Las imágenes de tomografía computarizada (TC) de la tuberculosis pulmonar presentan problemas como interferencia de ruido, características débiles de la lesión y uso insuficiente de la información espacial tridimensional, lo que afecta el rendimiento de la clasificación. Para abordar estos problemas, se propone un método de clasificación TC de tuberculosis pulmonar de tres clases que integra mejora de imágenes y aprendizaje de características multidimensionales. Este método utiliza una estrategia de preprocesamiento combinada de difusión anisotrópica en ocho direcciones a múltiples escalas y denoising progresivo Noise2Fast (N2F) para mejorar la visibilidad de la textura de la lesión; luego construye una red ligera Parallel Representation with Iterative Spatial Multi-view Fusion Network (PRISM-Net), que explota información complementaria de diferentes direcciones espaciales mediante una estrategia iterativa de fusión multi-vista (IMVF) e introduce un módulo de atención multidimensional (MDAM) para reforzar la capacidad de expresión de características tridimensionales. Se validó en un conjunto de prueba independiente de 150 casos, obteniendo una precisión del 94.68 %, un valor ponderado de F1 del 94.63 %, y áreas bajo la curva (AUC) de 1.0000, 0.9926 y 0.9923 para las categorías de tuberculosis normal, activa y no activa, respectivamente, superando a los modelos MambaOut-Kobe, MobileNetV3, MedVit y ResNet50.

Clasificación de tuberculosis pulmonar; mejora de imagen; fusión multivista; mecanismo de atención multidimensional; red neuronal convolucional 3D