基于 ERBNet 的低剂量 CT 图像肺结节自动分类：一种深度学习集成学习方法的意义探寻

《Medical & Biological Engineering & Computing》：Automated pulmonary nodule classification from low-dose CT images using ERBNet: an ensemble learning approach

为解决低剂量 CT（LDCT）图像噪声大、质量不一影响肺结节诊断准确性及专家分类耗时等问题，研究人员开展了用深度学习方法分析不同剂量和质量 CT 图像分类肺结节的研究。结果显示，专用低剂量模型准确性大幅提升，集成模型在多剂量水平测试中准确率达 95.0% ，为肺结节诊断提供新途径。

　　在医学影像领域，肺癌的早期诊断一直是关键且具有挑战性的任务。低剂量 CT（LDCT）作为肺癌早期筛查的重要手段，因其辐射剂量低、成本低而备受青睐。然而，LDCT 图像存在噪声大、质量不稳定等问题，严重影响了肺结节的诊断准确性。一方面，降低辐射剂量虽然保护了患者，但会导致图像噪声增加，一些微小的肺结节可能被噪声掩盖，医生难以准确判断；另一方面，不同的扫描设备、成像协议和医疗中心之间，LDCT 图像质量差异较大，这使得统一的图像分析和诊断变得困难。此外，传统的肺结节分类方法依赖专家人工判断，不仅耗时费力，还容易受到专家经验和主观因素的影响。因此，开发一种能够有效处理低质量 LDCT 图像、准确分类肺结节的方法迫在眉睫。

为了解决这些问题，来自伊朗沙希德?贝赫什提大学（Shahid Beheshti University）等机构的研究人员开展了深入研究。他们利用 Lung Nodule Analysis 2016（LUNA16）数据集以及从德黑兰 Khatam 的 PET/CT 中心收集的外部数据集，致力于开发一种基于深度学习的方法，能够准确地将肺病变分类为结节和非结节。研究成果发表在《Medical & Biological Engineering & Computing》杂志上。

研究人员在这项研究中运用了多种关键技术方法。首先，从 LUNA16 数据集和外部数据集中获取大量临床 CT 图像，并进行预处理，包括重采样、归一化以及裁剪等操作，以消除背景干扰。接着，依据 Beer-Lambert 定律，通过模拟技术生成不同剂量（10%、20%、40%、60%）的 LDCT 图像。然后，构建了一种名为重复块网络（RBNet）的 3D 卷积神经网络，还训练了全剂量模型、不同低剂量模型以及集成模型（ERBNet），通过加权平均的方式组合不同剂量水平训练的模型预测结果。

研究结果如下：

• 不同模型在全剂量数据上的性能：对不同分类器在全剂量数据上的性能分析表明，RBNet 在准确性和敏感性方面表现卓越。在全剂量 CT 图像上进行评估时，全剂量模型的准确性达到 97.0% ，但在低剂量图像上表现不佳。
• 低剂量模型的性能：当模型使用相同的低剂量图像进行训练和评估时，病变分类性能显著提高。例如，针对 10%、20%、40%、60% 全剂量的低剂量模型，其肺结节分类准确率分别达到 90.0%、91.1%、92.7%、93.8% 。随着低剂量图像从 100% 降至 10% ，深度学习模型的准确率逐渐下降，降幅近 7%。
• 集成模型（ERBNet）的性能：ERBNet 模型在不同剂量水平的 CT 图像组合测试中，准确率达到 95.0% ，精确率为 94.5% ，敏感性为 95.5% ，特异性为 86.0% ，F1 分数为 94.9% ，曲线下面积（AUC）为 98.1%。在内部外部数据集上评估集成模型后，获得了 85.8% 的准确率、83.0% 的精确率、90.0% 的敏感性、81.6% 的特异性、86.4% 的 F1 分数和 85.4% 的 AUC。

在研究结论和讨论部分，研究表明增加的噪声水平限制了低剂量成像中病变分类模型的性能，低剂量图像从 60% 降至 10% 时，敏感性从 95.7% 降至 91.0%。与其他先进方法相比，该研究中基于常规 LDCT 训练的模型性能相当，且对噪声具有一定的鲁棒性。集成模型 ERBNet 展现出了强大的性能，能够准确地对不同剂量水平的 LDCT 图像中的病变进行分类，为医学影像诊断提供了可靠的工具。然而，研究也存在一些局限性，如合适的 LDCT 图像数量有限、缺乏真实低剂量图像、数据集缺少慢性阻塞性肺疾病（COPD）等相关注释。

总的来说，这项研究具有重要意义。它提出的基于卷积网络的算法（RBNet）能够有效区分标准和低剂量 CT 图像中的结节和非结节。专用低剂量模型的开发显著提高了肺结节分类的准确性，集成模型的应用则展示了处理非均匀数据的优势。这一研究成果为利用超低剂量 CT 图像提供了有前景的方向，有望成为放射科医生的得力助手，帮助他们更准确地评估不同质量的 CT 图像，提高肺癌早期诊断的准确性，为患者的治疗争取宝贵时间。