改進U型殘差網絡用于肺結節檢測

袁金麗，趙琳琳，郭志濤，蘇 逸，盧成鋼

河北工業大學 電子信息工程學院，天津 300401

據統計，在所有類型的癌癥中，肺癌的死亡率最高[1]，肺癌患者的5 年存活率僅為16%左右。準確有效的肺癌早期診斷對于提高肺癌患者的存活率具有重要意義[2]。如果肺癌能在早期就實現檢測定位，那么肺癌患者的5 年存活率能夠提升到70%[3]。由于CT 圖像具有較高的組織分辨率，因此CT 圖像成為診斷肺部疾病的最有效的成像方法，對肺癌的檢測和診斷具有重要價值[4]。早期肺癌在醫學影像中通常表現為肺結節，在病人CT圖像中檢測出肺結節并進行早期治療對于預防肺癌非常重要[5]。目前，由于計算機斷層掃描（CT）影像中肺結節尺寸變化較大、尺寸小且不規則等特點，使得肺結節檢測變得異常困難[6]。

針對這一問題的研究早已展開，Setio等[7]提出了基于多視角的二維卷積神經網絡（2D CNN），將其應用于肺結節的檢測中，該方法從肺結節的立體特性出發融合肺結節的不同二維（2D）切面信息來剔除假陽性結節。苗光等[8]為解決現有方法在肺結節檢測中工作效率不高的問題，提出了一種基于改進的U-net 網絡模型，U-net模型是一種在醫學圖像領域應用較多的卷積神經網絡模型，具有端對端的網絡結構。楊帆等[9]采用雙通道二維卷積神經網絡（2D CNN）檢測肺結節，將預處理前后的圖片分別輸入相同的模型中，最后整合兩個模型的輸出結果。但使用2D CNN不能很好地獲取圖像的空間信息，難以提取到更多的特征信息，不利于肺結節的檢測。

為了充分利用三維（3D）CT掃描中包含的信息以更準確和有效地檢測肺結節，研究人員開發了許多基于3D CNN 的系統。Furst 等[10]訓練了3D CNN 以在沒有先前的候選選擇步驟的情況下在胸部CT中執行結節檢測。但是，性能水平低于使用多視圖2D CNN 或3D CNN 進行誤報減少的先前系統。Huang 等[11]提出了基于3DCNN的結構圖，用于檢測低劑量CT圖像中的肺結節。考慮到多維數據的尺寸、訓練數據的大小以及計算機的計算能力，文獻[11]提到的系統使用了相對簡單的3D-CNN架構。文獻[11]提到的系統將醫學知識應用到肺結節檢測中，首先使用了基于局部幾何模型的過濾器生成候選節點，利用醫學知識，降低了3DCNN分類步驟的計算成本和復雜度。Dou 等[12]提出了一種通過整合一組具有不同大小感受野的3D CNN，以減少肺結節檢測中的假陽性。該方法為2016 年肺結節分析挑戰（LUNA2016）的假陽性減少路線的獲勝者。Pezeshk等[13]提出基于3D CNN 的網絡結構圖，將CNN 轉換為3D全卷積網絡，與滑動窗口方法相比，該網絡可以更有效地處理整個CT 體積，并生成整個體積的得分圖。并將其命名為DeepMed，其網絡結構由3個卷積層，2個最大池化層，2個全連接層和1個softmax層組成。Jin等[14]提出了一種深層三維殘差網絡，并將其用于肺結節特征的提取。近來，Zhu等[15]提出一種全自動肺癌診斷系統，針對肺結節檢測提出一種帶3D 雙路徑塊和U-net 型編碼-解碼結構的Faster RCNN 來高效的學習結節特征。Li等[16]提出一種用于肺結節檢測的3D壓縮和激勵編碼器-解碼器卷積神經網絡，并引入Focal loss作為損失函數，用于解決訓練樣本中，正負樣本失衡問題。

隨著技術的不斷發展，肺結節的識別與檢測不斷取得新進展，基于3D CNN的系統雖然在肺結節檢測上取得了不錯的效果，但依然存在一些問題。文獻[15]與文獻[16]在網絡設計時，考慮到融合更多的信息來更好的學習結節特征，但是，在不同大小與不同種類肺結節的檢測效果還不夠理想，并且數據中的正負樣本數量不均衡，使得訓練后的模型泛化能力較弱。

