教学课程资源库 更多>>

关键词： 医学影像分割   无监督域适应   域泛化   深度学习  

摘要： 随着国家对医疗改革的深化,借助人工智能技术扩大优质医疗资源的覆盖面、提高服务质量和诊疗速度已经成为大势所趋。基于深度学习的分割方法由于其优越的特征捕获能力已经在独立同分布的数据上有相当成熟的表现。然而,受限于公共数据和像素级人工标注获取困难,现实中仅有少量的医学影像数据和标注是可用的;此外,不同模态的医学影像之间具有较大的成像差异,对模型的训练和迁移造成了很大的障碍。为克服上述难题,本文在域适应和域泛化场景下进行医学影像跨域分割研究,旨在提高模型的准确性和泛化性。本文主要研究成果如下: (1)针对多模态间域偏移和密集注释获取困难等问题,提出了一种注意力增强的解纠缠表示学习无监督域适应分割算法。为充分挖掘精确的域不变特征,提出了从图像级粗对齐到精细去除剩余域偏移的策略,用通道级解纠缠表示学习促进域不变和域特定特征之间的相互指导。此外,提出了对抗学习的注意偏差来加强对任务相关区域的学习。最后,提出了信息融合校准策略以降低推理阶段的测试误差。在MMWHS2017数据集上的实验表明了该算法能够有效消除域偏移; (2)针对隐私保护、数据信息量不足、学习偏向等问题,提出了一种面向单源域泛化分割的像素级对抗跨域聚合方法。为扩大训练数据的分布,提出了并行方式的域扩展模块,以生成结构匹配的多域图像。在此基础上,聚合生成器自适应地学习像素级聚合系数以增加信息量,从而合成便于网络分析和理解的图像数据。此外,引入了对抗训练以提高合成样本的分割难度,迫使模型逐步学习新的知识。通过在公开数据集上进行实验,验证了本文方法的有效作用; (3)针对病灶形状外观多样、边缘区域对比度微弱等问题,提出了一种多层次边界增强的多源域泛化分割算法。通过样本、特征和优化之间的协作增加了对边界区域的重视。首先,设计了一种边界感知的混合方法提升对边界的认识。其次,为提高对边界的适应性,提出了一种可变形拉普拉斯特征细化方法,并引入自调整系数来控制每个位置的细化强度。此外,还提出了一个位置敏感的补偿准则对细化后的退化特征赋予更多的重要性。在四个息肉数据集上的实验表明了该算法能够扩展到不可见的目标域。

关键词： 医学图像   卷积神经网络   V-Net模型   水平集模型   图像分割  

摘要： 伴随着医学图像技术的不断发展与完善,医疗工作者逐渐开始使用图像信息来完成对感兴趣区域(Region of Interest,ROI)的分割、提取、重构以及分类与识别。这样的技术已逐步演化成为一套医学计算机辅助诊断系统(Computer Aided Diagnosis,CAD),极大地提升了临床诊疗的精确性和可靠性。该方法对于实现电子计算机断层扫描(Computed Tomography,CT)图像中目标区域的准确划分,以及疾病的诊断、治疗以及术前规划等都有着重要的意义。但是,与天然背景下的图像相比,医学图像存在着较大的差异,其纹理结构较为复杂,并且受到成像技术、器材等方面的制约。医学图像噪声大,边界模糊,导致很难准确分割。因此,如何对CT影像进行准确的分割具有很大的挑战性。为了解决这些问题,本论文以3D形式的肝脏和肺部CT医学图像作为研究对象,使用深度学习方法和传统分割方法对感兴趣区域进行自动且高准确度的分割,具体研究内容如下:(1)提出了一套针对医学图像的分割与识别方法VLSM-Net模型,包括图像预处理、ROI粗分割、ROI精分割、ROI的分类与识别四个步骤。首先为了避免深度学习训练模型的初始偏差,对CT图像进行预处理,包括裁剪、重采样等步骤;其次将预处理后的CT图像作为改进的V-Net模型的输入进行训练,训练好模型后,将模型输出的结果作为粗分割;然后以粗分割图像边界当做输入初始化混合水平集方法(Level Set Method,LSM)的嵌入函数,并分布更新嵌入函数,完成对粗分割图像边界的精细化;最后训练Dense Net模型对分割得到的ROI进行分类与识别。(2)验证了融合深度学习和水平集分割方法的混合分割方法,能有效地改善分割精度与准确性。利用深度学习方法实现ROI的初步分割之后,再进一步利用混合水平集方法可以细化分割边界,达到更好的分割结果。(3)设计了实验用来探究本文提出模型的性能。在LUNA和Li TS数据集上进行的实验中,VLSM-Net模型分别取得了92.27%和82.73%的Dice分割分数。与此同时在分割效果方面,与V-Net相比,VLSM-Net的分割结果更加精细;与LSM相比,该模型能更准确地分割ROI。实验不仅证明了VLSM-Net模型在三维CT图像分割中的有效性,而且还表明在V-Net模型中加入LSM来提高性能是可行的,并对分割不同类型的ROI具有一定的普适性。

