CN112883992A - 基于注意力的ResNet模型的乳腺癌肿块的分类方法 - Google Patents

基于注意力的ResNet模型的乳腺癌肿块的分类方法 Download PDF

Info

Publication number
CN112883992A
CN112883992A CN202011459379.4A CN202011459379A CN112883992A CN 112883992 A CN112883992 A CN 112883992A CN 202011459379 A CN202011459379 A CN 202011459379A CN 112883992 A CN112883992 A CN 112883992A
Authority
CN
China
Prior art keywords
attention
resnet
network model
mammary
breast cancer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011459379.4A
Other languages
English (en)
Inventor
李化
牛婧
袁晓辉
***
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202011459379.4A priority Critical patent/CN112883992A/zh
Publication of CN112883992A publication Critical patent/CN112883992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，包括：获取分类完成的乳腺X射线图像，将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练；获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。本发明通过使用基于注意力机制的卷积神经网络对乳腺癌肿块进行良恶性分类，避免因医生主观判断失误，造成的误诊漏诊的情况，提高诊断效率。

Description

基于注意力的ResNet模型的乳腺癌肿块的分类方法
技术领域
本发明属于神经网络技术领域，具体涉及一种基于注意力的 ResNet模型的乳腺癌肿块的分类方法。
背景技术
乳腺癌是女性中发病率最高的癌症，严重威胁女性的身心健康。乳腺癌的早期发现，可以增加乳腺癌的治愈率，减小患者的痛苦。在乳腺癌的临床诊断中，乳腺x线摄影技术是常用的乳腺癌检查方法，其成本低廉对患者造成的伤害小。主要用于乳腺癌筛查和诊断。一般地，乳腺x线图像的诊断主要靠影像科医生，尽管有经验的医生，在诊断时也容易会受到主观影响，产生误诊和漏诊的情况。所以，放射科医生需要计算机辅助诊断***来提高诊断效率。
近年来，人工智能技术不断发展，在图像方面的应用十分广泛。在图像方面，卷积神经网络的应用有很好的效果，因此，我们将卷积神经网络应用到医学图像领域中。注意力机制已经被证明可以关注到更多的有用信息而忽略无用的信息，可以有效提高卷积神经网络的分类性能。本文中我们使用基于注意力机制的卷积神经网络对乳腺癌肿块进行良恶性分类。
发明内容
为解决上述技术问题，本发明设计一种基于注意力的ResNet模型的乳腺癌肿块的分类方法。
为实现上述目的，其技术方案如下：一种基于注意力的ResNet 模型的乳腺癌肿块的分类方法，包括：
获取分类完成的乳腺X射线图像，并对图像进行预处理，将预处理完成的乳腺X射线图像分为训练集和测试集；
将注意力模块与ResNet网络模型结合，得到基于注意力的 ResNet网络模型，将作为训练集的乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练，并通过作为测试集的乳腺X射线图像验证训练好的基于注意力的 ResNet网络模型的准确性；
获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。
其中，对分类完成的乳腺X射线图像进行预处理的步骤中，包括步骤：对分类完成的乳腺X射线图像进行数字噪声的消除、伪影消除以及图像归一化。
其中，在对分类完成的乳腺X射线图像进行预处理的步骤之后，还包括对处理好的乳腺X射线图像进行数据增强的步骤，具体包括：旋转、翻转、缩放、平移和随机裁剪。
其中，在将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型的步骤中，是将注意力模块***到ResNet网络模型中；其中，所述注意力模块采用的是CBAM注意力模型。
