基于双模态深度自编码的孤立性肺结节诊断方法

孤立性肺结节（Solitary Pulmonary Nodule, SPN）指的是在肺部X线或CT影像中见到的直径不超过3cm的圆形或椭圆形、与周围组织分界清楚的、无症状的实质性或空洞性病灶，通常不伴有肺不张、肺门淋巴结肿大或胸腔积液。孤立性肺结节可能是良性的，也可能是恶性的早期表现。研究发现，早期肺癌的五年存活率可达60%，而晚期肺癌的五年存活率仅有4%。因此，对肺结节进行早期准确的诊断具有重要意义。 随着深度学习技术的发展，其在医学影像诊断领域，尤其是肺癌诊断方面得到了广泛应用。CT图像因其高分辨率和清晰的组织结构细节成为肺癌诊断中最重要的影像来源。然而，由于CT图像的单一模态限制，其在肺结节良恶性判断方面的诊断率仍有提升空间。PET（Positron Emission Tomography，正电子发射断层扫描）是一种功能成像方式，可以通过提供组织代谢水平的信息与CT图像互补，增加诊断信息的维度。 本文提出的基于双模态深度自编码的孤立性肺结节诊断方法，利用CT图像和PET图像结合深度学习技术，以提高诊断准确率。从肺部CT图像和PET图像中分别提取肺结节区域的特征信息。CT图像能够提供肺结节的形态特征，而PET图像能够提供肺结节的功能代谢特征，两者结合有助于揭示肺结节的更全面特性。 深度自编码网络是一种无监督学习方法，主要用于特征学习和数据降维，通过学习得到数据的高级抽象表示。降噪自编码（Denoising Autoencoder）是深度自编码的一个变种，它通过学习输入数据的稀疏表示以提高网络的鲁棒性，即使在输入数据受到噪声干扰时，仍能重构出有效的输出。这种方法能够帮助网络学习到更为鲁棒的特征表示，增强模型的泛化能力。 提出的方法利用了极限学习机（Extreme Learning Machine, ELM）作为双模态深度降噪自编码网络的基础。ELM是一种单层前馈神经网络，其隐含层的参数被随机赋值，网络仅需调整输出权重。相比于传统神经网络，ELM训练速度更快，且泛化性能好。使用交替堆叠降噪自编码器层来提取肺结节的高层判别特征，再通过融合策略对这些特征进行融合，作为整个诊断框架的输出。 实验结果表明，该方法能够达到92.81%的准确率、91.75%的敏感度和1.58%的特异性。与现有的其他诊断方法相比，该方法在诊断性能上有显著提升，表明其更适合肺结节良/恶性的辅助诊断。这种方法不仅适用于早期肺癌的诊断，还有助于提高肺癌患者的五年存活率，具有重要的临床应用价值和经济意义。 文章还提到了深度学习在医学图像处理中的优势，例如能够自动从数据中学习到复杂的、抽象的特征，避免了传统图像处理中需要人工设计特征的繁琐工作。此外，深度学习方法还能通过大数据训练，获得比传统算法更准确的诊断结果。 基于双模态深度自编码的孤立性肺结节诊断方法通过深度学习技术有效结合了CT和PET图像的特点，利用深度自编码网络进行特征学习，并通过极限学习机算法实现了特征的融合与分类，显著提高了孤立性肺结节的诊断准确率，对于肺癌的早期诊断和治疗具有重要的实际意义。