針對肺結節大小相對不同和形狀的多樣性，本文提出了一種基于改進U 型殘差網絡的肺結節檢測算法。首先，鑒于肺結節形狀以及大小的多樣性，提出了一種新型自校準注意力模塊（ECA-SC block），ECA-SC block既可以令空間上的每一個點都包含附近區域和通道上的交互信息，避免了整個全局信息中無關區域的干擾，又以自適應學習的方式來獲取每個特征通道的重要程度，構建特征的獎懲策略，充分優化網絡性能；其次，主干網絡設計為U型殘差[17]網絡，編碼器和解碼器之間建立跳躍連接，幫助解碼器更好地修復目標的細節，設計預處理塊融合不同尺度的特征，增加網絡深度和寬度的同時減少參數，網絡采用殘差學習方式可以避免隨著網絡深度增加，出現退化現象；最后，由于LUNA16（lung nodule analysis 2016）[17]數據集正例樣本（真結節）與負例樣本（假陽性結節）的數量比失衡，采用DR loss[18]作為本文算法的分類損失函數，減小了數據集中樣本分布不均帶來的影響。

1 肺結節檢測算法實現

本文提出的基于改進U-net型殘差網絡的肺結節檢測算法，構建了一種融合了SCConv（自校正卷積）與ECA（通道注意力）的U-net 型殘差網絡，并針對樣本失衡問題設計了損失函數。

1.1 ECA-SC模塊

輸入特征圖通過SCConv（self-calibrated convolutions）[19]模塊與ECA（efficient channel attention）[20]模塊，然后將輸入與ECA 模塊的輸出進行殘差連接，構成ECA-SC模塊，如圖1所示。ECA-SC模塊中SCConv模塊與使用小卷積核融合空間和通道方向信息的標準卷積不同，其通過自適應地圍繞每個空間位置建立了長距離空間和通道間依賴性的校準操作，因此，它可以通過顯式合并更豐富的信息來幫助CNN生成更多辨識性表示，有助于檢測不同大小與不同種類的結節。同時，采用ECA模塊又以自適應學習的方式來獲取每個特征通道的重要程度，構建特征的獎懲策略，實現通道的自適應校準，充分優化網絡性能，進一步提高識別的準確率。采用殘差學習方式拼接輸入與輸出，可以保留更多高層特征圖中的低分辨率信息以提升結節識別的靈敏度。

圖1 ECA-SC模塊示意圖Fig.1 Diagram of ECA-SC block

1.1.1 SCConv模塊

傳統的卷積特征變換中每個空間位置的視野主要由預定義的卷積核大小控制，由此類卷積層的堆疊組成的網絡也缺少大的感受野，無法捕獲足夠的特征信息。SCConv 模塊改進了傳統卷積特征轉換過程，進而增強輸出特征的多樣性。

首先將原圖按照通道分成兩個分支X1和X2，在X1中采用通過殘差下采樣獲得通道和空間上的注意力，然后和卷積后的X1部分進行相乘，再用卷積提取特征。該分支是為了有效地收集每個空間位置的豐富的上下文信息，因此在兩個不同的尺度空間中進行卷積特征轉換：原始尺度空間中的特征圖和下采樣后的具有較小分辨率的潛在空間。利用下采樣后特征具有較大的感受野，因此在較小的潛在空間中進行變換后的嵌入將用作參考，以指導原始特征空間中的特征變換過程。在X2中使用一個簡單的卷積操作，其作用是為了保有原始的空間信息。最后，將兩部分串聯到一起，進行信息融合。SCConv模塊的優勢在于空間上的每一個點都有附近區域的信息和通道上的交互信息，同時也避免了整個全局信息中無關區域的干擾。

SCConv的具體操作步驟為：將輸入X均勻劃分為{X1,X2}，分別經過不同的處理操作，結構如圖1 的A 部分所示。將X1送入到自矯正分支，依次對其進行均值下采樣down、卷積特征變換K2、雙線性上采樣up，采樣率設為r，然后再與輸入相加通過sigmoid 函數σ得到空域層面的注意力特征圖，并將所得空域注意力圖與經過卷積特征變換K3的X1進行融合。F1～F4為以K1～K4為核的卷積過程，⊕代表逐元素相加，?代表逐元素相乘。SCConv模塊處理過程可以描述為：

