一种融合肺炎影像特征的肺结核病灶检测迁移网络

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。