基于3D CMFF深度网络模型的肺结节分类

当今基于深度学习的肺小结节分类成为了研究热点。然而，现有的网络模型大都精度过低，且只能处理2D肺结节切片，无法在肺部CT中学习到3D特征。为了应对这些挑战，提出了一个具有高精度的多尺度特征融合网络模型3DCMFF。3DCMFF的主干基于3DECABlock，可以在提高网络的特征表达能力。模型中的3D PSA模块，能够提取特征信息更丰富的3D精细化特征图。多尺度特征融合将阶段2~4层输出的特征图进行融合，在几乎不增加计算量的同时提升精度。在LUNA16数据集上进行综合消融实验和对比实验中，3DCMFF取得了93.58的精度。实验结果表明，我们的方法对分类精度有着可观的提升，并且和现有的先进模型相比较，3DCMFF具有精度高，鲁棒性优秀的特点，并能够给医生提供辅助诊断。

自2010 年开始，肺癌的死亡率每年大约以4%的比例减少[1]。这主要得益于CAD 系统带来的早期诊断。但肺癌仍作为死亡率最高和发病率最高的癌症，每年夺去百万条的生命。为了进一步降低肺癌的死亡率，肺部良恶性结节的分类在肺癌的早期诊断中显得尤为重要。随着LIDC-IDRI (The Lung Image Database Consortium) [2]的出现，基于肺CT 图像的自动肺结节良恶性分类有重要的研究价值，成为了当前的研究热点。

肺结节分类方法主要分为传统机器学习方法和深度学习方法。

基于肺CT 图像的肺小结节良恶性分类研究早期基于传统机器学习方法。最初在肺图像数据集和算力不足的情况下，研究人员使用传统机器学习通过手工特征对肺结节CT 图像进行分类。Po-Whei Huang等人[3]在使用SVM 支持向量机的基础上添加了使用分形维度(FD)的分形纹理特征来区分良恶性结节。

Ayman El-Baz 等人[4]将肺结节的形状复杂度用形状指数来表示，并将它用K-近邻算法进行良恶性分类。

QiMao 等人[5]提出了智能免疫克隆优化算法来分类肺结节。设计了一种新的高斯–柯西混合变异算子， 结合了高斯变异算子(GMO)和大尺度柯西变异算子(CMO)的优点。该方法解决了免疫算法初始种群的单一性问题，具有全局收敛和局部收敛的特点。Hao Chen 等人[6]提出进的窗口自适应灰度级共现矩阵，能够对实性肺结节纹理特征提取对肺结节分类有较好的作用，但是他们使用的数据集样本量太小，可能存在偏差。

虽然传统的机器学习也可以完成肺结节分类任务， 但是普遍需要耗费大量时间去制作手工特征， 并且很大程度依赖于研究人员的主观判断，因此不能实现自动化的高精度分类。

当前主要运用深度学习对肺CT 图像的肺结节良恶性分类展开研究。深度学习可以直接从数据中获取高级特征，而省去了传统机器学习对每一个特征手工制作特征提取器的任务，并且在肺结节分类任务中，可以实现高鲁棒性的计算机自动诊断。Yohei Momoki 等人[7]针对CAD 系统需要大量标记数据的问题，提出从患者放射学报告中进行标记，生成伪标签来构建肺结节图像分类器。他们针对不同数据集， 分别设计了基于层次注意网络(HAN)的文本分类器，和基于VGG 的图像分类器。Meenakshi Bharti 等人[8]为解决原始CT 的计算量过大的问题，提出在预处理后将CT 图片切割成小块，再使用3DResNet 进行结节分类。Amrita Naik 等人[9]肺结节图像因CT 机的硬件上限，通常分辨率过低，导致难以被卷积网络训练的问题，提出使用Fractalnet 作为网络主干，同时在增加数据集和数据扩充的情况下表现得更好。

Astaraki, M 等人[10]提出双路径的深度CNN，双路径不但可以获取结节的纹理特征，同时可以捕捉在结