关键词： 机器遗忘   机器学习   隐私安全   后门攻击  

摘要： 近年来机器学习已经深入渗透各个社会领域,也为医疗领域提供了有力的理论技术支持。然而,现有研究表明,机器学习算法仍存在数据安全隐患,投入医疗模型学习使用的患者隐私数据存在泄露的风险。为了解决这个问题,机器遗忘的概念被提出,旨在保护个人对其隐私数据的使用权。机器遗忘的核心目标是从深度学习模型中完全消除对私有信息的记忆。因此,本文以医疗场景下的深度学习隐私安全为切入点,着重研究了数据遗忘问题,并提出了一种针对深度学习神经网络模型的轻量级的数据遗忘方法。为了解决神经网络模型下的数据遗忘问题,本文提出了一种轻量级的数据遗忘方法。通过深入研究现有的数据遗忘方法,本文指出了这些方法存在的问题,例如耗费大量时间和空间成本,以及在应用场景上不具备普适性等。为了实现轻量级数据遗忘,本文的方法避免了重新训练或保存训练中间节点参数所带来的消耗过大时间空间成本问题。本文提出的轻量级数据遗忘方法利用了参照模型不包含特定遗忘数据先验知识的特性,以参照模型对于特定遗忘数据的后验分布作为参照,并通过微调目标模型的权重,使得微调后的目标模型对于特定遗忘数据的后验分布不再具有可识别性,从而消除了目标模型对特定遗忘数据的记忆。本文利用隐私保护中成员推理攻击技术可以推理出给定数据是否为目标模型成员数据的特性,将成员推理攻击技术作用于对遗忘数据的推理阶段,以达到本文方法对于数据遗忘的有效性验证。利用后门攻击技术可以推理出目标模型对后门信息记忆的特性,本文将后门攻击技术用作评估本文方法在数据遗忘问题的有效性验证工具,通过评估目标模型对后门信息的可识别性,判断目标模型对遗忘数据的记忆程度。本文首先在四个公开图像数据集上进行实验,从准确率、遗忘时间等指标进行稳定性和简易性的评估。针对现有深度学习算法在医学图像分析存在的病患信息泄露问题,本文将提出的遗忘技术应用在医疗场景下,解决了病患隐私信息从医学模型中删除的需求。同时在新冠肺炎检测、病毒性肺炎检测以及糖尿病眼底检测的模型中进行相关实验,以验证本文的方法在医疗场景下的适用性。

