《Symmetry》:Attention-Based Deep Learning Framework for Lung Nodule Classification in CT Images
Vinayak K. Bairagi,
Aparna Rajesh Lokhande,
Shweta Sadanand Salunkhe,
Ekkarat Boonchieng and
Preeti Topannavar
编辑推荐:
肺癌仍然是全球癌症相关死亡的主要原因之一,因为肺结节通常在晚期才被诊断出来。因此,准确的结节分类对于实现早期检测和支持及时的临床决策至关重要。本研究提出了一种计算机辅助诊断(CAD)系统,利用计算机断层扫描(CT)图像进行肺结节分类,特别关注恶性预测和结构形态
肺癌仍然是全球癌症相关死亡的主要原因之一,因为肺结节通常在晚期才被诊断出来。因此,准确的结节分类对于实现早期检测和支持及时的临床决策至关重要。本研究提出了一种计算机辅助诊断(CAD)系统,利用计算机断层扫描(CT)图像进行肺结节分类,特别关注恶性预测和结构形态学分析。所提出的框架基于一种新颖的基于注意力的卷积神经网络(CNN),该网络结合了通道注意力和空间注意力机制。这种双注意力结构使模型能够强调诊断相关特征,同时抑制不相关的背景信息,从而提高可解释性和分类准确性。为了进行基准测试,研究人员实施了CNN、CNN-SVM(支持向量机)和ResNet101架构进行比较。在LIDC-IDRI数据集上的二分类(良性vs.恶性)实验以及在IQ-OTH/NCCD数据集上的二分类和三分类(正常、良性、恶性)实验结果表明,所提出的基于注意力的CNN优于所有基线模型,在二分类设置中达到了98%的最大分类准确率。除了准确率之外,所提出的模型在多个评估指标上均表现出色,包括精确率、召回率、F1分数、AUC(曲线下面积)以及分别报告的二分类和多分类混淆矩阵,表明了该方法的鲁棒性。双注意力机制增强了显著特征定位和判别性表示学习,从而有助于提高二分类和多分类任务的性能。
研究背景方面,肺癌是全球癌症相关死亡的主要原因之一,肺结节常在晚期被诊断,导致高死亡率。手动解读CT(计算机断层扫描)图像存在耗时长、观察者间及观察者内变异大等问题。现有计算机辅助诊断(CAD)系统在准确率、可解释性和泛化能力上仍有不足,且多数仅聚焦于二分类(良性vs.恶性),缺乏对形态学亚型的区分。为此,研究人员提出一种基于双注意力机制的卷积神经网络(CNN)框架,旨在提升肺结节分类性能,支持早期诊断和临床决策。该论文发表在《Symmetry》。
研究人员开展了对比实验,利用两个公共数据集:LIDC-IDRI(1018例患者胸部CT扫描,由放射科医师标注)和IQ-OTH/NCCD(110例患者病例,含CT图像及病理验证标签)。主要关键技术方法包括:图像预处理(肺区域分割、重采样至224×224像素、强度归一化、数据增强如旋转、翻转、缩放等);四种深度学习模型实现与比较(基准CNN、混合CNN-SVM(支持向量机)、深度残差网络ResNet101、以及所提出的基于注意力的CNN);采用五折交叉验证和多种评估指标(准确率、精确率、召回率、F1分数、AUC(曲线下面积)、混淆矩阵);消融实验用于分析注意力模块贡献;Grad-CAM(梯度加权类激活映射)可视化用于可解释性分析。
研究结果部分概述如下:
- **4.1 肺结节恶性与良性分类使用深度学习算法**:研究人员指出,准确区分良恶性对早期诊断至关重要,并采用CNN、CNN-SVM、ResNet101和基于注意力的CNN在IQ-OTH/NCCD和LIDC-IDRI数据集上进行训练和测试。
- **4.2 IQ-OTH/NCCD肺癌数据集实验结果**:通过训练和测试,四种模型均达到了高分类性能。其中,所提出的基于注意力的CNN实现了98%的准确率、精确率、召回率和F1分数,优于CNN(95%)、CNN-SVM(97%)和ResNet101(95%)。混淆矩阵分析显示该模型误分类最少。
- **4.3 LIDC数据集中肺结节恶性与良性分类实验结果**:在LIDC-IDRI数据集上,所提出的基于注意力的CNN同样达到98%的准确率、精确率、召回率和F1分数,显著优于CNN(95%)、CNN-SVM(96%)和ResNet101(94%),验证了注意力机制在复杂数据集上的有效性。
- **4.4 AUC-ROC分析**:ROC(接收者操作特征)曲线分析显示,所提出的基于注意力的CNN在LIDC-IDRI(AUC=0.986)和IQ-OTH/NCCD(AUC=0.981)上均取得最高真阳性率和较低假阳性率,优于其他模型,进一步证实其区分能力。
- **4.5 统计显著性和鲁棒性分析**:通过五折交叉验证和配对t检验,表明所提出模型在准确率和AUC上的提升具有统计学显著性(p<0.01),且跨折结果一致(LIDC-IDRI准确率97.7±0.4%;IQ-OTH/NCCD准确率98.0±0.4%)。
- **4.6 消融研究**:消融实验比较了基线CNN、仅通道注意力、仅空间注意力和两者结合四种配置。结果表明,双注意力结合(所提出模型)在LIDC-IDRI和IQ-OTH/NCCD数据集上均取得最佳性能,证实了通道和空间注意力机制的互补作用。
- **4.7 Google Colab(T4 GPU)实时性能**:在NVIDIA T4 GPU上,端到端推理时间约为每片4-5毫秒,典型300片CT扫描可在1.3-1.6秒内完成,峰值GPU内存小于1 GB(FP16),表明模型具备实际部署潜力。
- **4.8 定性分析**:Grad-CAM可视化显示,在正确预测的恶性病例中,热力图集中在结节核心和不规则边缘;在假阴性病例中热力图较淡或偏离病灶;良性真阴性与假阳性病例中注意力分布合理,支持模型的可解释性。
在讨论部分,研究人员指出所提出模型在准确率和可解释性上优于现有方法,但存在局限:数据集样本量较小且存在类别不平衡,LIDC-IDRI标注受观察者间变异影响,缺乏外部多机构验证,需进一步大规模多中心研究。研究结论部分翻译如下:本研究引入了一个基于深度学习的计算机辅助诊断(CAD)系统,用于CT图像中良恶性肺结节分类。通过比较CNN、CNN-SVM、ResNet101和所提出的基于注意力的CNN,在LIDC-IDRI和IQ-OTH/NCCD数据集上的实验表明,所提出的基于注意力的CNN在所有评估指标上显著优于基线模型,实现了98%的分类准确率、接近于0.98的平均F
1分数以及AUC分别为0.986(LIDC-IDRI)和0.981(IQ-OTH/NCCD)。研究强调了通道和空间注意力机制的积极作用,其能够识别显著特征、增强判别学习并提升分类性能。实验结果有力证明了该模型的有效性和鲁棒性,及其在改进早期肺癌检测和减少肺结节过度诊断方面的临床潜力。该模型有效识别了因肺结节偏离健康肺对称结构而产生的不对称区域,突显了捕捉对称性破坏模式对准确肺结节分类的重要性。尽管系统表现出高准确性和鲁棒性,未来工作方向包括集成可解释AI(XAI)模块、扩展多机构及多模态成像数据、采用半监督或自监督学习方法减少标注依赖、以及优化轻量级部署。所提出系统展示了作为辅助决策工具的潜力,但需在更大规模多机构数据集上进一步验证后才能实现临床集成。