其中，CBAM注意力模型包括通道注意力模块和空间注意力模块；
其中，通道注意力模块为了压缩输入特征图的空间维数，同时使用平均池化和最大池化来聚合特征的空间信息，生成两个不同的空间上下文特征描述
Figure RE-GDA0003004925270000021
和
Figure RE-GDA0003004925270000022
将两个描述符送入到一个由多层感知机和一个隐藏层组成的共享网络中，通过对应元素求和合并特征向量，生成通道注意力图；
计算过程表示为：
Figure RE-GDA0003004925270000023
其中σ表示Sigmoid激活函数；
空间注意模块使用平均池化和最大池化对输入通道的特征图进行压缩，经过压缩后得到两个不同的特征
Figure RE-GDA0003004925270000031
和
Figure RE-GDA0003004925270000032
将它们通过p操作连接起来，利用7×7的卷积层对拼接后的特征图进行卷积，生成空间注意图Ms(F)∈RH×W；
计算过程表示为：
Figure RE-GDA0003004925270000033
其中σ表示Sigmoid激活函数，f7×7表示卷积核为7×7的卷积操作。
其中，将预处理后的图像样本按比例随机分为十个子集，使每个子集中图片样本的数量相等，每次实验选取9个经过数据增强后的子集作为训练集，剩余的一个子集作为测试集；轮流进行十次实验，取十次实验的平均值，得到的基于注意力的ResNet模型作为最优的网络模型。
区别于现有技术，本发明的基于注意力的ResNet模型的乳腺癌肿块的分类方法，包括：获取分类完成的乳腺X射线图像，将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练；获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。本发明通过使用基于注意力机制的卷积神经网络对乳腺癌肿块进行良恶性分类，避免因医生主观判断失误，造成的误诊漏诊的情况，提高诊断效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法的流程示意图。
图2是本发明提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中注意力模块的结构示意图。
图3是本发明提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中通道注意力模块结构示意图。
图4是本发明提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中空间注意力模块结构示意图。
图5是本发明提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中注意力模块***残差块的结构示意图。
具体实施方式
下面结合附图和具体实施示例对本发明做进一步的详细描述。
如图1所示，本发明提供了一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，包括：
获取分类完成的乳腺X射线图像，并对图像进行预处理，将预处理完成的乳腺X射线图像分为训练集和测试集；
将注意力模块与ResNet网络模型结合，得到基于注意力的 ResNet网络模型，将作为训练集的乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练，并通过作为测试集的乳腺X射线图像验证训练好的基于注意力的 ResNet网络模型的准确性；
获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。
其中，对分类完成的乳腺X射线图像进行预处理的步骤中，包括步骤：对分类完成的乳腺X射线图像进行数字噪声的消除、伪影消除以及图像归一化。
通常乳腺x射线图像中包含一些与诊断无关的特征，这些特征会严重限制网络的特征提取性能。因此在预处理中主要包含数字噪声的消除、伪影消除以及图像归一化。最后通过零均值归一化操作，使不同来源的图像统一为量纲。
其中，在对分类完成的乳腺X射线图像进行预处理的步骤之后，还包括对处理好的乳腺X射线图像进行数据增强的步骤，具体包括：旋转、翻转、缩放、平移和随机裁剪。
乳腺x射线图像的原始图像尺寸较大，不利于神经网络的特征提取工作。为了更好的提取乳腺肿块的特征，本发明将乳腺x射线图像中包含肿块的感兴趣区域裁剪出来，使用较小的图像来训练卷积神经网络。