关键词： 医学影像分割   特征重组   局部相似性   深度注意力机制   上下文信息增强   多尺度策略  

摘要： 随着科学技术的发展,基于计算机的数字图像处理技术日趋成熟并逐渐成为各行各业不可缺少的工具。特别是在医学领域内,基于医学影像处理技术的辅助诊断更是极大提高了疾病检查效率和检查精度,为临床医生制定合理的医疗方案提供了重要的参考价值。医学影像分割是辅助诊断中的重要组成部分,它是从二维或三维医学图像中分割出特定的目标区域,定量地分析目标组织结构特性的一种技术。尤其是自动化分割,不仅能减轻医生手动勾画目标靶区的劳动负担和时间消耗,而且为术前分析、术中引导以及术后评估等提供了方便和借鉴。近年来,基于数据驱动的学习方法凭借出色的图像特征提取能力而受到大家的广泛关注和讨论。但是,在某些医学领域中,获取带有丰富标注信息的数据往往是比较困难的,从而导致利用小样本数据驱动学习的模型泛化能力比较低。如何更好地提取丰富的医学影像特征,提升模型的鲁棒性和抗干扰性是大家所追求的;另一方面,随着CT等成像技术的发展,对于癌症影像的体量越来越大,为数据驱动学习方法的发展带来了机遇,同时,也给基于CT等影像数据驱动的肝肿瘤自动化分割方法带来了挑战。从成像角度来说,影像数据容易收到脉冲噪声以及成像协议差异等因素影响,造成可利用的图像质量差异比较大;从目标自身来说,密度不均质、边界区域较模糊、边界轮廓不规则以及尺度多样化等原因,导致自动化分割模型的精度下降,尤其是小目标肿瘤的普遍存在更是加剧了分割难度。为了应对分割过程中所面临的问题,我们做了以下几方面的研究工作:(1)基于小样本数据训练学习模型泛化能力弱以及捕获影像特征不够丰富的问题,我们提出了一种新颖的特征重组策略。其思想是在构造目标不同水平下的多尺度特征后,通过特征重组的方式打散并重组同尺度下特征,利用不同尺度下的多水平信息,丰富图像的特征空间,从而提高模型分割的鲁棒性和准确性。基于该策略下的模型设计尽可能地实现特征间地信息交互,其结果不仅在二类分割上具有较好的表现,在多类分割上也拥有不错的性能。(2)肝肿瘤CT影像数据因成像设备和协议的不同而有不同的图像质量差异,这给分割模型的训练增添了麻烦,其次,待分割的肿瘤目标区域是不同质的,并且边界模糊、不规则等因素进一步加剧了分割困难度。针对图像质量差异大的问题,本文建立了一套原始数据处理方法,通过截断、归一化以及去能量化等方式统一不同设备间的数据分布;其次,对于肝肿瘤分割中的难点,本文利用了多尺度感知模块减少目标细节信息的丢失,丰富不同尺度下的语义特征,同时利用双分裂注意力模块在校准特征图的通道响应时,嵌入目标的位置信息,这些策略都增强了目标的上下文信息,提高了分割能力。临床应用上,通过对分割结果的三维重建实现对肿瘤个数的统计,为肿瘤诊断凭借提供了参考。(3)基于多尺度感知和双分裂注意力的肝肿瘤分割模型较对比方法有了较大的提升,但是,在肿瘤的演化中,对于小尺度肿瘤的特征信息往往会被忽视或过滤,这不利于早期肿瘤的检测以及大小肿瘤尺度差异较大的情况。结合这些问题以及考虑到肿瘤本身局部性特点,尤其是小肿瘤,本文提出局部相似性嵌入策略,以建立病变局部与全局的依赖关系,更好的处理小肿瘤分割难的问题。另外,多核池化模块以及交互性附加注意力也增强了模型的特征提取和提纯能力,丰富了肿瘤目标的上下文信息,从而进一步提高了分割精度。本文所提取的模型不仅在不同的公共数据集进行了验证和对比实验,而且在一部分实际临床数据集上也主导了模型的泛化性测试,其结果都展示出所提方法的优越性和鲁棒性。

摘要： 《中国医学影像学杂志》是由中华人民共和国国家卫生健康委员会主管、中国医学影像技术研究会和北京医院主办的全国性专业学术期刊,是中国科学引文数据库(CSCD)核心库来源期刊、《中文核心期刊要目总览》收录期刊、中国科技核心期刊、中国科学技术协会《高质量科技期刊分级目录》收录期刊、《世界期刊影响力指数(WJCI)报告》收录期刊。办刊宗旨:贯彻党和国家的卫生工作政策,坚持理论与实践、普及与提高相结合的方针,反映我国医学影像学领域的重大临床和科研工作进展,致力于各种医学影像技术的基础与临床研究成果的推广和传播,为从业人员建立继续教育和技术交流的平台,促进国内外医学影像学学术交流。本刊刊登放射医学、超声医学、核医学、介入医学、影像技术学、医学影像工程学等相关学科的原创性论文,栏目设置包括规范与共识、专家论坛、实验研究、中枢神经影像学、头颈部影像学、乳腺影像学、心脏影像学、胸部影像学、血管与介入放射学、腹部影像学、妇产科影像学、生殖泌尿影像学、骨骼肌肉影像学、影像技术学、医学影像工程学、述评与综述。对于选题新颖、重点突出、创新性强、文笔精炼的原创性稿件及重大研究成果,以及国家或省、部级以上基金项目或重点攻关课题稿件,本刊将优先发表。

