基于卷积混洗注意力极限梯度增强网络（SA-XGBNet）的CT图像肺癌检测方法研究及其性能提升分析

　　本文提出了一种创新的卷积混洗注意力极限梯度增强网络（SA-XGBNet），通过整合ConvXGB、SA-Net和分数阶微积分（FC）技术，显著提升了CT图像中肺癌检测的准确性。研究采用Kolmogorov–Wiener滤波预处理、双注意力网络（DA-Net）分割及多维度特征提取策略，在LIDC-IDRI数据集上实现了92.975%的准确率，为肺癌早期诊断提供了自动化解决方案。

　　

研究动机

肺癌检测强调早期精准诊断对降低死亡率的重要性。传统诊断模型存在成本高、处理时间长且早期癌症识别效果有限的问题。为解决这些挑战，需要开发基于CT图像的先进经济型自动化方法以实现精确诊断。SA-XGBNet通过整合卷积极限梯度增强（ConvXGB）、混洗注意力网络（SA-Net）和分数阶微积分（FC）来提升肺癌检测性能。

基于CT图像的卷积混洗注意力极限梯度增强网络肺癌检测方案

本研究核心是采用SA-XGBNet技术实现CT图像肺癌检测。首先从数据集获取原始CT图像，通过Kolmogorov–Wiener滤波进行去噪预处理。随后使用双注意力网络（DA-Net）精确分割肺结节区域，并应用旋转、尺寸调整、翻转、剪切和色彩抖动等图像增强技术。接着提取形状特征、强度特征、纹理特征以及融合熵的定向局部二值模式直方图描述符（HOLBP）。最终通过融合ConvXGB、SA-Net和FC的混合模型实现肺癌分类检测。

结果与讨论

SA-XGBNet技术的肺癌检测实验结果已与现有方法进行系统化对比分析，以评估其有效性和综合性能表现。

结论

基于深度学习模型和医学影像分析的肺癌检测技术显著改善了治疗规划效果。然而传统检测模型仍存在若干挑战，亟需开发自动化深度学习检测方案。为此，本研究采用SA-XGBNet实现CT图像肺癌检测，该方法通过Kolmogorov–Wiener滤波去噪、DA-Net精确分割结节区域，并结合多维度特征与混合分类模型，有效提升了肺癌识别的准确性与可靠性。