶段检测器在筛查规模CAD中具有吸引力。然而,CT肺结节通常比自然图像中的常见对象小得多,视觉特征也不明显。在类似YOLO的网络中,通常使用步进2卷积或池化来降低特征分辨率,但这可能导致在特征得到充分表示之前就丢失了微弱的边界和纹理线索。当高频特征成分在未经充分平滑的情况下进行下采样时,混叠可能会进一步降低特征的稳定性和定位精度[11]。此外,注意力机制可以增强信息响应,但主要基于全局统计的通道注意力设计可能无法完全保留对小病变定位重要的局部空间细节[12]。这些观察结果促使设计了专门的轻量级检测器,以解决CT肺结节检测中的三个问题:2D切片中的有限穿透平面信息、下采样过程中细节的损失以及多尺度预测头中的冗余计算。为了解决这些问题,本研究提出了AADL,一种轻量级的抗混叠多尺度网络用于CT肺结节检测。AADL建立在紧凑的单阶段检测框架上,并重新设计了输入表示、局部特征聚合、下采样操作和检测头,以更好地匹配小结节和低对比度肺节节的特征。
在实际的CAD应用中,检测器不仅需要在用于模型开发的数据集上表现良好,还需要在采用不同扫描协议、注释标准和人群特征的外部CT数据上表现良好。同时,模型的紧凑性对于筛查规模的肺结节分析仍然很重要,检测器应在保持参数数量和计算成本合理的范围内保持可靠的性能。这些考虑构成了提出AADL的主要动机。
本研究的主要贡献如下:
1. 提出了一种2.5D输入建模策略用于CT肺结节检测。通过将中心切片与其相邻切片结合并进行HU标准化,检测器可以在保留2D框架效率的同时利用有限的层间信息。
2. 设计了一种带有SimAM注意力的CSP-DSFA特征聚合模块,以增强小结节和低对比度结节的局部纹理和边界响应,而无需引入额外的可学习注意力参数[13]。
3. 提出了一种抗混叠下采样模块,将局部特征提取与空间分辨率降低分开。通过应用基于平滑的下采样,该模块旨在减少直接步进2卷积造成的弱边界线索丢失。
4. 采用了一种轻量级的共享检测头,以减少多尺度预测分支中的冗余卷积参数。该模型还在外部零样本数据集上进行了评估,以检验其在跨领域CT数据变化下的鲁棒性。
量化结果表明,AADL在LUNA16数据集上的mAP@0.5值为95.8%,比YOLOv11n基线模型提高了3.7个百分点;在LNDb数据集的CT体积级别分割上,AADL的mAP@0.5值为65.2%,召回率为61.7%,分别比YOLOv11n提高了4.4%和3.4个百分点。同时,整个模型仅包含211万参数,比YOLOv11n少约18.5%。与LNDb上的较大YOLOv9c模型相比,AADL在mAP@0.5值(65.2% vs. 65.5%)上相当,但参数数量(211万 vs. 2120万)和计算成本(7.5 GFLOPs vs. 83.2 GFLOPs)显著降低。这些结果展示了检测性能与模型紧凑性之间的良好平衡。
**部分摘要:**
**CT结节分析中的注意力引导特征选择**
肺结节检测与常见对象检测不同,因为目标证据通常很弱、局部化且容易与正常解剖结构混淆。在CT切片中,一个小结节可能仅由少量像素表示,而血管、支气管、胸膜附着物和实质纹理可能会产生相似的局部外观。因此,检测器需要一种特征选择机制,能够在不抑制细节的情况下增强与结节相关的响应。
**AADL的整体框架**
AADL被设计为一种轻量级的单阶段CT肺结节检测器。该模型采用了YOLOv11n风格的检测流程,但对多个组件进行了重新设计,以更好地匹配CT切片中结节定位的特点。如图1所示,该框架包括四个部分:2.5D输入构建、CSP-DSFA特征聚合、AADS下采样和LSCD预测头。
**数据集和实验设置**
使用了三个公共CT肺结节数据集来评估所提出的方法,包括LUNA16、LNDb和Ali Tianchi。LUNA16来自LIDC-IDRI数据库,被广泛用作自动肺结节检测的基准[3]、[4]。LNDb提供了带有结节检测、分割、特征化和随访分析注释的CT扫描数据,包含了更多具有挑战性的病变表现,用于评估结节相关算法[35]。
**进一步评估AADS模块的有效性**
为了进一步评估所提出的AADS模块的有效性,我们与几种代表性的下采样策略进行了额外的控制比较,包括标准步进2卷积、MaxPool后跟1×1卷积、AvgPool后跟1×1卷积、BlurPool后跟1×1卷积以及SPD-Conv。在这次专门比较中,每种候选下采样操作都在相同的控制网络配置下进行了评估。
**实验结果**
实验结果表明,AADL在保持模型紧凑性的同时提高了肺结节检测效果。与YOLOv11n基线相比,性能提升主要体现在LUNA16和LNDb数据集上的mAP@0.5值更高、LUNA16数据集上的误报控制更好,以及外部零样本测试中的性能更稳定。这些结果表明,所提出的模块有助于增强与结节相关的弱特征,而不仅仅是简单地增加模型大小。
**结论**
本研究提出了一种轻量级的CT肺结节检测网络AADL,旨在在紧凑的检测框架内保留微弱的局部结节线索。通过结合2.5D切片融合、CSP-DSFA特征聚合、抗混叠下采样和轻量级共享检测头,AADL在提高小结节和低对比度结节表示的同时减少了多尺度预测中的冗余参数。实验结果表明,AADL在LUNA16数据集上的mAP@0.5值为95.8%。
**作者贡献声明**
Yu Wang:撰写——原始草稿、可视化、验证、软件、方法论、概念化。
Kexue Sun:撰写——审阅与编辑、监督、项目管理。
Linkai Sun:撰写——审阅与编辑、验证、数据管理。
Haifeng Yang:验证、资源管理、调查。
Yuping Yin:撰写——审阅与编辑、监督。
**伦理审批和参与同意**
本研究完全基于公开可用且去标识化的数据集,未收集新的患者数据,也没有直接招募人类参与者。因此,本研究不需要额外的机构伦理审批和知情同意。
**资金支持**
本研究未接受任何公共、商业或非营利部门的资助。
**关于手稿准备过程中生成式AI和AI辅助技术的声明**
在准备本研究过程中,作者使用了OpenAI的ChatGPT进行语言润色。使用该工具后,作者根据需要对内容进行了审阅和编辑,并对发表文章的内容负全责。
**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号