基于多视角注意力融合的肺结核影像分类

闫小丽; 张蔚; 刘庭亭; 马超; 徐延忠; 何志琴

doi:10.3724/CJLCD.2026-0148

您当前的位置：

首页 >

文章列表页 >

基于多视角注意力融合的肺结核影像分类

图像处理 | 更新时间：2026-10-16

- 基于多视角注意力融合的肺结核影像分类
- Classification of pulmonary tuberculosis images based on multi-view attention fusion
- 液晶与显示 2026年41卷第9期页码：1339-1351
- 作者机构：
  
  1.贵州大学电气工程学院，贵州贵阳 550025
  2.贵阳市公共卫生救治中心，贵州贵阳 550000
  3.贵阳市花溪区人民医院，贵州贵阳 550025
- 作者简介：
  
  闫小丽，女，硕士研究生，2025年于河南工程学院获得学士学位，主要从事医学影像处理方面的研究。E-mail： gs.xlyan25@gzu.edu.cn
  何志琴，女，硕士，教授，2005年于贵州大学获得硕士学位，主要从事人工智能、机器人控制以及医学影像诊断方面的研究。E-mail： zqhe@gzu.edu.cn
- 基金信息：
  
  贵州省科学技术基金（黔科合支撑［2023］一般096）
- DOI：10.3724/CJLCD.2026-0148
  中图分类号： TP391.41;R521
- CSTR：32172.14.CJLCD.2026-0148
- 收稿：2026-08-02，
  
  修回：2026-08-19，
  
  纸质出版：2026-09-05
- 稿件说明：
移动端阅览
闫小丽, 张蔚, 刘庭亭, 等. 基于多视角注意力融合的肺结核影像分类[J]. 液晶与显示, 2026,41(9):1339-1351.

YAN Xiaoli, ZHANG Wei, LIU Tingting, et al. Classification of pulmonary tuberculosis images based on multi-view attention fusion[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(9): 1339-1351.
闫小丽, 张蔚, 刘庭亭, 等. 基于多视角注意力融合的肺结核影像分类[J]. 液晶与显示, 2026,41(9):1339-1351. DOI： 10.3724/CJLCD.2026-0148. CSTR： 32172.14.CJLCD.2026-0148.

YAN Xiaoli, ZHANG Wei, LIU Tingting, et al. Classification of pulmonary tuberculosis images based on multi-view attention fusion[J]. Chinese Journal of Liquid Crystals and Displays, 2026, 41(9): 1339-1351. DOI： 10.3724/CJLCD.2026-0148. CSTR： 32172.14.CJLCD.2026-0148.

摘要

肺结核计算机断层扫描（Computed Tomography， CT）影像存在噪声干扰、病灶特征弱及三维空间信息利用不足等问题，影响分类性能。针对上述问题，本文提出一种融合图像增强与多维特征学习的肺结核CT三分类方法。该方法采用多尺度八方向各向异性扩散增强与渐进式N2F（Noise2Fast）去噪联合预处理策略，提高病灶纹理可见性；随后构建轻量化PRISM-Net（Parallel Representation with Iterative Spatial Multi-view Fusion Network），通过迭代式多视角融合策略（IMVF）挖掘不同空间方向的互补信息，并引入多维注意力模块（MDAM）增强三维特征表达能力。在150例独立测试集上进行验证，所提方法精确率达到94.68%，加权F1值达到94.63%，正常、活动性及非活动性肺结核类别AUC分别达到1.000 0、0.992 6和0.992 3，性能优于MambaOut-Kobe、MobileNetV3、MedVit及ResNet50等模型。

