As imagens de tomografia computadorizada (TC) da tuberculose pulmonar apresentam problemas como interferência de ruído, características fracas das lesões e utilização insuficiente das informações espaciais tridimensionais, o que afeta o desempenho da classificação. Para resolver esses problemas, foi proposto um método de classificação TC de tuberculose pulmonar em três classes que integra o aprimoramento de imagem e o aprendizado de características multidimensionais. Este método adota uma estratégia conjunta de pré-processamento com realce por difusão anisotrópica multiescala em oito direções e remoção progressiva de ruído Noise2Fast (N2F) para melhorar a visibilidade da textura da lesão; em seguida, constrói uma rede leve Parallel Representation with Iterative Spatial Multi-view Fusion Network (PRISM-Net), que explora informações complementares de diferentes direções espaciais por meio da estratégia iterativa de fusão multivisão (IMVF) e introduz um módulo de atenção multidimensional (MDAM) para reforçar a capacidade de expressão de características tridimensionais. Validado em um conjunto de teste independente com 150 casos, o método proposto alcançou uma precisão de 94,68%, valor ponderado de F1 de 94,63% e áreas sob a curva (AUC) de 1,0000, 0,9926 e 0,9923 para as categorias de tuberculose normal, ativa e inativa, respectivamente, superando modelos como MambaOut-Kobe, MobileNetV3, MedVit e ResNet50.

Classificação de tuberculose pulmonar; aprimoramento de imagem; fusão multivisual; mecanismo de atenção multidimensional; rede neural convolucional 3D