基于域泛化与多尺度卷积融合的多中心活动性肺结核自动诊断研究

　　本文提出DMTB-Net模型，创新性融合多尺度卷积融合模块（MSCB）与梯度反转层（GRL），有效解决多中心医疗数据中域内/域间特征差异问题。该模型通过多尺度特征提取与对抗训练机制，显著提升活动性/非活动性肺结核（Active/Inactive TB）的分类性能与跨中心泛化能力，为多中心医疗影像诊断提供新范式。

　　

亮点概述

图1展示了DMTB-Net的整体架构。具体而言，模型输入数据集表示为X（如公式(1)定义），其中X_jⁱ代表第i个域（医疗中心）的第j个样本，Y_y^i,j是对应的分类标签（用于区分活动性与非活动性病例），Y_d^i,j是域标签（表明样本来源的中心编号）。该定义使数据集同时支持分类任务和域判别任务。

数据集

本研究收集了2021年1月至2024年1月期间来自三家医院（贵州省人民医院、织金县人民医院、铜仁市人民医院）的1416例肺结核病例。其中活动性肺结核759例，非活动性肺结核657例（详细数据分布见表4）。所有患者均通过尼尔森染色、痰涂片等临床金标准确认活动状态。

讨论

本研究提出的DMTB-Net模型通过整合MSCB和GRL模块，有效解决了多中心场景下活动性/非活动性肺结核分类中的特征分布差异挑战。实验结果表明，DMTB-Net在分类性能和泛化能力上均显著优于DenseNet3D、MedViT等代表性模型，验证了其设计有效性。MSCB模块通过多尺度卷积增强了对复杂病变形态的捕捉能力，而GRL模块通过对抗训练机制有效提取了域不变特征。

结论

本研究通过提出融合多尺度卷积块（MSCB）和梯度反转层（GRL）的DMTB-Net框架，成功解决了多中心肺结核分类中的跨中心特征分布差异问题。在多个公开及自建多中心数据集上的实验表明，DMTB-Net相比现有模型具有更优异的分类准确性、泛化能力和鲁棒性。