临床放射学杂志

作者：贺晓松, 胡川丽, 赵江

单位：400056 重庆工程学院 大数据与人工智能学院贺晓松; 400037 重庆,陆军军医大学第二附属医院麻醉科胡川丽; 泌尿科赵江

关键词：肺癌检测,深度学习,注意力机制,非小细胞肺癌

<b>目的</b> 为实现高效和准确地使用基于胸部CT影像的非小细胞肺癌检测,而提出一种基于EfficientNetB0-CBAM模型的深度学习算法。<b>方法</b> 搜集包含4种类型的1000张CT影像,构建肺癌图像分类数据集。选择EfficientNetB0作为基础分类模型,将CBAM注意力模块集成到EfficientNetB0中构建EfficientNetB0-CBAM模型,增强重要特征并抑制无效特征,同时使用批归一化和随机失活模块加速网络的训练并减轻过拟合程度。以准确率、精准率、召回率、F1-Score作为性能评估指标,在测试集上测试模型性能,并与其他SOTA模型(VGG16、ResNet50、MobileNet、DenseNet121、ConvNeXtTiny)进行比较。<b>结果</b> EfficientNetB0-CBAM模型实现了95.56%的准确率、95.49%的精准率、96.13%的召回率和95.74%的F1-Score,高于对比实验中使用的其他深度学习方法。使用Grad-CAM可视化方法表明EfficientNetB0-CBAM模型可以更多地关注和识别起关键作用的病灶区域。<b>结论</b> 本研究为深度学习技术在非小细胞肺癌检测的自动识别检测提供技术支撑,为肺癌的早期诊断提供依据。

来源：2025年第2期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第2期