计算机工程

作者：周嘉文, 郑小盈, 祝永新, 林思敏, 陈凌曜, 曾洪斌, 郭俞, 王馨莹

单位：1. 中国科学院上海高等研究院，上海 2012102. 中国科学院大学，北京 1014083. 厦门大学医学院厦门大学附属心血管病医院放射科，福建 厦门 3610064. 上海核工程研究设计院股份有限公司，上海 200030

关键词：心肌缺血,卷积神经网络,双线性细粒度,多头自注意力机制,类别激活图,跳跃连接

基金：国家自然科学基金(12373113); 国家自然科学基金(62004201); 上海市人才发展资金项目(E1322E1); 上海核工程研究设计院股份有限公司知识图谱应用开发与测试项目(E3423E1)

深度学习在心肌缺血辅助诊断中有重要应用价值, 但传统深度学习医学图像分类网络存在无法捕捉心肌计算机断层扫描(CT)类别间细微差异、丢失CT数据三维(3D)结构信息等问题。为此, 提出一种DBTMed3D网络, 采用3D双线性细粒度池化对传统Med3D网络中的卷积模块进行改进, 用于处理包括CT和MRI在内的多模态医学图像数据。同时, 模仿ResNet网络, 在模块中引入跳跃连接, 融合图像细粒度二阶特征和卷积模块提取到的特征, 使得网络在关注局部特征的同时保留整体特征。此外, 引入3D类别激活图, 将热力图叠加在原心肌图像的CT切片上, 突出网络模型重点关注的心肌位置。最后, 设计3D层次化多头自注意力模块, 通过捕获图像局部特征解决3D医学图像的细粒度分类问题。实验结果表明, DBTMed3D在心肌CT数据集上的分类准确率为86.4%, 相比基准网络3D ResNet-50提升了6.7百分点, 具有较优的分类效果。

来源：2025年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第11期