Les images de tomodensitométrie (CT) de la tuberculose pulmonaire présentent des problèmes tels que le bruit, des caractéristiques de lésions faibles et une utilisation insuffisante des informations spatiales tridimensionnelles, ce qui affecte les performances de classification. Pour résoudre ces problèmes, une méthode de classification CT de tuberculose pulmonaire à trois classes intégrant le renforcement d'image et l'apprentissage de caractéristiques multidimensionnelles est proposée. Cette méthode utilise une stratégie de prétraitement combinée d'amélioration par diffusion anisotrope multidirectionnelle à huit échelles et d'élimination progressive du bruit Noise2Fast (N2F) pour améliorer la visibilité des textures des lésions ; puis construit un réseau léger Parallel Representation with Iterative Spatial Multi-view Fusion Network (PRISM-Net), qui exploite des informations complémentaires à partir de différentes directions spatiales via une stratégie de fusion itérative multi-vues (IMVF) et introduit un module d'attention multidimensionnelle (MDAM) pour renforcer la capacité d'expression des caractéristiques tridimensionnelles. La méthode a été vérifiée sur un ensemble de test indépendant de 150 cas, atteignant une précision de 94,68 %, un score F1 pondéré de 94,63 %, avec des AUC respectifs de 1,0000, 0,9926 et 0,9923 pour les classes tuberculose normale, active et non active, surpassant les modèles MambaOut-Kobe, MobileNetV3, MedVit et ResNet50.

Classification de la tuberculose; amélioration d'image; fusion multi-vues; mécanisme d'attention multidimensionnelle; réseau neuronal convolutionnel 3D