深度学习在CT肺动脉造影成像中的应用：一种用于肺栓塞检测的双管齐下方法

对计算机断层扫描肺动脉造影（CTPA）用于肺栓塞（PE）诊断的日益依赖带来了挑战以及对改进诊断方案的迫切需求。本研究的主要目标是利用深度学习技术增强PE的计算机辅助诊断（CAD）。为此，我们提出一种分类器引导的检测方法，有效利用分类器的概率推断来引导检测预测，这标志着在自动化PE诊断领域的新贡献。我们的分类系统包括一个注意力引导卷积神经网络（AG-CNN），其通过采用注意力机制利用局部上下文。该方法模拟人类专家的决策过程：在做出判断前同时关注全局表现与局部病灶区域。该分类器在FUMPE数据集上表现出稳健性能，使用Inception-v3骨干架构取得了0.927的AUROC、0.862的灵敏度、0.879的特异度以及0.805的F1分数。此外，AG-CNN优于基线DenseNet-121模型，实现了8.1%的AUROC提升。以往研究多聚焦于主动脉中的PE检测，而我们对前沿目标检测模型与集成技术的使用大幅提升了外周动脉中小栓塞的检测精度。最后，我们提出的分类器引导检测方法进一步优化了检测指标，为学界贡献了新的最先进水平：mAP$_{50}$、灵敏度和F1分数分别为0.846、0.901和0.779，较前基准在mAP$_{50}$上显著提升了3.7%。我们的研究旨在通过将对AI解决方案整合进临床工作流来提升PE患者照护，凸显了人机协作在医学诊断中的潜力。