关键词： 深度学习   医学图像处理   多模态图像   乳腺癌检测   冠脉狭窄   无标签评估  

摘要： 研究背景与目的:近年来,基于人工智能的深度学习技术已经开始在医学影像的图像处理和辅助诊断领域得到应用。通过使用深度学习算法,可以训练出具有较高自动化水平的医学影像的图像处理与病灶分析模型,这些模型可以对多种类型的疾病进行快速、准确的分析和诊断。这种技术的应用可以大大提高医生的工作效率和准确性,同时可以减少医疗错误和患者的不必要的医疗治疗费用。然而,针对多模态医学影像数据的智能分析,仍然是一项具有挑战性的任务。多模态医学影像技术是指利用不同成像技术、不同成像序列、不同成像视角,对同一个病人进行检查,以提供更全面、准确的诊断信息。多模态医学影像数据具有庞大而复杂的规模,每一种模态的图像都具有独特的特征和信息,包括不同的成像参数、不同的切入视角、不同的物理意义。在深度学习模型训练的过程中,如何利用人体结构、疾病成因或是成像原理上的先验知识,指导深度学习模型的训练和分析,提升训练效率,防止过拟合,是当前研究亟待解决的问题之一。并且,多模态医学影像的图像数据往往具有更严重的噪声和干扰、成像期间患者的角度、位置和姿势也可以变化,这使得智能分析更具挑战性。最后,与自然图像相比,医学影像的图像数据中存在着采样和类别不平衡的问题,这对深度学习方法的跨领域应用造成了一定的阻碍。本研究旨在解决多模态医学影像中图像信息获取、挖掘、融合、解释等方面的难点问题,并探讨深度学习跨领域应用中的过拟合现象和深度模型的无标签评估方法。为实现这一目标,本研究聚焦于三个具体方面。首先,针对乳腺癌良恶性的判别与检测问题,研究了在多参数乳腺MRI图像上的深度学习特征提取和组合方法,并探讨了其在肿瘤良恶性分类和检测中的效用。其次,研究了在多角度冠脉造影(Coronary Angio Gram,CAG)成像条件下,如何利用深度学习模型进行造影图像的自动识别、血管狭窄程度的分类和实时检测。最后,探讨了在非均衡样本及无标签条件下的多模态图像分类和分割任务的无标签训练与训练过拟合问题,并将该方法应用到具体的医学图像处理任务中。通过以上三个方面的研究任务,本文旨在为交叉学科中医学影像结合人工智能领域的发展做出贡献。一方面,针对医学影像领域中多模态图像的解释与分析,提供基于计算机方法的,更加方便、快捷、准确的临床应用支持。另一方面,深入挖掘隐藏在数据背后的数学规律,解决医工结合过程中所遇到共通的科学问题,为多模态医学影像的深度学习方法提供一个新颖的解决问题的思路。材料和方法:第一部分:基于深度学习的乳腺癌多参数MRI的病灶特征提取与分类1.研究对象:回顾性分析569例于2016年10月至2020年12月期间在中国人民解放军陆军军医大学大坪医院接受多参数乳腺MRI检查的影像学数据作为内部队列;以及125例来自TCGA-BRCA的乳腺mp MRI作为外部队列。2.影像获取:1.5T磁共振成像,T1加权成像和动态对比增强MRI(Dynamic Contrast Enhanced MRI,DCE-MRI)采用梯度回波序列,T2加权成像(T2 Weighted Imaging,T2WI)采用自旋回波序列,扩散加权成像采用单次回波平面序列。3.图像处理:采用卷积神经网络(CNN)和长短期记忆网络(LSTM)对多参数MRI进行特征提取和病变分类,以组织病理学作为恶性和良性类别的参考标签,对侧健康乳房作为内部/外部队列的对照组。采用类激活图(Class Activation Map,CAM)作为病变定位方法。在内部队列中,由3位独立的放射科医生使用BI-RADS方法评估肿瘤作为参考比较。分类和定位性能分别用DCE-MRI的多参数组合以及非DCE序列的多参数组合进行评估。4.统计学分析:病灶分类性能采用灵敏度、特异性、曲线下面积(Area Under the Curve,AUC)、De Long测试和Cohen's kappa进行分析。病灶定位采用敏感度和平均平方误差(Mean Square Error,MSE)来进行评估。P值<0.05被认为具有统计学意义。第二部分:基于深度学习的多角度冠脉造影图像血管狭窄检测方法1.研究对象:回顾性分析230例来自于CORE320的多种族多中心的冠状动脉多角度血管造影成像(CAG)。中位年龄为62岁[IQR 55,69],70%为男性,45%为白人,82%有高血压,71%有血脂异常,16%为当前吸烟者,27%有阻塞性冠状动脉疾病。2.影像获取:共计230例13744帧CAG用于血管狭窄分类的训练和验证。冠状动脉类型包括左冠脉(Left Coronary Artery,LCA)和右冠状动脉(Right Coronary Artery,RCA)。多角度视图包括LCA的4个角度(LAO Cranial、LAO Caudal、RAO Cranial和RAO Caudal)

