编辑推荐：
肺癌CT图像多类别分类中提出HBRNN-LCC-CTI框架，通过异构双向RNN捕获时空依赖，结合自适应鸡群优化提升参数调优效率，并采用Difference of Gaussian滤波、Piecewise Fuzzy C-Means分割和Spectral Graph Fractional Fourier Transform特征提取增强诊断效果。实验在LIDC-IDRI数据集上达到99.52%准确率，较现有方法降低计算成本并提高临床泛化能力。
P. Sivaprakash|K. Subhashini|F.H. Shajin|P. Rajesh
印度泰米尔纳德邦金奈Vel Tech Ragarajan Dr. Sagunthala科学与技术研究院计算机科学与工程系
摘要
由于肿瘤形态的异质性、成像噪声以及模型泛化能力的限制，从计算机断层扫描（CT）图像中实现早期且可靠的肺癌分类仍然具有挑战性。为了解决这些问题，本文提出了一种基于优化异构双向循环神经网络（HBRNN-LCC-CTI）的计算机辅助肺癌分类框架。与传统的基于CNN的模型或单阶段深度模型不同，该框架结合了多尺度特征学习与自适应优化，以实现高诊断精度和计算效率。其核心贡献在于HBRNN架构，该架构结合了双向循环层和异构神经单元，以捕捉CT切片中的时空依赖性；同时，自适应鸡群优化（ACSOA）动态调整网络参数，以实现稳定高效的收敛。高斯差分滤波、分段模糊C均值分割和谱图分数傅里叶变换等补充步骤增强了图像清晰度和特征丰富度。在LIDC-IDRI数据集上的实验评估表明，该模型具有卓越的性能，准确率为99.52%，精确率为98.48%，F1分数为99.21%，AUC为0.99，优于最近的深度学习基线模型，且计算成本更低。这些结果突显了HBRNN-LCC-CTI作为临床可部署且计算优化的肺癌早期筛查工具的潜力。
引言
肺癌是全球最常见的恶性肿瘤之一，占癌症相关死亡率的很大比例（Atiya等人，2024年）。尽管在诊断成像和计算方法方面取得了进展，但由于诊断不及时、肿瘤生长异质性强以及成像模式复杂，该疾病仍然构成挑战（Goswami和Singh，2023年）。早期识别肺癌对于降低死亡率并改善临床结果至关重要（Dwivedi等人，2023年）。在现有的成像方式中，临床医生广泛使用CT扫描，因为它们可以提供肺结节和肿瘤形态的详细可视化，比传统X光更有效（Rajasekar等人，2023年）。然而，放射科医生手动解读CT图像耗时且易受主观因素影响，且在检测小型或早期结节方面存在局限性，这凸显了自动化和强大的计算机辅助诊断（CAD）方案的必要性（Sethy等人，2023年；Bishnoi和Goel，2023年；Alshmrani等人，2023年）。
最近基于深度学习（DL）的方法在临床成像中展现了显著潜力。例如，CNN、DenseNet和混合网络被应用于肺癌检测和分类。Barbouchi等人（2023年）使用了经过优化的CNN，Raza等人（2023年）采用了带有Honey Badger优化的金字塔网络，Said等人（2023年）将Cat Mouse优化器集成到CT图像分类中。尽管这些方法提高了检测精度，但存在计算成本高、精度较低、过拟合或在不同数据集上泛化能力不足等问题（Shah和Parveen，2023年）。因此，仍需要改进的方法来平衡精度、计算效率和临床可解释性。然而，许多研究仅关注良性与恶性之间的二分类，对多类分类的研究较少，计算成本通常较高（并且跨数据集或扫描仪类型的泛化能力尚未得到充分探索（Tran等人，2023年；Gao等人，2023年；Wani等人，2024年；Desikar等人，2026年）。
尽管近年来取得了显著进展，但在基于CT的肺癌分类领域仍存在三个关键问题：（1）大多数现有方法仅关注良性与恶性之间的二分类，忽略了具有临床意义的多类情况；（2）最先进的深度学习方法虽然实现了较高的精度，但往往以高计算复杂性和低效率为代价，限制了实时应用；（3）很少采用优化策略来提高学习稳定性、减少误报并改善跨数据集的泛化能力。本研究通过开发一种优化的异构双向循环神经网络（HBRNN-LCC-CTI）来克服这些挑战，该网络结合了高效的预处理、强大的特征提取、多类分类和自适应优化，提供了具有临床意义且计算效率高的解决方案。
为了解决这些挑战，本文提出了一种基于优化异构双向循环神经网络（HBRNN-LCC-CTI）的计算机辅助肺癌分类模型。该方法的创新之处在于将先进的HBRNN技术应用于CT扫描图像的肺癌分类，通过多类分类区分正常、良性和恶性病例，有效捕捉复杂模式和特征。引入的ACSOA优化了HBRNN参数，确保了更高的准确性和可靠性。这种方法显著提高了分类精度，并为肺癌分类提供了稳健、可解释的结构。
本研究的主要贡献包括：
•实现多类分类（正常、良性、恶性肺结节），而不仅仅是二分类，从而提高了临床相关性。
•结合了有效的预处理（噪声过滤）、精确的ROI分割和高级特征提取的流程，旨在减少误报并提高敏感性。
•采用自适应鸡群优化（ACSOA）进行参数优化，以平衡模型性能与计算开销。
•在基准数据集上表现出强大的性能，实现了高准确率（>99%）、高精确率，并大幅减少了计算时间，显示出在实际临床应用中的潜力。
本文的其余部分组织结构如下：第2节介绍了肺癌分类的相关文献；第3节描述了HBRNN-LCC-CTI方法；第4节展示了实验结果；第5节总结了本文的临床影响及未来研究方向。
小节片段
文献综述
最近基于深度学习的肺癌分类研究在图像特征提取、分割和诊断自动化方面取得了显著进展。然而，大多数研究仍需要在精度、计算效率和模型泛化能力之间进行权衡。本节对现有方法及其局限性进行了关键性总结，而不仅仅是描述性列举。
Gopinath等人（2023年）开发了一种经过优化的CNN（CAM-LCC）模型，提高了...
提出的方法
本节描述了HBRNN-LCC-CTI技术。虽然一些现有研究使用3D CNN或基于Transformer的模型进行肺癌体积分类，但这些方法在应用于小型或异构医学数据集时往往存在计算成本高、内存需求大和泛化能力有限的问题。所提出的HBRNN通过将CT切片的序列性质建模为空间-时间序列，使网络能够捕捉...
结果与讨论
本文讨论了HBRNN-LCC-CTI方法的实验结果。该模型的实现使用了配备2TB硬盘、16GB RAM、3.0GHz处理器和2GB NVIDIA Geoforce K+10 GPU的Intel I7 CPU。实现该设计时使用了Tensorflow 1.8和Keras API。Anaconda环境中的所有程序均使用Python 3.8编写。表2展示了HBRNN-LCC-CTI模型中使用的超参数。
结论
本文提出了一种基于计算机断层扫描成像的计算机辅助肺癌分类模型，该模型采用了优化的异构双向循环神经网络（HBRNN-LCC-CTI）。通过集成DOGF进行噪声去除、PFCMC进行精确的ROI分割以及SGFFT进行强大的特征提取，该方法实现了早期和准确的肺癌分类（良性、恶性和正常）。经过ACSOA优化的HBRNN显著优于最先进的方法...
CRediT作者贡献声明
P. Sivaprakash：概念构思、方法论设计。K. Subhashini：监督指导。F.H. Shajin：监督指导。P. Rajesh：监督指导。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