深度学***移和随机裁剪。本方案使用旋转、翻转和缩放来对裁剪后的图像进行数据增强。分别对图像进行180°旋转、上下翻转、左右翻转和按 0.9的比例进行缩放。得到四个不同的图像，从而增强训练集样本的数据量。
其中，在将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型的步骤中，是将注意力模块***到ResNet网络模型中；其中，所述注意力模块采用的是CBAM注意力模型。
在人类的感知***中，注意力机制可以帮助人类选择性的关注有用的信息。受到人类注意力机制的启发，在卷积神经网络中引入注意力机制可以提高卷积神经网络提取特征的能力。注意力模块通过改变权重，有选择性地提高有效特征的权重并降低无效特征的权重。在众多的注意模块中，CBAM是一种简单而有效的前馈卷积神经网络注意力模型，该模块在提高卷积神经网络的分类性能地同时，不会增加过多的网络参数。
其中，CBAM注意力模型包括通道注意力模块和空间注意力模块；
图2所示为CBAM注意力模型的整体结构。给定一个输入特征图F∈RC×H×W，CBAM能够顺序推理出一维的通道注意图 MC∈RC×1×1和二维的空间注意图MC∈R1×H×W，总体的计算过程可以表示如下：
Figure RE-GDA0003004925270000061
Figure RE-GDA0003004925270000062
其中
Figure RE-GDA0003004925270000063
表示元素对应相乘，首先计算输入特征图F的通道特征图，并将其与输入特征图相乘得到F′。之后将F′与计算得到的F′的空间特征图相乘，得到最终的输出特征图F″。
如图3所示，通道注意力模块为了压缩输入特征图的空间维数，同时使用平均池化和最大池化来聚合特征的空间信息，生成两个不同的空间上下文特征描述
Figure RE-GDA0003004925270000064
和
Figure RE-GDA0003004925270000065
将两个描述符送入到一个由多层感知机和一个隐藏层组成的共享网络中，通过对应元素求和合并特征向量，生成通道注意力图；
计算过程表示为：
Figure RE-GDA0003004925270000066
其中σ表示Sigmoid激活函数；激活函数的公式表示为：
Figure RE-GDA0003004925270000067
如图4所示，空间注意模块使用平均池化和最大池化对输入通道的特征图进行压缩，经过压缩后得到两个不同的特征
Figure RE-GDA0003004925270000068
和
Figure RE-GDA0003004925270000069
将它们通过p操作连接起来，利用7×7的卷积层对拼接后的特征图进行卷积，生成空间注意图Ms(F)∈RH×W；
计算过程表示为：
Figure RE-GDA0003004925270000071
其中σ表示Sigmoid激活函数，f7×7表示卷积核为7×7的卷积操作。
当普通的网络的层数越来越深的时候，效果反而会变差。因为网络越深，梯度消失的现象会越来越明显，导致网络收敛变得很慢，分类的准确性变差，ResNet提出一种残差学习的方式来改善这种现象。
ResNet通过引入跨层链接解决了梯度回传消失的问题，使得训练非常深的卷积神经网络成为可能。使用普通的连接，上层的梯度必须要一层一层传回来，而是用残差连接，相当于中间有了一条更短的路，梯度能够从这条更短的路传回来，避免了梯度过小的情况。
假设某层的输入是x，期望输出是H(x)，如果直接把输入x传到输出作为初始结果，这就是一个更浅层的网络，更容易训练，而这个网络没有学会的部分，可以使用更深的网络F(x)去训练它，使得训练更加容易，最后希望拟合的结果就是F(x)＝H(x)-x，这就是一个残差的结构。
将ReLU激活函数用于卷积层，增加模型的非线性。如果输入小于零，则整流线性单元输出0。如果输入大于零，则输出等于输入。下面是ReLU函数的公式：
R(x)＝max(0，x)
为了增强ResNet残差网络的特征表达能力，我们将注意力模块 CBAM集成到了残差块中，构成一个新的基于注意力模块CBAM的残差模块。这是由于CBAM模块能够从通道和空间两个维度增强特征的表达能力，这样的集成有助于模型分类性能的提升。其结构如5所示。
为了实现对乳腺钼靶图像的良恶性分类，构建了CBAM-ResNet网络模型用于提取图像的深层特征。该模型使用基于CBAM的残差块作为基本的构建块，通过堆叠这些构建块构建了一个新的残差网络模型。为了适应该模型的输入，将钼靶图像的像素调整为512×512。表1 给出了构建的CBAM-ResNet网络模型的参数。
Figure RE-GDA0003004925270000081
表1 CBAM-ResNet整体结构
将经过数据增强的裁剪后的图像样本，使用十倍交叉训练的方式训练网络模型。具体步骤如下所述：