Abstract

Computed Tomography（CT） images of pulmonary tuberculosis suffer from issues including noise interference， weak lesion features， and insufficient utilization of three-dimensional spatial information， which impair classification performance. To address these problems， this paper proposes a three-class classification method for pulmonary tuberculosis CT images that integrates image enhancement and multi-dimensional feature learning. This method adopts a joint preprocessing strategy combining multi-scale eight-direction anisotropic diffusion enhancement and progressive N2F （Noise2Fast） denoising， which improves the visibility of lesion textures. Subsequently， a lightweight Parallel Representation with PRISM-Net（Iterative Spatial Multi-view Fusion Network） is constructed. The network utilizes an Iterative Multi-view Fusion（IMVF） strategy to extract complementary information from different spatial orientations， and introduces a MDAM （Multi-Dimensional Attention Module） to enhance the expression capability of three-dimensional features. Validated on an independent test set comprising 150 cases， the proposed method achieves a precision of 94.68% and a weighted F1-score of 94.63%. The AUC （Area Under the Curve） for normal samples， active pulmonary tuberculosis， and inactive pulmonary tuberculosis reaches 1.000 0， 0.992 6， and 0.992 3 respectively， outperforming benchmark models including MambaOut-Kobe， MobileNetV3， MedVit and ResNet50.

关键词

Keywords

references

World Health Organization . Global tuberculosis report 2023 ［R］. Geneva ： World Health Organization ， 2023 .

NIJIATI M ， GUO L ， ABULIZI A ， et al . Deep learning and radiomics of longitudinal CT scans for early prediction of tuberculosis treatment outcomes ［J］. European Journal of Radiology ， 2023 ， 169 ： 111180 . doi: 10.1016/j.ejrad.2023.111180 http://dx.doi.org/10.1016/j.ejrad.2023.111180

马依迪丽·尼加提，米日古丽·达毛拉，张斌，等 . 基于CT深度学习的活动性/非活动性肺结核分类模型构建及验证［J］. 暨南大学学报（自然科学与医学版）， 2023 ， 44 （ 1 ）： 69 - 77，86 .

NIJIATI·MAYIDILI ， DAMAOLA·MIRIGULI ， ZHANG B ， et al . Establishment and verification of active/non-active tuberculosis classification model based on CT deep learning ［J］. Journal of Jinan University （Natural Science & Medicine Edition）， 2023 ， 44 （ 1 ）： 69 - 77， 86 . （in Chinese）

WU N F ， SUN Y X ， HU J T ， et al . Intelligent nanophotonics： when machine learning sheds light ［J］. eLight ， 2025 ， 5 （ 1 ）： 5 . doi: 10.1186/s43593-025-00085-x http://dx.doi.org/10.1186/s43593-025-00085-x

万丙辰，张选德 . 基于元学习和失真感知的图像质量评价［J］. 液晶与显示， 2024 ， 39 （ 11 ）： 1519 - 1531 . doi: 10.37188/cjlcd.2024-0141 http://dx.doi.org/10.37188/cjlcd.2024-0141

WAN B C ， ZHANG X D . Image quality assessment based on meta-learning and distortion perception ［J］. Chinese Journal of Liquid Crystals and Displays ， 2024 ， 39 （ 11 ）： 1519 - 1531 . （in Chinese） . doi: 10.37188/cjlcd.2024-0141 http://dx.doi.org/10.37188/cjlcd.2024-0141

CHENG S Y ， CHANG S B ， LI Y Z ， et al . Enhanced multiscale human brain imaging by semi-supervised digital staining and serial sectioning optical coherence tomography ［J］. Light： Science & Applications ， 2025 ， 14 （ 1 ）： 57 . doi: 10.1038/s41377-024-01658-0 http://dx.doi.org/10.1038/s41377-024-01658-0

ZHANG Z L ， KONG L Y ， ZHANG L H Y ， et al . Structured light meets machine intelligence ［J］. eLight ， 2025 ， 5 （ 1 ）： 26 . doi: 10.1186/s43593-025-00102-z http://dx.doi.org/10.1186/s43593-025-00102-z

梁礼明，朱晨锟，阳渊，等 . 跨级特征自适应融合的暗光图像增强算法［J］. 液晶与显示， 2024 ， 39 （ 6 ）： 856 - 866 . doi: 10.37188/cjlcd.2023-0210 http://dx.doi.org/10.37188/cjlcd.2023-0210

