Para enfrentar os problemas de extração insuficiente de características e alta dimensionalidade das mesmas ao treinar redes neurais convolucionais em imagens médicas de TC, este artigo propõe um método de reconhecimento de tumores pulmonares baseado em uma rede neural densa e classificação por representação colaborativa esparsa não negativa com base na fusão de imagens multiescala (Multi Scale DenseNet-NSCR). Primeiro, os parâmetros do modelo de rede neural densa pré-treinado são inicializados usando aprendizado por transferência; segundo, as imagens pulmonares são pré-processadas para extrair as regiões de interesse (ROI) multiescala das lesões; terceiro, a rede neural densa é treinada com imagens de TC multiescala para extrair vetores de características da camada totalmente conectada; quarto, para o problema da alta dimensionalidade das características fusionadas, é utilizado o classificador de representação colaborativa esparsa não negativa (NSCR) para representar os vetores de características e resolver a matriz de coeficientes; quinto, a classificação é realizada utilizando similaridade residual. Finalmente, experimentos comparativos foram realizados usando modelos AlexNet, DenseNet-201 e três algoritmos de classificação (SVM, SRC, NSCR) combinados em pares, e os resultados mostram que a classificação Multiscale-DenseNet-NSCR supera outros modelos, apresentando altos índices de especificidade e sensibilidade, demonstrando boa robustez e capacidade de generalização do método.

Rede neural densa;Imagens médicas multiescala;Aprendizado por transferência;Algoritmo NSCR