将预处理后的图像样本按比例随机分为十个子集，使每个子集中图片样本的数量相等，每次实验选取9个经过数据增强后的子集作为训练集，剩余的一个子集作为测试集；轮流进行十次实验，取十次实验的平均值，得到的基于注意力的ResNet模型作为最优的网络模型。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，包括：
获取分类完成的乳腺X射线图像，并对图像进行预处理，将预处理完成的乳腺X射线图像分为训练集和测试集；
将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将作为训练集的乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练，并通过作为测试集的乳腺X射线图像验证训练好的基于注意力的ResNet网络模型的准确性；
获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。
2.根据权利要求1所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，对分类完成的乳腺X射线图像进行预处理的步骤中，包括步骤：对分类完成的乳腺X射线图像进行数字噪声的消除、伪影消除以及图像归一化。
3.根据权利要求2所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，在对分类完成的乳腺X射线图像进行预处理的步骤之后，还包括对处理好的乳腺X射线图像进行数据增强的步骤，具体包括：旋转、翻转、缩放、平移和随机裁剪。
4.根据权利要求1所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，在将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型的步骤中，是将注意力模块***到ResNet网络模型中；其中，所述注意力模块采用的是CBAM注意力模型。
5.根据权利要求4所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，所述CBAM注意力模型包括通道注意力模块和空间注意力模块；
其中，通道注意力模块为了压缩输入特征图的空间维数，同时使用平均池化和最大池化来聚合特征的空间信息，生成两个不同的空间上下文特征描述
Figure RE-FDA0003004925260000021
和
Figure RE-FDA0003004925260000022
将两个描述符送入到一个由多层感知机和一个隐藏层组成的共享网络中，通过对应元素求和合并特征向量，生成通道注意力图；
计算过程表示为：
Figure RE-FDA0003004925260000023
其中σ表示Sigmoid激活函数；
空间注意模块使用平均池化和最大池化对输入通道的特征图进行压缩，经过压缩后得到两个不同的特征
Figure RE-FDA0003004925260000024
和
Figure RE-FDA0003004925260000025
将它们通过p操作连接起来，利用7×7的卷积层对拼接后的特征图进行卷积，生成空间注意图Ms(F)∈H×W；
计算过程表示为：
Figure RE-FDA0003004925260000026
其中σ表示Sigmoid激活函数，f7×7表示卷积核为7×7的卷积操作。
6.根据权利要求3所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，将预处理后的图像样本按比例随机分为十个子集，使每个子集中图片样本的数量相等，每次实验选取9个经过数据增强后的子集作为训练集，剩余的一个子集作为测试集；轮流进行十次实验，取十次实验的平均值，得到的基于注意力的ResNet模型作为最优的网络模型。
CN202011459379.4A 2020-12-11 2020-12-11 基于注意力的ResNet模型的乳腺癌肿块的分类方法 Pending CN112883992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011459379.4A CN112883992A (zh) 2020-12-11 2020-12-11 基于注意力的ResNet模型的乳腺癌肿块的分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011459379.4A CN112883992A (zh) 2020-12-11 2020-12-11 基于注意力的ResNet模型的乳腺癌肿块的分类方法

