摘要
在筛查计算机断层扫描（CT）图像中对肺癌进行分类是早期发现该疾病的关键任务之一。如果能够准确地将恶性/癌性肺结节分类，许多生命可以得到挽救。因此，近年来提出了多种基于深度学习的模型来将肺结节分类为恶性或良性。然而，由于结节大小的巨大差异和异质性的外观特征，这项任务变得极其具有挑战性。我们提出了一种新的渐进式增长通道注意力非局部（Progressive Growing Channel Attentive Non-Local, ProCAN）网络用于肺结节分类。所提出的方法从三个方面应对这一挑战。首先，通过增加通道注意力能力丰富了非局部网络。其次，应用了课程学习（Curriculum Learning）原则，即先在简单样本上训练模型，再逐步过渡到复杂样本。第三，在课程学习过程中随着分类任务难度的增加，我们的模型逐渐扩展以增强其处理当前任务的能力。我们在两个不同的公开数据集上测试了所提出的方法，并将其性能与文献中的最先进方法进行了比较。结果表明，ProCAN 模型优于现有最先进方法，在 LIDC-IDRI 数据集上实现了 98.05% 的曲线下面积（AUC）和 95.28% 的准确率。此外，我们还进行了广泛的消融研究，以分析所提出方法中每个新组件的贡献和影响。