骞爱荣教授团队在利用深度学习技术处理肺结核DR影像医学图像取得重要进展

近日，西北工业大学生命学院骞爱荣教授研究团队在利用深度学习技术实现DR影像肺结核的精准检测研究中取得了重要的成果。团队应用深度学习技术实现了肺结核DR影像的数据增强和肺结核病变的精准检测，为医学图像的辅助诊断提供了一套新方法。相关研究成果发表在医学影像领域高水平学术期刊IEEE Transactions on Medical Imaging（TMI）（SCI一区TOP，IF：8.9）上。

总体框架

肺结核（PTB）是世界上传染性最强的疾病之一，早期发现肺结核对预防肺结核至关重要。然而，由于 DR 胸部 X 光片上的表型种类繁多且特异性较弱，放射科医生很难做出可靠的诊断。虽然人工智能技术在辅助诊断肺结核方面取得了很大进展，但它缺乏识别肺结核病变的方法，而且很难识别小样本类别和小目标病变。本研究中，一方面，基于扩散生成式模型有效实现了肺结核小样本病变类别的数据增强；另一方面，基于一阶段的检测器RetinaNet的架构，并通过对加权双向特征金字塔网络和小目标注意力模块SPD-Conv的优化，构建了一个肺结核多病变检测模型PtbNet。

数据分析

结果显示，DR影像的数量从 570个增加到 2859个，整体增加了80%，其中，6 种小样本类别的 AP 平均提高了9.9。在小样本和非小样本类别的统一性测试中，PtbNet 的 AP 达到了 28.2，超过了其他 9 种先进的方法。另外，消融研究结果显示，优化后的两种模块帮助PtbNet在整体性AP上提高了2.1，小目标病变的AP提高了5.0，同时，中等目标和大型目标的AP平均提高了9.8。PtbNet不仅提高了肺结核小目标病变的检测能力，而且还提高了对不同类型病变目标的综合性检测能力。

推理测试可视化

特征激活图（消融研究）

西北工业大学研究生杨文辉为论文第一作者，骞爱荣教授为通讯作者、张文娟副教授为共同通讯作者。