针对肺结节计算机断层（CT）图像具有的细节多样性以及类间相似性的问题，构建了一种集卷积神经网络（Convolutional neural network，CNN）和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先，以窗口多头自注意力和滑动窗口多头自注意力为基础，构建全局特征块，用于捕获结节的形态特征；以大核注意力为基础构建局部特征块，用于提取结节的纹理、密度等内部特征。其次，设计特征融合块用于融合上一阶段的局部与全局特征，使每一条路径都能获得更综合的判别信息。然后，引入KL（Kullback-leibler）散度来增加不同尺度特征之间的分布差异性，优化网络性能。最后，采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验，网络的分类准确率、召回率、精确率、特异性、受试者操作特征（ROC）曲线下的面积（Area under curve，AUC）分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明，所提方法具有较好的肺结节良恶性分类能力。

CT图像肺结节大小、形状和纹理的多样性，导致肺结节的良恶性诊断十分困难。在三维卷积神经网络的基础上，提出了一种基于多深度残差注意力机制的网络（MDRA-net），用于良恶性肺结节分类。MDRA-net通过在残差分支上使用特征融合及迭代分层融合的方法，提升了网络对结节位置特征及全局特征的感知能力；此外，结合注意力机制，引入projection and excitation模块，利用空间和通道信息进行校准，进一步提升了网络提取特征的能力。在LUNA16数据集上的实验结果表明，MDRA-net分类模型的肺结节检测准确率达96.52%，灵敏度和特异性分别为93.01%和97.77%，较现有的基于深度学习的肺结节良恶性分类模型有较大提升。

Low-dose computerized tomography (LDCT) scanning is of great significance for monitoring and management of pulmonary nodules on chest computerized tomography (CT). Nevertheless, the malignant potential of these nodules is often difficult to detect, especially for some smaller pulmonary nodules on LDCT images. Recent advances using the state-of-art computer-aided detection (CAD) system have attempted to address this problem by identifying small nodules that can be easily missed during clinical practice. CAD is used in two reading modes: Concurrentreader (CR) mode or second-reader (SR) mode. In this study, we prospectively evaluated the efficiency of a CAD system's SR and CR modes in detecting pulmonary nodules on LDCT. We found that the SR mode improves pulmonary nodule detection regardless of the dose and experience level, especially for interns in the low-dose setting. The CR mode maintains the sensitivity of SR mode while significantly decreasing reading times.

在C-3D卷积神经网络模型基础上,提出了一种三维可变形卷积神经网络以实现肺结节的检测。在模型的主体结构上,采用了三维可变形卷积和三维可变形池化的操作,解决了传统的方块卷积与池化在应对不规则的肺结节时,无法高效率地收集到肺结节像素点的问题。在模型的输入上,通过调整三维卷积神经网络的输入,实现了卷积神经网络对样本图片的32×32×32像素逐步扫描和识别,在扫描识别的同时进行定位,解决了肺结节定位问题。在模型的输出上,借鉴了全卷积神经网络的思想,将C-3D网络的第一层全连接层改为卷积层,解决训练时内存会溢出的问题。在模型参数上,提出了三种不同学习率和三种优化函数进行精确的实验对比,绘制了不同学习率和优化函数的参数对比图,根据实验结果找到最优的卷积神经网络模型学习率和优化函数参数。对实验结果的分析表明,该方法在受试者工作曲线下面积、分类准确率、召回率、F1值均取得了显著的提高。