易乐，张蕾

(四川大学计算机学院，成都610065)

0 引言

肺癌是我国乃至全球癌症相关死亡的主要原因，在2018年全球就有210万新增肺癌的确诊病例和180万新增肺癌的死亡病例[1]。早期发现恶性肺结节是至关重要的，它能够显著提升肺癌患者的五年生存率[2]。肺癌在多个层面中都具有极大的时间和空间异质性，包括基因、蛋白质、细胞、微环境、组织、器官等层面[3]。计算机断层扫描(CT)图像能够以非侵入的方式捕获肿瘤的异质性，因此，已经成为临床实践中筛查肺癌的常规手段。计算机辅助诊断(CAD)系统利用胸部CT图像，自动地检测出恶性的肺结节，极大减轻了临床医生的工作负担并加快了肺癌早期筛查流程。

近几年，肺癌的CAD系统取得了极大的发展[4-12]，其取得的突破与深度卷积神经网络(DCNN)在医学图像分析任务上的应用息息相关。然而，小样本问题始终阻碍着DCNN在肺结节的良恶性分类任务上的性能。这个问题的出现主要是因为带有标注的数据获取存在很大的壁垒。

很多工作都致力于推进肺结节良恶性分类的任务[4-6，8，11，12]。如何从只有少量样本的肺结节数据集中，有效提取肿瘤异质性的表达，是这些研究的共同课题。这些方法包括了多视图[5，6，10]/尺度[7，8]、半监督学习[6]、迁移学习[5，12]等。然而，很少有研究涉及肺结节在影像中呈现出的形态学特征。临床上，这些特征在一定程度上反映了肺结节的异质性，能够辅助肺结节的性质的判断[13，14]。例如，恶性肺结节通常具有毛刺征、分叶征的形态学表现。……