LIANG L M ， ZHU C K ， YANG Y ， et al . Cross-level feature adaptive fusion network for low-light image enhancement ［J］. Chinese Journal of Liquid Crystals and Displays ， 2024 ， 39 （ 6 ）： 856 - 866 . （in Chinese） . doi: 10.37188/cjlcd.2023-0210 http://dx.doi.org/10.37188/cjlcd.2023-0210

KAMATH V ， BHAT V G ， RAJU G ， et al . Application of fluorescence lifetime imaging-integrated deep learning analysis for cancer research ［J］. Light： Advanced Manufacturing ， 2025 ， 6 （ 3 ）： 522 - 545 . doi: 10.37188/lam.2025.049 http://dx.doi.org/10.37188/lam.2025.049

ESTEVA A ， CHOU K ， YEUNG S ， et al . Deep learning-enabled medical computer vision ［J］. npj Digital Medicine ， 2021 ， 4 （ 1 ）： 5 .

ARDILA D ， KIRALY A P ， BHARADWAJ S ， et al . End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography ［J］ . Nature Medicine ， 2019 ， 25 （ 6 ）： 954 - 961 . doi: 10.1038/s41591-019-0447-x http://dx.doi.org/10.1038/s41591-019-0447-x

SIDDIQUI E A ， CHAURASIA V ， SHANDILYA M . Classification of lung cancer computed tomography images using a 3-dimensional deep convolutional neural network with multi-layer filter ［J］. Journal of Cancer Research and Clinical Oncology ， 2023 ， 149 （ 13 ）： 11279 - 11294 .

YADAV V K ， SINGHAI J . Adaptive gamma correction for automatic contrast enhancement of chest-X-ray images affected by various lung diseases ［J］. Multimedia Tools and Applications ， 2024 ， 83 （ 29 ）： 73457 - 73475 . doi: 10.1007/s11042-023-18083-x http://dx.doi.org/10.1007/s11042-023-18083-x

YANG S H ， PU Q ， LEI C T ， et al . Low-dose CT denoising with a high-level feature refinement and dynamic convolution network ［J］. Medical Physics ， 2023 ， 50 （ 6 ）： 3597 - 3611 . doi: 10.1002/mp.16175 http://dx.doi.org/10.1002/mp.16175

FU M H ， DUAN Y H ， CHENG Z P ， et al . Total-body low-dose CT image denoising using a prior knowledge transfer technique with a contrastive regularization mechanism ［J］. Medical Physics ， 2023 ， 50 （ 5 ）： 2971 - 2984 . doi: 10.1002/mp.16163 http://dx.doi.org/10.1002/mp.16163

LI Z Y ， LIU Y ， CHEN Y ， et al . Dual-domain fusion deep convolutional neural network for low-dose CT denoising ［J］. Journal of X-Ray Science and Technology ， 2023 ， 31 （ 4 ）： 757 - 775 . doi: 10.3233/xst-230020 http://dx.doi.org/10.3233/xst-230020

LI H ， NAN Y ， DEL SER J ， et al . Large-kernel attention for 3D medical image segmentation ［J］. Cognitive Computation ， 2024 ， 16 （ 4 ）： 2063 - 2077 .

PERONA P ， MALIK J . Scale-space and edge detection using anisotropic diffusion ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 1990 ， 12 （ 7 ）： 629 - 639 . doi: 10.1109/34.56205 http://dx.doi.org/10.1109/34.56205

CHEN H ， ZHANG Y ， KALRA M K ， et al . Low-dose CT with a residual encoder-decoder convolutional neural network ［J］. IEEE Transactions on Medical Imaging ， 2017 ， 36 （ 12 ）： 2524 - 2535 . doi: 10.1109/tmi.2017.2715284 http://dx.doi.org/10.1109/tmi.2017.2715284