得到自矯正分支的輸出。將X2送入常規卷積變換分支，對輸入X2進行卷積特征變換K1，得到常規卷積分支的輸出。最后，將X1與X2處理后的特征進行拼接。

1.1.2 ECA模塊

ECA 顯式地建模特征通道之間的相互依賴關系。沒有引入一個新的空間維度來進行特征通道間的融合，而是采用了一種全新的“特征重標定”策略。具體來說，就是通過學習的方式來自動獲取到每個特征通道的重要程度，然后依照這個重要程度去提升有用的特征并抑制對當前任務用處不大的特征，從而能夠更好地注意關鍵特征，可以在不顯著增加參數數量的同時有效提升模型的性能。

ECA 是一種非常輕量級的通道注意模塊，改進于SE（squeeze-and-excitation）[21]模塊。SE 模塊主要包含3部分，如圖2所示：首先，利用全局平均池化（GAP）操作將輸入各特征通道壓縮成一個具有全局響應的實數，輸出維度與輸入特征圖的數目相同，實現擠壓操作；其次，通過一個壓縮比（降維）為r的全連接層（FC）將特征維度降低到輸入的1r，然后經過ReLU激活后再通過一個全連接層升回原來的維度，利用Sigmoid 函數σ獲得0～1之間歸一化的權重，實現激勵操作；最后，通過Scale操作將歸一化后的權重加權到每個通道的特征上。盡管SE中的降維操作可以降低復雜度，但會導致通道和權重不直接對應，因此ECA在沒有降維的情況下，通過考慮每個通道及其k個相鄰位置，捕獲了本地跨通道交互。

圖2 SE模塊Fig.2 SE block

ECA 可以通過大小為k的快速一維卷積來有效地實現，有多個相鄰位置參與一個通道的注意預測。ECA結構如圖1 中的B 圖所示，與SE 的不同之處在于ECA的激勵操作不通過降維實現，而是自適應地判斷卷積核大小k，然后執行一維卷積，后面跟著一個Sigmoid函數來學習通道注意力，實現激勵操作。內核大小k通過通道維數C確定：

式中，|t|odd表示最近的奇數t，γ=2，b=1。

總體來說，SE模塊主要由全局平均池化層、全連接層和Sigmoid 函數組成。其中兩個FC 層的作用是為了捕捉非線性跨通道交互信息，并且第一層FC 用來降維以控制模型的復雜性。而ECA 模塊去除了原來SE 模塊中的FC層，直接在GAP之后的特征上通過一個可以權重共享的一維卷積進行學習，實現通道和權重的直接對應。

1.1.3 殘差學習

對于傳統的CNN網絡，簡單的增加網絡的深度，容易導致梯度消失和爆炸。針對梯度消失和爆炸的解決方法一般是正則初始化（normalized initialization）和中間的正則化層（intermediate normalization layers），但是這會導致另一個問題：退化問題，隨著網絡層數的增加，在訓練集上的準確率卻飽和甚至下降了。殘差學習主要思想是在網絡中增加了直連通道，以保留之前網絡層的一定比例的輸出，實現特征重用，是消除深層網絡中梯度消失現象的一種有效方法。在構造深層次的網絡時，防止退化現象的發生。

本文ECA-SC模塊即為基于殘差結構思想設計的，該模塊保留原有基礎殘差結構的直連通道，很好地融合了SCConv 模塊、ECA 模塊這三者的優勢。最后，在殘差結構后采用ReLU 激活，ReLU 激活操作不僅可以增加兩個卷積層間的非線性關系，也可以在保證網絡稀疏性的同時減少參數間的相互依存關系。

1.2 損失函數

損失函數由分類損失和回歸損失兩部分組成，采用DR loss作為分類損失，smooth L1 loss作為回歸損失，對正樣本計算分類損失與回歸損失，負標簽不計算回歸損失只計算分類損失，總損失為回歸損失與分類損失之和，即：傳統分類損失函數BCE loss僅關注正類的預測概率，只要其值足夠大，就可以確保結果正確。對于正負樣本不均衡的問題，由于負樣本遠多于正樣本，則模型更傾向于預測樣本為負類且置信度較大，即這部分樣本為易分樣本。如果持續下去，勢必會造成模型訓練的不平衡。文獻[16]采用Focal loss 作為分類損失函數，降低易分類樣本的損失權重而讓模型集中訓練難分樣本，但Focal loss 是針對一幅圖像中的單個樣本，沒有將一幅圖像看作整體。而DR loss將一幅圖像看作整體，每次考慮圖像中的樣本對，以此解決類間不平衡問題，并對正樣本和負樣本的置信度分布優化。DR loss分類損失函數定義：