关键词： 神经网络   图像分割   CT肝脏囊肿影像   注意力   不确定性估计  

摘要： 医学影像分割是深度学习在医学影像处理中的一个重要应用领域,其目的是从医学影像中分割出目标组织或器官。与传统分割算法相比,基于深度学习的分割算法能够自动提取图像特征、全自动地预测,可以快而准的分割出病变组织或器官的关键信息,为后续病情诊断和治疗提供及时且准确的帮助。目前医学影像分割领域仍存在一些问题: (1)针对肝囊肿的分割任务中的CT肝囊肿数据集很少,每个数据集的数据量也很少; (2)在对体积极小的目标进行分割时,基于深度学习的分割方法会出现有效特征丢失、特定局部区域的显著特征不够突出、对先验知识的利用不够充分等情况; (3)大多数医学影像分割任务的标注数据都很少、数据标注都很困难。 为了解决上述问题,本文进行了以下的研究工作: (1)与湖南省某中心医院合作整理了一个CT肝囊肿数据集,对CT领域的肝囊肿数据集进行扩充。该数据集搜集了 94例肝囊肿患者的腹部薄层平扫CT影像,每例数据均包含一个或多个囊肿,并由专业的放射科主任医生进行标注; (2)针对CT中体积极小的肝囊肿的分割,本文提出了一种包含新的池化模块和新的不确定性注意力模块的分割网络。池化模块针对肝囊肿CT值的特点,以“最小”池化为基础,并与平均池化进行了自适应结合,实验结果证明其减少了有效特征在池化层的信息丢失。不确定性注意力模块利用不确定性和注意力的思想生成更可靠的权重矩阵,来抑制不相关区域的特征,突出特定目标区域的特征; (3)为了更充分地利用先验信息,本文提出了一种新的基于肝脏先验信息和随机裁剪的训练策略。该方法利用腹部CT影像中肝脏位置等先验信息,在三维医学影像数据横断面的x轴上按照设计好的方式进行随机裁剪,既保留了更多的先验信息,又利用了随机裁剪的思想。实验结果验证了该方法的有效性; (4)为了缓解医学影像标注数据量少、标注难的问题,本文提出了一种基于高斯相似度的不确定性估计半监督方法,来提高使用不确定性估计过滤后的伪标签的质量,还在该方法的基础上,提出了一种通过阈值对多种不确定性估计方法进行结合的方案,来增加不确定性估计的准确度。实验表明,该方法比基于预测熵和KL散度的方法效果要好。

关键词： 医学影像分割   联邦学习   神经架构搜索   子网昂贵评估  

摘要： 医学影像分析过程中会使用深度神经网络用于辅助诊断以减小误诊的概率。然而现实中由于政策法规和病人隐私问题,多个医学机构之间无法共享数据用以训练神经网络。联邦学习可用来解决这一问题,在保护隐私的前提下进行神经网络的训练。联邦学习中往往使用预定义的神经网络,而当数据集变化时,通常需要重新设计定制化的网络。神经架构搜索(Neural Architecture Search,NAS)可与联邦学习相结合,在联邦学习设置下自动搜索网络。此外,医学影像分割的部署场景多样化,研究人员希望通过一次搜索得到多个在参数量、推理速度、分割性能等目标上不同的神经网络,因而NAS可被视作一个多目标优化问题。NAS普遍存在子网昂贵评估问题,而集中式NAS用于缓解子网昂贵评估问题的常用方法目前无法直接应用于联邦NAS。不仅如此,联邦学习面临通讯量大的挑战,这一挑战在子网昂贵评估问题影响下更加严峻。针对上述问题,本文首先设计了一个适用于联邦NAS的医学影像分割网络FSUNet++。FSU-Net++的参数量相较U-Net++更低而分割性能相近。为了加速联邦NAS的搜索过程,本文设计了适用于联邦神经架构搜索的三种加速评估方法。本文提出的适用于联邦NAS的权重共享方法使得子网无需训练就能直接获取超网权重,减少了联邦NAS中的计算成本和通讯成本。为了提高应用权重共享方法的子网的评估准确性,本文提出了适用于联邦NAS的低保真评估方法。为了利用低保真评估的个体历史信息,本文提出了适用于联邦NAS的在线代理模型预测方法,用于构建高质量的代理模型来预测个体性能,进一步缓解子网昂贵评估问题。最后,结合FSU-Net++和上述三种加速评估方法,本文提出了联邦多目标进化神经架构搜索算法FSU-NAS,以实现联邦学习设置下的低参数量和高分割精度的子网架构自动搜索。在视网膜血管分割数据集和脑肿瘤分割数据集两个医学影像分割数据集上的实验表明,本文提出的算法可有效解决联邦NAS中的子网昂贵评估问题和通讯成本问题。此外,实验结果还表明,本文的算法可在联邦NAS下搜索出性能与手工设计的网络相近的子网,而这些子网具有相对更少的参数量。