张建强，何秋生 . 上下文感知的低光图像增强算法［J］. 液晶与显示， 2025 ， 40 （ 5 ）： 751 - 760 . doi: 10.37188/cjlcd.2024-0277 http://dx.doi.org/10.37188/cjlcd.2024-0277

ZHANG J Q ， HE Q S . Context aware low-light image enhancement algorithm ［J］. Chinese Journal of Liquid Crystals and Displays ， 2025 ， 40 （ 5 ）： 751 - 760 . （in Chinese） . doi: 10.37188/cjlcd.2024-0277 http://dx.doi.org/10.37188/cjlcd.2024-0277

LEQUYER J ， PHILIP R ， SHARMA A ， et al . A fast blind zero-shot denoiser ［J］. Nature Machine Intelligence ， 2022 ， 4 （ 11 ）： 953 - 963 . doi: 10.1038/s42256-022-00547-8 http://dx.doi.org/10.1038/s42256-022-00547-8

HUANG Z ， LI Y ， WANG Y ， et al . Lightweight three-dimensional convolutional neural network for medical image classification ［J］. IEEE Journal of Biomedical and Health Informatics ， 2023 ， 27 （ 8 ）： 3955 - 3966 .

周涛，程倩茹，张祥祥，等 . 基于DCIF-GAN的肺部肿瘤PET/CT跨模态医学图像融合［J］. 光学精密工程， 2024 ， 32 （ 2 ）： 221 - 236 . doi: 10.37188/ope.20243202.0221 http://dx.doi.org/10.37188/ope.20243202.0221

ZHOU T ， CHENG Q R ， ZHANG X X ， et al . PET/CT cross-modal medical image fusion of lung tumors based on DCIF-GAN ［J］. Optics and Precision Engineering ， 2024 ， 32 （ 2 ）： 221 - 236 . （in Chinese） . doi: 10.37188/ope.20243202.0221 http://dx.doi.org/10.37188/ope.20243202.0221

邸敬，郭文庆，任莉，等 . 基于结构功能交叉神经网络的多模态医学图像融合［J］. 光学精密工程， 2024 ， 32 （ 2 ）： 252 - 267 . doi: 10.37188/ope.20243202.0252 http://dx.doi.org/10.37188/ope.20243202.0252

DI J ， GUO W Q ， REN L ， et al . Multimodal medical image fusion method based on structural functional cross neural network ［J］. Optics and Precision Engineering ， 2024 ， 32 （ 2 ）： 252 - 267 . （in Chinese） . doi: 10.37188/ope.20243202.0252 http://dx.doi.org/10.37188/ope.20243202.0252

WOO S ， PARK J ， LEE J Y ， et al . CBAM： convolutional block attention module ［C］// Proceedings of the 15th European Conference on Computer Vision . Munich ： Springer ， 2018 ： 3 - 19 . doi: 10.1007/978-3-030-01234-2_1 http://dx.doi.org/10.1007/978-3-030-01234-2_1

闫纲琦，梁宗林，宋延嵩，等 . 基于注意力残差网络的快照式多光谱相机图像重构［J］. 中国光学（中英文）， 2024 ， 17 （ 6 ）： 1316 - 1328 . doi: 10.37188/co.2023-0196 http://dx.doi.org/10.37188/co.2023-0196

YAN G Q ， LIANG Z L ， SONG Y S ， et al . Image reconstruction of snapshot multispectral camera based on an attention residual network ［J］. Chinese Optics ， 2024 ， 17 （ 6 ）： 1316 - 1328 . （in Chinese） . doi: 10.37188/co.2023-0196 http://dx.doi.org/10.37188/co.2023-0196

邸敬，梁婵，刘冀钊，等 . 基于跨域交互注意力和对比学习引导的红外与可见光图像融合［J］. 中国光学（中英文）， 2025 ， 18 （ 2 ）： 317 - 332 . doi: 10.37188/co.2024-0147 http://dx.doi.org/10.37188/co.2024-0147