1.3 肺結節檢測網絡結構設計

肺結節檢測網絡結構如圖3所示，由于計算機GPU限制，因此將LUNA16 提供的候選結節質心為中心，將輸入裁剪為96×96×96 的立方體（cube），立方體中包含標記的結節。在第一個最大池化（Maxpooling）之前，使用兩個預處理塊（Preblock）來生成特征，如圖3（a）所示。為融合不同尺度的特征，增加網絡深度和寬度的同時減少參數，采用了3 個分支進行特征提取，分別為1×1×1 卷積分支、1×1×1 卷積與3×3×3 卷積串聯分支、1×1×1卷積與5×5×5卷積串聯分支，最后將各分支串聯（concat）。之后，在編碼器子網中使用ECA-SC block與最大池化，在解碼器子網中，特征圖由反卷積（Deconv）層和ECA-SC block 處理，同時將反卷積后的特征與低層特征concat。

圖3 網絡結構模型Fig.3 Network structure model

編碼器子網將Preblock 輸出特征圖通過ECA-SC block，分為四步，每一步通過兩個ECA-SC block 與Maxpooling，讓特征圖空間上的每一個點都包含附近區域的信息和通道上的交互信息，同時以自適應學習的方式來獲取每個特征通道的重要程度，構建特征的獎懲策略，充分優化網絡性能，并采用殘差學習方式構建更深層的網絡。第一步圖片尺寸縮減為48×48×48，通道數變為48；第二步圖片尺寸縮減為24×24×24，通道數變為72；第三步圖片尺寸縮減為12×12×12，通道數變為96；第四步圖片尺寸縮減為6×6×6，通道數變為120。經過四步后，輸入圖片尺寸縮減為原來的1/16。

解碼器子網將分辨率放大，逐步修復物體的細節和空間維度。分辨率放大采用反卷積實現，首先，將編碼器子網的輸出采用一個2×2×2步長為2的反卷積操作，將圖片尺寸變為12×12×12，接著將反卷積后的特征與低層特征串聯（concat），編碼器和解碼器之間建立的跳躍連接，幫助解碼器更好地修復目標的細節，通道數為216。然后通過兩個ECA-SC block 與一個2×2×2 步長為2的反卷積將特征圖尺寸恢復到24×24×24，采用concat后，通道數為224，到此完成特征圖的分辨率放大。

接下來，通過兩個ECA-SC block整合特征圖信息，輸出通道數為248，然后經過1×1×1 的卷積與dropout，通道數變為64，最后通過1×1×1 的卷積，輸出數據為四維的張量，24×24×24×15可表示為24×24×24×3×5，其中3 表示錨框個數（大小為5、10、20），5 表示回歸量（o?，d?x，d?y，d?z，d?r，即概率、三維坐標、邊界框直徑大小）。

2 分析與討論

算法實現的軟件環境為Windows 10 操作系統，硬件環境為Intel Core i7與Nvidia GeForce GTX 2080Ti（11 GB內存），編程開發環境為CUDA-Toolkit10.0，編程語言為Python 3.6，深度學習框架為Pytorch。

本研究訓練時，裁取尺寸為96×96×96 的數據塊訓練肺結節檢測模型，70%的輸入數據至少包含一個結節，30%的輸入數據不含結節；測試時輸入原始CT圖像大小為512×512×512。本文研究超參數設置如下：為使網絡更好地訓練，學習率分為三段，前1/3 epoch學習率為0.01，1/3到2/3 epoch學習率為0.001，剩余epoch學習率為0.000 1；動量設置為0.9；權重衰減為0.000 1；epoch取1 000；batch_size取3。

2.1 數據集與預處理

本文選用的數據集為LUNA16，LUNA16 的數據來源于一個更大的數據集LIDC-IDRI（lung image database consortium and image database resource initiative）[22]。LIDC-LDRI 幾乎包含了所有低劑量肺動脈CT 的相關信息，包括多位醫生對結節大小、位置、診斷結果、結節紋理、結節邊緣等信息的標注。LUNA16 數據集將LIDC-IDRI數據集切片厚度大于3 mm的CT去除，同時將切片層間距不一致以及缺失部分切片的CT 也去除，最后產生了888 張低劑量肺部CT 圖像。LUNA16 給出了候選結節的病人序列號、中心坐標以及其對應的標簽信息，其中共有1 186 個結節標簽。將LUNA16 數據集劃分為訓練集、驗證集和測試集，比例設置為6∶1∶3。評估指標選用FROC（free-response receiver operating characteristic），FROC 得分代表了檢測召回率和可容忍假陽性個數的綜合指標，FROC 得分越高，模型的性能越好。該指標通過計算CPM（competition performance metric）來衡量算法的性能，CPM指平均每組CT圖像中假陽個數（false positives per scan）為0.125、0.25、0.5、1、2、4、8時的平均檢出率。