关键词： 高职   医学影像诊断学   课程思政  

摘要： 依据教学标准，对接岗课赛证，重构医学影像诊断学课程教学内容。立足课程特点，进行“三维度、八元素”思政设计，做到课程中的显性与隐性思政教育相统一；遵循认知规律，突出学生中心，学校医院深度合作，“双境双师”协同育人，将专业知识与岗位实践相结合，实施课程思政，构建课程思政评价，培养学生医者精神，提高课程思政综合育人效果。

关键词： 肺结节检测   注意力模型   假阳性降低策略   三维卷积神经网络   医学图像处理  

摘要： 癌症是全球公认的主要公共卫生问题之一。在我国,肺癌在各种癌症的发病率和死亡率方面均居首位。研究表明肺结节是大多数肺癌早期的主要临床特征之一,早期的肺结节筛查可以有效地改善肺癌治疗效果,提高患者生存率。与此同时,2023年以来,世界各国进入了新冠(COVID-19)疫情处置的常态化阶段。在临床上,COVID-19患者除了发热或呼吸道症状外,在CT上还会表现为磨玻璃征象,因此将医学影像技术引入COVID-19的筛查中在很大程度上推动了患者以及疑似患者的确诊筛查和及时诊疗。本文在空间序列的三维CT影像上开展了基于卷积神经网络的肺结节检测方法研究,结合临床医学先验知识和CT数据内在特性,以提升肺结节检测的敏感度和稳健性。本文的研究内容和创新点总结如下:(1)临床医生在进行医学诊断时,首先会关注肺结节的视觉对比度线索和轮廓特征,从而定位结节的具体空间位置。根据这一医学临床先验知识,本文提出了一种高效的多任务双分支3D卷积神经网络结构,实现肺结节检测和分割。在双分支结构中,一个分支被设计用于肺结节检测的候选区域提取,另一个合并分支被用于肺结节的病变区域语义分割。本文根据医生的临床诊断视角开发了一个3D注意力加权特征融合模块,从而使所设计的分割分支获得的捕获信息能够进一步相互促进提升各自检测分支的效果。此外,提出了假阳性降低策略,开发了一个三维显著区域汇集层,用于改善产生狭窄感受野的特征图。该策略分享了几个特征提取模块,旨在确保网络拥有一个狭窄的感受野,用于捕捉细致的特征表示。其从本质上区别于区域候选,促进了肺结节检测的稳健性。在常用的医学图像分析数据集上进行了实验和评估,实验对比表明,所设计的框架优于其他典型的主流方法。(2)在传统的临床实践中,由于CT扫描的丰富时空背景信息,医生总是重点关注CT图像的多个连续切片之间的相关性,以确定肺部结节的具体位置从而进行相应疾病诊断。为了在CT扫描中通过自动肺结节检测实现智能辅助诊断,充分利用临床经验的这一独特时空特征,本文开发了一个3D多注意力卷积神经网络,并设计了一个3D多注意力模块来模拟医生的临床诊断过程,该模块利用CT切片的时空视图在多维方向上的注意力增强,旨在从多个方向上整合时空上下文信息。通过OHEM(Online Hard Example Mining)损失计算方法,能够合理的调整阳性与阴性数据的权重,从而解决正负样本数据分布的不均衡问题,并且可以有效地学习到正样本和难分类样本的辨识特征,进而有效提高网络模型的泛化能力和分类准确率。