一种融合肺炎影像特征的肺结核病灶检测迁移网络

作     者：安乐 彭柯鑫 杨兴 黄盼 魏彪 冯鹏 AN Le;PENG Kexin;YANG Xing;HUANG Pan;WEI Biao;FENG Peng

作者机构：成都理工大学计算机与网络安全学院图像信息处理研究室四川成都610059 重庆大学光电工程学院光电技术及系统教育部重点实验室重庆400044 重庆大学光电工程学院工业ICT无损检测教育部工程研究中心重庆400044 

出 版 物：《光学技术》 (Optical Technique)

年 卷 期：2023年第49卷第1期

页      面：120-128页

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：科技部重点研发计划(2019YFC0605203) 重庆市研究生研究科研创新项目(CYS22109、CYS22111) 重庆市科委基础研究与前沿探索项目(cstc2020jcyj-msxmX0553) 重庆市科委技术创新与应用发展专项(cstc2021jscx-gksbX0056)。 

主　　题：X射线成像 肺结核病灶 迁移学习 目标检测 肺炎特征 

摘      要：基于胸部X光透射图像(DR)的肺部病灶识别与疾病诊断是临床的常规操作。对于肺结核患者而言,其DR图像中的病灶区域与背景相融性高,目标弥散严重且边缘形态极不规则,严重干扰诊断的准确性。针对上述问题,提出了一种融合肺炎影像学特征的肺结核病灶区域检测网络(TDT-Net),利用肺结核和新冠肺炎同为呼吸道疾病且在DR图像上具有相似表征的特点,借助大量肺炎DR数据,通过迁移学习引入强相关特征以提高肺结核病灶的检测精度。TDT-Net结合Transformer和扩张残差技术,提出上下文感知增强模块,以强化迁移模型对全局信息的建模能力;利用特征细化模块减少迁移过程中引入的冗余信息,凸显强相关特征的表示。实验结果表明,在TBX11K数据集上,所提检测方法的平均准确度(AP)达到87.5%,召回率(Recall)达到80.7%,相较于YOLOV5和RetinaNet等网络有效提升了肺结核病灶的检测精度,实现了更加准确的肺结核病灶定位和分类。