摘要
不同类型卷积神经网络（CNNs）已被应用于从计算机断层扫描（CT）图像中检测肺癌结节。然而，结节的大小非常多样，范围可以从3毫米到30毫米不等。结节尺寸的高度变化使得对其分类成为一项困难且具有挑战性的任务。在本研究中，我们提出了一种新的CNN架构，称为门控扩张（Gated-Dilated, GD）网络，用于将结节分类为恶性或良性。与以往的研究不同，GD网络使用多个扩张卷积而非最大池化来捕捉尺度变化。此外，GD网络包含一个上下文感知子网络，该子网络分析输入特征并引导这些特征进入合适的扩张卷积。我们在LIDC-LDRI数据集的1,000多张CT扫描图像上评估了所提出的网络。我们的GD网络在AUC值方面超过了包括多裁剪（Multi-Crop）、ResNet和DenseNet在内的最先进基线模型，AUC值超过0.95。与基线模型相比，GD网络提高了中等尺寸结节的分类准确性。此外，我们观察到结节大小与上下文感知子网络生成的注意力信号之间存在关系，这验证了我们新提出的网络架构的有效性。