在進行數據訓練前，首先對數據進行預處理，先將數據重采樣統一分辨率，再采取閾值化方法過濾水、空氣，剩下的部分進行膨脹處理填補肺部內部的小孔洞，制作mask，然后進行歸一化，將原始數據截取至?1 200～600，此范圍外的數據置為?1 200 或600，最后再將數據歸一化至0～255，加上mask，完成原始數據的處理[23]。結節檢測流程如圖4所示。

圖4 結節檢測流程Fig.4 Nodule detection process

2.2 消融實驗

為研究本文算法不同組成部分是否有助于肺結節檢測，在LUNA16數據集上選用不同的網絡架構進行了實驗。首先，驗證DR loss性能，將DR loss與傳統的交叉熵損失函數BCE loss、文獻[16]的Focal loss 損失函數進行對比，Model_1 表示采用傳統交叉熵損失函數BCE loss 的U 型殘差網絡，Model_2 表示采用文獻[16]的Focal loss損失函數的U型殘差網絡，Model_3表示采用DR loss的U型殘差網絡。性能對比結果如表1所示。

其次，用R 表示采用DR loss 的U-net 型殘差網絡，將R作為評估不同網絡架構的基準，對SE、ECA、SCConv在R 上的不同融合版本進行了比較。R+se 表示在R 基礎上添加SE 結構的網絡；R+eca 表示在R 基礎上添加ECA結構的網絡；R+sc表示在R基礎上添加SCConv結構的網絡；R+sc+se表示在R基礎上添加SCConv結構與SE結構的網絡；R+sc+eca表示在R基礎上添加SCConv結構與ECA結構的網絡。由于R+sc+eca所融合的模塊都為輕量級模塊，所以并未明顯增加網絡計算量，并未對網絡訓練速度造成明顯影響。性能對比結果如表2所示。

由表1與表2可以看出：（1）與傳統的交叉熵損失函數BCE loss、文獻[16]的Focal loss損失函數相比，采用DR loss作為分類損失得到了更好的訓練效果；（2）添加SCConv 結構，讓空間上的每一個點都包含附近區域的信息和通道上的交互信息，大幅提升輸出特征的感受野，增加了特征的信息提取能力，同時避免了整個全局信息中無關區域的干擾，提高了模型的性能；（3）添加SE 或ECA 結構，以自適應學習的方式來獲取每個特征通道的重要程度，構建特征的獎懲策略，實現通道的自適應校準，可有效提高網絡的檢測性能，而ECA 通過不降維策略令通道與權重直接對應，使得網絡應檢測性能更優于SE。本文所提算法通過添加SCConv 結構與ECA 結構使得網絡的平均FROC 得分最高，CPM 可達0.901。

表1 不同損失函數的肺結節檢測性能對比Table 1 Comparison of lung nodules detection performance with different loss functions

表2 不同結構的肺結節測性性能對比Table 2 Comparison of lung nodules test performance of with different structures

2.3 實驗結果對比

為驗證本文算法在肺結節檢測中的優勢，在相同實驗數據集分布與實驗環境下，用本文所提算法與最新肺結節檢測的文獻[15]與文獻[16]算法進行了實驗對比，文獻[15]提出一種用于肺結節檢測的帶3D 雙路徑塊和U-net 型編碼-解碼結構的Faster R-CNN，文獻[16]提出一種用于肺結節檢測的3D 壓縮和激勵編碼器-解碼器卷積神經網絡。表3為本文算法與文獻[15]、文獻[16]的肺結節檢測性能對比。

如表3 所示，本文所提算法與文獻[15]、文獻[16]中算法相比，本文算法CPM 得到了顯著提升。每次掃描中，對0.125、0.25、0.5、1、2、4、8 個假陽性的檢測結果均優于文獻[15]與文獻[16]算法檢測結果。為了更加精確地對比幾種算法的性能，本文給出了3 種算法的FROC曲線，如圖5所示。

表3 不同算法的肺結節檢測性能對比Table 3 Comparison of lung nodules detection performance of different algorithms

