M3Net：一种从宏观到中观到微观的临床启发式分层3D网络用于肺结节分类
M3Net是一种新型3D网络，模仿放射科医生的分层诊断流程，整合多尺度上下文信息，实现肺结节的准确分类。在LIDC-IDRI和USTC-FHLN数据集上分别达到86.96%和84.24%的准确率，优于现有最佳基线。
来源arXiv Computer Vision作者: Jinyue Li, Yuzhou Yu, Jingjing Yang, Meng Fu, Yani Zhang, Shuyao He, Dianlong Ge, Xin Ning, Yannan Chu, Qiankun Li
肺结节的良恶性分类对于肺癌早期筛查至关重要。然而，由于肺结节的多尺度和异质性，准确分类仍然具有挑战性。虽然深度学习为辅助诊断提供了可能，但大多数现有模型都是“黑箱”，缺乏临床可靠集成所需的透明度和可解释性。
针对这一问题，研究人员提出了M3Net——一种新颖的3D网络，它受到放射科医生分层诊断工作流的启发，从细粒度结构到全局解剖关系整合多尺度上下文信息。M3Net构建了渐进式多尺度输入：从细粒度结节结构到局部语义再到全局空间关系。网络采用尺度特定编码器，并通过潜空间投影和互信息最大化确保跨尺度语义一致性。
在公开LIDC-IDRI数据集和自收集临床数据集USTC-FHLN上的广泛实验表明，该方法实现了最先进的性能，准确率分别达到86.96%和84.24%，比最佳基线提升了3.26%和2.17%。结果验证了M3Net为肺结节分类提供了更鲁棒且临床相关的解决方案。该研究已发表于《Information Fusion》期刊，代码已开源在GitHub。此外，M3Net的设计理念不仅限于肺结节分类，其分层多尺度融合策略有望推广至其他医学影像分析任务，如肿瘤分割和器官检测。未来的工作将探索将该框架应用于更广泛的临床场景，并进一步提升模型的解释性和泛化能力。