[1]胡志坚,叶政春,郑瀚森.基于自注意力生成式对抗网络的肺癌图像语义分析方法[J].中国医学物理学杂志,2025,42(7):969-973.[doi:DOI:10.3969/j.issn.1005-202X.2025.07.019]
　HU Zhijian,YE Zhengchun,ZHENG Hansen.Semantic analysis of lung cancer images based on self-attention generative adversarial network[J].Chinese Journal of Medical Physics,2025,42(7):969-973.[doi:DOI:10.3969/j.issn.1005-202X.2025.07.019]
点击复制

基于自注意力生成式对抗网络的肺癌图像语义分析方法()

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
42
期数:
2025年第7期
页码:
969-973
栏目:
医学人工智能
出版日期:
2025-07-25

文章信息/Info

Title:
Semantic analysis of lung cancer images based on self-attention generative adversarial network
文章编号:
1005-202X（2025）07-0969-05
作者:
胡志坚; 叶政春; 郑瀚森
福建医科大学附属协和医院数字协和发展研究办公室，福建 福州 350001
Author(s):
HU Zhijian;  YE Zhengchun;  ZHENG Hansen
Office of Digital Coordination and Development Research, Fujian Medical University Union Hospital, Fuzhou 350001, China
关键词:
肺癌; 自注意力机制; 生成式对抗网络; 语义分析
Keywords:
lung cancer;  self-attention mechanism;  generative adversarial network;  semantic analysis
分类号:
R318；TP311
DOI:
DOI:10.3969/j.issn.1005-202X.2025.07.019
文献标志码:
A
摘要:
提出一种基于自注意力生成式对抗网络（SAGAN）的方法，旨在提升肺癌组织学分型的准确性。通过收集、预处理肺癌图像数据并进行数据增强，利用SAGAN模型进行训练。生成器通过自注意力机制加强特征提取，判别器则优化生成过程。实验结果表明SAGAN模型在训练集和测试集的准确率分别为0.852和0.845，召回率为0.833和0.829，均高于其他模型；且SAGAN的置信区间较窄，显示出模型在分类中的高稳定性。SAGAN方法提升了肺癌图像分析的效果，为临床提供更有力的决策支持。
Abstract:
Abstract: A self-attention generative adversarial network (SAGAN) is proposed to improve the accuracy of histologicalsubtype prediction for lung cancer cases. After collecting and preprocessing the lung cancer image dataset and dataaugmentation, SAGAN model is trained, where the generator uses self-attention mechanism to strengthen feature extraction,while the discriminator optimizes the generation process. Experimental results show that SAGAN model achieves accuraciesof 0.852 and 0.845 on the training and test sets, respectively, with recall rates of 0.833 and 0.829, outperforming the othermodels. Additionally, the narrow confidence intervals indicate the high stability of SAGAN model in classification. SAGANis helpful for lung cancer image analysis, providing stronger support for clinical decision-making.

相似文献/References:

[1]史贵连,叶福丽.肺癌调强放疗计划的设计[J].中国医学物理学杂志,2015,32(03):361.[doi:10.3969/j.issn.1005-202X.2015.03.013]
[2]朱夫海,吴伟章,王 勇,等.肺癌螺旋断层放疗计划设计的初步研究[J].中国医学物理学杂志,2014,31(04):4979.[doi:10.3969/j.issn.1005-202X.2014.04.002]
[3]翁邓胡,王 建,尹中明,等.基于锥形束CT研究肺癌图像引导放疗的内靶区外放边界值[J].中国医学物理学杂志,2014,31(04):5012.[doi:10.3969/j.issn.1005-202X.2014.04.009]
[4]彭莹莹,张书旭,谭剑明,等.基于PCNN的PET/CT图像分割在肺癌靶区勾画中的应用[J].中国医学物理学杂志,2014,31(04):5022.[doi:10.3969/j.issn.1005-202X.2014.04.011]
[5]王 涛,王运来.基于4D-CT和Mimics软件模拟分析肺癌肿瘤的呼吸运动规律[J].中国医学物理学杂志,2014,31(05):5132.[doi:10.3969/j.issn.1005-202X.2014.05.008]
[6]周 琼,周剑良,张一戈,等.基于锥形束CT肺癌放射治疗两种体位固定技术摆位误差的研究[J].中国医学物理学杂志,2014,31(06):5258.[doi:10.3969/j.issn.1005-202X.2014.06.008]
[7]张矛,金海国,苏清秀,等.肺癌静态调强与容积旋转调强放射治疗间比较[J].中国医学物理学杂志,2013,30(05):4364.[doi:10.3969/j.issn.1005-202X.2013.05.006]
[8]罗焕丽,靳富,王颖,等.肿瘤放疗中体外误差与体内误差的关联性[J].中国医学物理学杂志,2016,33(1):10.[doi:DOI:10.3969/j.issn.1005-202X.2016.01.003]
　[J].Chinese Journal of Medical Physics,2016,33(7):10.[doi:DOI:10.3969/j.issn.1005-202X.2016.01.003]
[9]王琳婧,张书旭,袁克虹,等.基于图像变形配准的肺癌自适应放疗剂量学研究[J].中国医学物理学杂志,2016,33(1):16.[doi:DOI:10.3969/j.issn.1005-202X.2016.01.004]
　[J].Chinese Journal of Medical Physics,2016,33(7):16.[doi:DOI:10.3969/j.issn.1005-202X.2016.01.004]
[10]李政良,等.4DCT下肺癌大体肿瘤的变化及相关因素分析[J].中国医学物理学杂志,2016,33(2):208.[doi:10.3969/j.issn.1005-202X.2016.02.021]

备注/Memo

备注/Memo:
【收稿日期】2025-01-05【基金项目】福建省自然科学基金（2023J01647）【作者简介】胡志坚，高级工程师，研究方向：医疗信息化应用、大数据与人工智能，E-mail: H12738jj@163.com
更新日期/Last Update: 2025-07-25