圖5 不同算法的FROC曲線Fig.5 FROC curves of different algorithms

從表3 與圖5 可以看出，本文算法的平均檢出率為0.901，在各個假陽性個數下的靈敏度均高于文獻[15]與文獻[16]算法，檢測性能最優；文獻[16]算法次之，平均檢出率為0.863；文獻[15]算法最差，平均檢出率為0.845。本文算法相比于文獻[15]與文獻[16]算法，在假陽性個數低的情況下檢測性能更為凸顯，在不同假陽性個數下均可得到較高的靈敏度，檢測性能更穩定。本文所提算法對小結節、大結節與一張切片同時存在兩個結節的檢測對比結果如圖6所示，圖中每一行依次為肺結節位置金標準圖、文獻[15]檢測結果、文獻[16]檢測結果、本文算法檢測結果；每一列依次為小結節、大結節、兩個結節。對血管粘連型結節、孤立型結節與貼壁型結節的檢測對比結果如圖7所示，該圖每一行依次為肺結節位置金標準圖、文獻[15]檢測結果、文獻[16]檢測結果、本文算法檢測結果；每一列依次為血管粘連型結節、孤立型結節、貼壁型結節。肺結節位置金標準圖中矩形框代表肺結節的真實位置，檢測結果中矩形框代表檢測到的肺結節位置，矩形框外的數字表示預測為肺結節的置信度。

從圖6 與圖7 可以看出，本文算法對不同大小與不同種類的結節都有較高的檢測置信度。如圖6所示，文獻[15]對小結節的檢測能力稍弱，對于一張切片同時存在兩個結節時結節檢測置信度較低；文獻[16]對小結節與大結節都具有較高的檢測置信度；本文算法進一步提升了檢出結節的置信度，增強了對小結節的檢測能力，文獻[15]、[16]與本文算法對于大結節都有較高的檢測置信度，其中，本文算法對于大結節的檢測置信度最高。如圖7 所示，文獻[15]網絡對血管粘連性與貼壁型結節檢測置信度較低；文獻[16]在一定程度上提升了對血管粘連性與貼壁型結節檢測的置信度，得到了較好的檢測結果；本文算法進一步提升了對不同種類的結節的檢測置信度，對于血管粘連性、孤立型、貼壁型結節都得到了很好的檢測效果。其中，文獻[15]、[16]與本文算法對于孤立型結節都有較高的檢測置信度，而文獻[15]對于孤立型結節的檢測性能稍差于文獻[16]與本文算法。

圖6 肺結節檢測結果Fig.6 Detection results of pulmonary nodules

圖7 不同型態肺結節檢測結果Fig.7 Detection results of different types of pulmonary nodules

由LUNA16 數據集提供的真實結節位置信息可得到真實結節與假陽性結節的預測概率對比。如圖8 為本文所提算法在LUNA16數據集上，對部分疑似結節的檢測效果。第一行為真結節，第二行為假陽性結節，矩形框代表檢測到的肺結節位置，P表示預測概率。可以看出，所提算法對不同大小與不同種類的肺結節具有良好的檢測效果，并且對于真結節可以達到較高的預測概率，同時也可以準確地檢測出假陽性結節。

圖8 疑似結節的檢測結果Fig.8 Detection results of suspected nodules

3 結論

針對現有結節檢測網絡對不同尺寸的肺結節的檢測性能不足與存在大量假陽性的問題，提出了一種基于改進U 型殘差網絡的肺結節檢測算法。該算法通過采取U-net網絡的U型結構并利用殘差學習方式構建深層次網絡，同時融合自校正卷積與通道注意力機制，在增大信息提取能力編碼多尺度特征信息的同時對特征進行重標定，使網絡自適應學習特征權重，可以對不同大小與形態的肺結節圖像具有更強的特征提取能力，有利于提高結節的檢測精度；另外，引入DR loss 函數作為訓練的分類損失函數，在減小數據集中樣本分布不均帶來的影響的同時，加強了對難樣本的學習。本文在廣泛認可的公共數據集LUNA16 上驗證和評估所提出的算法，采取了消融實驗，首先，驗證了DR loss損失函數的性能；其次，對比了采用不同局部結構網絡的影響。實驗結果表明，CPM得分達到0.901，檢測性能優于最新肺結節檢測算法，在不同大小與不同種類的肺結節具有良好的檢測效果并且可以準確區分假陽性結節，對肺結節自動篩查系統和臨床肺結節輔助診斷系統的建立具有十分重要的作用。