16、基于多尺度深度卷积神经网络的肺气肿分类与量化

基于多尺度深度卷积神经网络的肺气肿分类与量化

1. 引言

肺气肿是慢性阻塞性肺疾病（COPD）的主要组成部分，是全球发病率和死亡率的主要原因之一。它会导致肺泡过度扩张，引起呼吸急促。一般来说，肺气肿在尸检中可分为三种主要亚型：小叶中心型肺气肿（CLE）、间隔旁型肺气肿（PSE）和全小叶型肺气肿（PLE），它们具有不同的病理生理意义。例如，CLE通常与吸烟有关，PSE通常与明显症状或生理损伤无关，PLE通常与α1 - 抗胰蛋白酶缺乏症（AATD）有关。因此，肺气肿的分类和量化非常重要。

计算机断层扫描（CT）目前被认为是检测肺气肿、确定其亚型和评估其严重程度的最准确的成像技术。在CT中，肺气肿的亚型具有明显的放射学表现。

1.1 现有研究方法

对CT图像中肺气肿的分类研究可分为无监督和有监督方法：
- 无监督方法 ：旨在发现超出尸检中确定的标准亚型的新肺气肿亚型。例如，Binder等人建立了一个生成模型，用于发现肺气肿内的疾病亚型和患者群；Song等人使用潜在狄利克雷分配模型的变体，以无监督的方式从编码肺气肿区域的肺部区域发现肺部宏观模式。
- 有监督方法 ：侧重于对尸检中确定的标准肺气肿亚型进行分类。常见的表征肺气肿模式的方法包括基于局部强度分布（如自适应强度直方图和核密度估计）和使用纹理分析技术描述肺气肿的形态。近年来，一些研究采用了学习方案来提取特征，如基于纹理元的方法和稀疏表示模型。

1.2 深度学习在肺部疾病分类中的应用

深度学习技术在肺部疾病分类中显示出了潜力。例如，在著名的肺结节分析（LUNA16）挑战中，