طراحی یک معماری کانولوشنی مبتنی بر توجه وزنی برای تشخیص دقیق ضایعات سرطان ریه در تصاویر رادیوگرافی دیجیتال

تشخیص زودهنگام ضایعات سرطان ریه در تصاویر رادیوگرافی دیجیتال به دلیل ناهمگنی مقیاس فضایی ضایعات، کنتراست پایین ندول های کوچک و هم پوشانی ساختارهای آناتومیکی با چالش های جدی مواجه است. معماری های تک مسیره عمیق در استخراج هم زمان ویژگی های چندمقیاسه با محدودیت روبه رو هستند و مدل های چندمسیره موجود نیز غالبا فاقد سازوکار وزن دهی تطبیقی برای اولویت بندی ویژگی های تشخیصی می باشند. در این پژوهش، معماری کانولوشنی چندمسیره مبتنی بر توجه وزنی با عنوان WA-MPCNet پیشنهاد می شود که با جداسازی استخراج ویژگی چندمقیاسه از فرآیند بازکالیبراسیون تطبیقی کانال ها، تمرکز مدل بر الگوهای پاتولوژیک معنادار را تقویت می کند. چارچوب پیشنهادی شامل سه مسیر کانولوشنی با میدان دید مستقل و یک ماژول توجه کانال محور برای تنظیم سهم هر مسیر در تصمیم گیری نهایی است. مدل بر روی زیرمجموعه ای متوازن شامل ۱۴٬۰۰۰ تصویر از پایگاه داده NIH ChestX-ray۱۴ آموزش داده شد و به صورت بیمارمحور به مجموعه های آموزش، اعتبارسنجی و آزمون داخلی تقسیم گردید. نتایج آزمون داخلی نشان داد WA-MPCNet به دقت ۹۶. ۸٪، حساسیت ۹۴. ۷٪، ویژگی ۹۷. ۹٪ و AUC برابر با ۰. ۹۸ دست می یابد که نسبت به بهترین معماری پایه بیش از ۲٪ بهبود در دقت و ۳٪ در حساسیت نشان می دهد. همچنین ارزیابی خارجی بر روی مجموعه مستقل JSRT بیانگر حفظ پایداری عملکرد (۰. ۹۶. AUC=) و تعمیم پذیری مناسب مدل در مواجهه با توزیع داده متفاوت است. یافته ها نشان می دهد ترکیب استخراج چندمقیاسه و بازکالیبراسیون تطبیقی کانال ها می تواند چارچوبی کارآمد، پایدار و قابل اعتماد برای سامانه های کمک تشخیصی در غربالگری سرطان ریه فراهم سازد.

کلیدواژه ها:

معماری کانولوشنی ، ضایعات سرطان ریه ، تصاویر رادیوگرافی دیجیتال