用于医学图像分析的混合CNN与切比雪夫多项式展开
计算机视觉与模式识别
2025-04-10 v1 机器学习
摘要
肺癌是全球癌症死亡原因的前列之一，及早且准确的诊断对于改善患者预后至关重要。自动检测CT扫描中的肺结节是一项具有挑战性的任务，由于结节大小、形状、纹理和位置的差异性。传统卷积神经网络（CNN）在医学图像分析方面显示出巨大的潜力；然而，其有限的捕获细粒度空域-频谱变化能力限制了其在复杂诊断情景中的性能。本研究提出一种新型混合深度学习架构，将切比雪夫多项式展开融入CNN层，以增强表达力并提高对潜在解剖结构的表征。所提出的Chebyshev-CNN利用切比雪夫多项式的正交性和递归特性来提取高频特征，并以更高的保真度逼近复杂非线性函数。该模型在LUNA16和LIDC-IDRI等基准肺癌影像数据集上进行训练和评估，在将肺结节分类为良性或恶性方面实现了优异的性能。定量结果表明，该方法在准确率、灵敏度和特异度方面显著优于传统CNN方法。这种在深度学习中集成基于多项式的谱近似，为增强自动化医疗诊断提供了稳健框架，并在更广泛的临床决策支持系统中具有潜在应用价值。
引用
@article{arxiv.2504.06811,
title = {Hybrid CNN with Chebyshev Polynomial Expansion for Medical Image Analysis},
author = {Abhinav Roy and Bhavesh Gyanchandani and Aditya Oza},
journal= {arXiv preprint arXiv:2504.06811},
year = {2025}
}