近期，湖南师范大学信息科学与工程学院的温翠红团队，在Meta-Radiology发表了一篇题为《MCFCN: Multi-scale Capsule-weighted Fusion Classification Network for Lung Disease Classification based on Chest CT Scans》的学术论文。该论文分析了现有肺部CT图像自动诊断技术的不足，并提出了一种多尺度胶囊加权融合分类模型MCFCN，目标数据集的实验结果表明，MCFCN优于最先进的方法。未来，该模型可以进一步探索和优化，以提升其在临床实践中的应用价值。
基于肺部CT的肺部病变自动诊断技术，可以帮助医生快速、准确地发现可疑病例，为疾病的及时救治和预防发挥重要作用。但现有方法无法区分具有近似形态的病变，同时现有的特征提取方法缺乏在大尺度环境中凸显小尺度目标的手段，无法实现微小特征高效提取，这会导致病变特征提取不完整，最终削弱分类效果。
本文主要介绍一种用于自动检测肺部CT图像的多尺度胶囊加权融合分类网络（MCFCN, Multi-scale Capsule-weighted Fusion Classification Network）。该网络由多尺度动态路由特征提取网络、多尺度切片融合、三维加权融合等部分组成。针对大尺度医学图像中微小病变区域关注度不高的问题，我搭建了多尺度特征加权融合分类网络，用动态路由结构对不同尺度的特征图进行增强和削弱，使用尺度差异融合网络在融合过程中得到高效的位置放缩参数；并且，针对现有数据集中数据量太少从而影响了模型的学习效果，无法区分具有近似形态病变的问题，本文提出一种迁移学习训练方法，使用高区分度数据集对模型特征提取结构进行针对性训练，使得模型对多个类别的病变都有强大的分辨能力，增强了网络的分类能力。
我们评估了MCFCN在COVID-CT-MD数据集上的性能，并与几种其他主流算法进行比较，MCFCN模型优于现有的SOTA方法，特别是灵敏度达到了99.63%，这意味着模型进一步降低了误检的可能性。此外，特异性为98.73%，模型也降低了漏检的可能性。
MCFCN模型
1.肺部CT图像病变自动诊断技术的特点与挑战：
CT图像可以提供高分辨率的肺部结构信息，有助于准确检测和分析病变，自动诊断技术可以实现对大量CT图像的快速分析和诊断。然而处理和分析大量CT图像需要高效的算法和计算资源，同时肺部包含多种组织和病变类型，复杂的肺部结构对算法的鲁棒性提出要求。
2.深度学习在肺部CT图像诊断的应用：
深度学习在肺部CT图像诊断中有广泛的应用。深度学习模型可以用于在肺部CT图像中检测和分割肺部病变，如肿块、结节、肺炎等。通过准确地识别和定位病变区域，医生可以更好地进行诊断和治疗计划。通过训练深度学习模型使用大量的标记数据，模型可以学习从图像中提取特征并判断病变类型，如肺癌、结核等。深度学习模型还可以从肺部CT图像中提取特征并进行疾病预测，如肺癌患者的生存预测、疾病进展的监测等。这可以帮助医生制定个性化的治疗方案和预测患者的病情发展。
3.深度学习在肺部CT图像分类任务中的前景：
深度学习模型具有强大的特征学习和表征能力，可以从肺部CT图像中学习复杂的特征模式，进而提高分类准确性。这有助于准确区分不同的肺部疾病。此外，深度学习模型可以处理多类别分类问题，可以针对多种肺部疾病进行分类，从而提供更全面的诊断信息。深度学习模型还可以实现对大量肺部CT图像的自动化处理和分类，降低医生的工作负担，提高工作效率。这对于处理庞大的医学影像数据集和加速诊断过程非常有益。
通过对现有基于肺部CT的肺部病变自动诊断技术的分析和研究，本文提出了多尺度胶囊加权融合分类网络（MCFCN），它旨在帮助医生快速准确地识别可疑病例。在未来，深度学习在肺部CT图像分类任务中将继续发展，并面临以下挑战和改进方向。首先，精确地定位每个病变区域的位置信息和病变区域之间的关系仍然是一个难点，需要更深入的研究。另一个重要的发展方向是探索能够识别三维信息的系统框架。通过整合多个切片的信息，以及在时间和空间上建立上下文关系，可以提供更全面和准确的图像特征，从而改善肺部图像的分类和定位准确性。肺癌识别也是肺部CT图像分类中的一个重要应用，可以预测肺癌的患病风险、进行早期诊断和病变进展监测。这将有助于提供更早的干预和个性化治疗，提高肺癌患者的生存率和生活质量。此外，在视觉手术机器人领域，深度学习模型的应用也将带来巨大的潜力。通过结合深度学习算法和机器人技术，可以开发出智能手术视觉系统，用于辅助肺癌手术中的解剖结构识别、病变定位和手术导航。这将使医生能够更精确地操作，减少手术风险，并提高手术的成功率和患者的康复速度。
共同第一作者 刘敖
湖南师范大学信息科学与工程学院人工智能专业硕士研究生。导师温翠红副教授，研究方向为计算机视觉，曾获2023年湖南省优秀毕业生。
共同第一作者：刘绍武
湖南师范大学信息科学与工程学院硕士研究生，导师温翠红副教授，研究方向为医学图像处理，在该领域申请多项专利和软件著作权，曾在Computers in Biology and Medicine等期刊发表论文。
通讯作者：温翠红
湖南师范大学信息科学与工程学院人工智能专业副教授，研究方向为计算机视觉，医学图像处理，储能电池系统故障诊断与健康预测。曾在Computers in Biology and Medicine，Neurocomputing等期刊发表SCI论文多篇，主持国家自然科学基金面上项目1项，湖南省自然科学基金面上项目1项，湖南省教改项目1项，湖南省自然科学基金青年项目1项（已结题），湖南省教育厅项目1项（已结题）。
Ao Liu, Shaowu Liu, Cuihong Wen. MCFCN: Multi-scale Capsule-weighted Fusion Classification Network for Lung Disease Classification based on Chest CT Scans. Meta-Radiology. 2024;2(2):100070. doi: https://doi.org/10.1016/j.metrad.2024.100070
长按/扫描获取全文（网页全文二维码）
编辑：欧漫
审核：赵伟
