Lungen-Tuberkulose-Computertomographie (CT)-Bilder weisen Probleme wie Rauschstörungen, schwache Läsionsmerkmale und unzureichende Nutzung dreidimensionaler Rauminformationen auf, die die Klassifizierungsleistung beeinträchtigen. Zur Lösung dieser Probleme wird eine dreiklassige Lungen-Tuberkulose-CT-Klassifizierungsmethode vorgeschlagen, die Bildverbesserung und multidimensionales Feature-Learning kombiniert. Diese Methode verwendet eine gemeinsame Vorverarbeitungsstrategie aus mehrskaliger anisotroper Diffusionsverstärkung in acht Richtungen und progressiver Noise2Fast (N2F)-Rauschunterdrückung, um die Sichtbarkeit der Läsionstextur zu verbessern; anschließend wird ein leichtgewichtiges Parallel Representation with Iterative Spatial Multi-view Fusion Network (PRISM-Net) aufgebaut, das durch die iterative Multi-View-Fusionsstrategie (IMVF) komplementäre Informationen aus verschiedenen räumlichen Richtungen extrahiert und ein multidimensionales Aufmerksamkeitsmodul (MDAM) zur Verbesserung der dreidimensionalen Merkmalsdarstellung einführt. Die Methode wurde an einem unabhängigen Testdatensatz von 150 Fällen validiert, erreichte eine Genauigkeit von 94,68 %, einen gewichteten F1-Wert von 94,63 % und AUC-Werte von 1,0000, 0,9926 und 0,9923 für die Klassen normale, aktive und inaktive Tuberkulose und übertraf Modelle wie MambaOut-Kobe, MobileNetV3, MedVit und ResNet50.

Tuberkulose-Klassifikation; Bildverbesserung; Multi-View-Fusion; multidimensionaler Aufmerksamkeitsmechanismus; 3D-CNN