李子妍,黄青莲,秦 彦,李婧怡,马 翔

肺癌早期诊断依赖肺结节的精准检测。本文针对C阅片中微小结节漏检率高与假阳性多的问题，提出一种融合双注意力与多尺度特征融合的改进检测模型，并结合深度学习与医学先验特征构建混合特征体系以增强判别力。在LIDC-IDRI与临床数据集上的实验表明，本方法在准确率、召回率与假阳性控制上均显著优于传统模型。

深度学习；肺结节检测；注意力机制；特征融合；CT影像分析

[1] 刘云,王一达,张成秀,等.基于深度学习结合解剖学注意力机制的肺结节良恶性分类[J].中国医学物理学杂志,2022,39(11):1441-1447. [2] 李锐.基于深度学习的CT图像肺结节检测研究[D].安徽理工大学,2023. [3] 高璇,毕晓君.基于改进Faster R-CNN的低剂量CT图像肺结节检测[J].计算机应用研究,2020(S02):4. [4] 方成.采用注意力机制和多尺度特征融合网络的骨病变检测[D].云南大学,2021. [5] 李天虎,何志琴,何力,等.融合图像增强和自注意力机制的活动性肺结核CT影像数据生成[J].中国图象图形学报,2025(7). [6] 吴云.基于深度学习的医学图像肺结节检测研究[D].华北理工大学,2023. [7] 洪敏杰.基于深度学习的胸腔医学影像辅助诊断算法设计与应用[D].苏州大学2025. [8] 张泽鹏.面向肺结节检测的动态自适应算法研究与点云应用[D].郑州大学2025. [9] 王立彪.肺结节疾病的智能诊断与系统实现关键技术[D].华北电力大学;华北电力大学(北京)2025. [10] 崔林芳.基于深度学习的CT图像肺结节检测与分类算法研究[D].西安科技大学2025. [11] Cheng X,Li J,Mi M,et al.Accuracy Study on Deep Learning-Based CT Image Analysis for Lung Nodule Detection and Classification [J].Traitement du Signal,2024,41(2). [12] Fukumoto W,Yamashita Y,Kawashita I,et al.External validation of the performance of commercially available deep-learning-based lung nodule detection on low-dose CT images for lung cancer screening in Japan[J].Japanese Journal of Radiology,2025,43(4):634-640.

点击下载PDF