DI J ， LIANG C ， LIU J Z ， et al . Infrared and visible image fusion guided by cross-domain interactive attention and contrastive learning ［J］. Chinese Optics ， 2025 ， 18 （ 2 ）： 317 - 332 . （in Chinese） . doi: 10.37188/co.2024-0147 http://dx.doi.org/10.37188/co.2024-0147

朱新军，赵浩淼，王红一，等 . 基于轻型自限制注意力的结构光相位及深度估计混合网络［J］. 中国光学（中英文）， 2024 ， 17 （ 1 ）： 118 - 127 . doi: 10.37188/co.2023-0066 http://dx.doi.org/10.37188/co.2023-0066

ZHU X J ， ZHAO H M ， WANG H Y ， et al . A hybrid network based on light self-limited attention for structured light phase and depth estimation ［J］. Chinese Optics ， 2024 ， 17 （ 1 ）： 118 - 127 . （in Chinese） . doi: 10.37188/co.2023-0066 http://dx.doi.org/10.37188/co.2023-0066

HENDRIX W ， HENDRIX N ， SCHOLTEN E T ， et al . Deep learning for the detection of benign and malignant pulmonary nodules in non-screening chest CT scans ［J］. Communications Medicine ， 2023 ， 3 （ 1 ）： 156 . doi: 10.1038/s43856-023-00388-5 http://dx.doi.org/10.1038/s43856-023-00388-5

MAFTOUNI M ， LAW A C C ， SHEN B . A robust ensemble-deep learning model for COVID-19 diagnosis based on an integrated CT scan images database ［C］// Proceedings of the IISE Annual Conference and Expo 2021 . Online ： IISE ， 2021 ： 632 - 637 .

JENSSEN H B ， SAKINIS T . MedSeg COVID dataset 1 ［DB/OL］. （ 2021-01-05 ）. https：//doi.org/10.6084/m9.figshare.13521488 https://doi.org/10.6084/m9.figshare.13521488 .

上官泓廷，刘玉红 . 医学图像增强方法综述［J］. 中国医学物理学杂志， 2023 ， 40 （ 4 ）： 410 - 415 .

SHANGGUAN H T ， LIU Y H . A review of medical image enhancement methods ［J］. Chinese Journal of Medical Physics ， 2023 ， 40 （ 4 ）： 410 - 415 . （in Chinese）

LIUFU Y L ， SU R H ， WEN Y H ， et al . A CT-based deep learning approach to differentiate multiple primary lung cancers， metastases， and benign nodules ［J］. BMC Cancer ， 2026 ， 26 （ 1 ）： 177 . doi: 10.1186/s12885-025-15501-1 http://dx.doi.org/10.1186/s12885-025-15501-1

HOWARD A ， SANDLER M ， CHEN B ， et al . Searching for MobileNetV3 ［C］// Proceedings of 2019 IEEE/CVF International Conference on Computer Vision . Seoul ： IEEE ， 2019 ： 1314 - 1324 . doi: 10.1109/iccv.2019.00140 http://dx.doi.org/10.1109/iccv.2019.00140

MANZARI O N ， AHMADABADI H ， KASHIANI H ， et al . MedViT： a robust vision transformer for generalized medical image classification ［J］. Computers in Biology and Medicine ， 2023 ， 157 ： 106791 . doi: 10.1016/j.compbiomed.2023.106791 http://dx.doi.org/10.1016/j.compbiomed.2023.106791

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas ： IEEE ， 2016 ： 770 - 778 . doi: 10.1109/cvpr.2016.90 http://dx.doi.org/10.1109/cvpr.2016.90

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于高斯径向基函数的非饱和随机共振低照度图像增强

基于全局双组注意力的红外与可见光图像融合

基于改进颜色线模型的水下图像增强算法

基于Lab色彩空间的沙尘降质图像增强方法

喷墨打印液晶配向膜厚度的TOF-SIMS深度分析方法