Publications (1)

Publication Number Publication Date
CN112883992A true CN112883992A (zh) 2021-06-01

Family

ID=76043306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011459379.4A Pending CN112883992A (zh) 2020-12-11 2020-12-11 基于注意力的ResNet模型的乳腺癌肿块的分类方法

Country Status (1)

Country Link
CN (1) CN112883992A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408620A (zh) * 2021-06-21 2021-09-17 西安工业大学 一种乳腺组织病理图像分类方法
CN113421240A (zh) * 2021-06-23 2021-09-21 深圳大学 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置
CN113610857A (zh) * 2021-08-24 2021-11-05 济南大学 一种基于残差网络的苹果分级方法及***
CN114022742A (zh) * 2021-10-22 2022-02-08 中国科学院长春光学精密机械与物理研究所 红外与可见光图像融合方法、装置及计算机存储介质
CN116559949A (zh) * 2023-05-19 2023-08-08 北京宸宇金源科技有限公司 一种基于深度学习的碳酸盐岩储层预测方法、***及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543719A (zh) * 2018-10-30 2019-03-29 浙江大学 基于多模态注意力模型的宫颈非典型病变诊断模型和装置
CN110084794A (zh) * 2019-04-22 2019-08-02 华南理工大学 一种基于注意力卷积神经网络的皮肤癌图片识别方法
CN110889853A (zh) * 2018-09-07 2020-03-17 天津大学 基于残差-注意力深度神经网络的肿瘤分割方法
CN111104961A (zh) * 2019-10-31 2020-05-05 太原理工大学 基于改进的MobileNet网络对乳腺癌进行分类的方法
CN111260639A (zh) * 2020-01-19 2020-06-09 浙江工业大学之江学院 多视角信息协作的乳腺良恶性肿瘤分类方法
CN111709265A (zh) * 2019-12-11 2020-09-25 深学科技(杭州)有限公司 基于注意力机制残差网络的摄像监控状态分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889853A (zh) * 2018-09-07 2020-03-17 天津大学 基于残差-注意力深度神经网络的肿瘤分割方法
CN109543719A (zh) * 2018-10-30 2019-03-29 浙江大学 基于多模态注意力模型的宫颈非典型病变诊断模型和装置
CN110084794A (zh) * 2019-04-22 2019-08-02 华南理工大学 一种基于注意力卷积神经网络的皮肤癌图片识别方法
CN111104961A (zh) * 2019-10-31 2020-05-05 太原理工大学 基于改进的MobileNet网络对乳腺癌进行分类的方法
CN111709265A (zh) * 2019-12-11 2020-09-25 深学科技(杭州)有限公司 基于注意力机制残差网络的摄像监控状态分类方法
CN111260639A (zh) * 2020-01-19 2020-06-09 浙江工业大学之江学院 多视角信息协作的乳腺良恶性肿瘤分类方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408620A (zh) * 2021-06-21 2021-09-17 西安工业大学 一种乳腺组织病理图像分类方法
CN113421240A (zh) * 2021-06-23 2021-09-21 深圳大学 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置
CN113610857A (zh) * 2021-08-24 2021-11-05 济南大学 一种基于残差网络的苹果分级方法及***
CN113610857B (zh) * 2021-08-24 2024-02-06 济南大学 一种基于残差网络的苹果分级方法及***
CN114022742A (zh) * 2021-10-22 2022-02-08 中国科学院长春光学精密机械与物理研究所 红外与可见光图像融合方法、装置及计算机存储介质
CN114022742B (zh) * 2021-10-22 2024-05-17 中国科学院长春光学精密机械与物理研究所 红外与可见光图像融合方法、装置及计算机存储介质
CN116559949A (zh) * 2023-05-19 2023-08-08 北京宸宇金源科技有限公司 一种基于深度学习的碳酸盐岩储层预测方法、***及设备
CN116559949B (zh) * 2023-05-19 2024-07-12 北京宸宇金源科技有限公司 一种基于深度学习的碳酸盐岩储层预测方法、***及设备

Similar Documents

Publication Publication Date Title
CN112883992A (zh) 基于注意力的ResNet模型的乳腺癌肿块的分类方法
Tan et al. 3D-GLCM CNN: A 3-dimensional gray-level co-occurrence matrix-based CNN model for polyp classification via CT colonography
CN110443867B (zh) 基于生成对抗网络的ct图像超分辨率重构方法
Reddy et al. A novel computer-aided diagnosis framework using deep learning for classification of fatty liver disease in ultrasound imaging
CN112258415B (zh) 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法
Li et al. Classification of breast mass in two‐view mammograms via deep learning
CN111104961A (zh) 基于改进的MobileNet网络对乳腺癌进行分类的方法
CN111709446B (zh) 基于改进的密集连接网络的x线胸片分类装置
CN105023023B (zh) 一种用于计算机辅助诊断的乳腺b超图像特征自学习提取方法
Cai et al. Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning
Niu et al. Multi‐scale attention‐based convolutional neural network for classification of breast masses in mammograms
CN116864103A (zh) 一种基于多模态对比学习的肌少症诊断方法
Sun et al. ISSMF: Integrated semantic and spatial information of multi-level features for automatic segmentation in prenatal ultrasound images
Yue et al. Adaptive context exploration network for polyp segmentation in colonoscopy images
Sun et al. Two‐view attention‐guided convolutional neural network for mammographic image classification
Yadav et al. Deep learning-based CAD system design for thyroid tumor characterization using ultrasound images
Lomacenkova et al. Whole slide pathology image patch based deep classification: an investigation of the effects of the latent autoencoder representation and the loss function form
CN114565786A (zh) 基于通道注意力机制的断层扫描图像分类装置和方法
CN114066883A (zh) 一种基于特征选择与残差融合的肝肿瘤分割方法
CN114399510A (zh) 结合图像和临床元数据的皮肤病灶分割和分类方法及***
Kouser et al. Deep Learning-Based Segmentation Of Brain Tumor
Yao et al. Enhanced deep residual network for bone classification and abnormality detection
CN116109856A (zh) 一种多模态乳腺能谱图像分类方法
Lee et al. Breast tumor classification of ultrasound images using wavelet-based channel energy and imageJ
Cao et al. EFAG-CNN: Effectively fused attention guided convolutional neural network for WCE image classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601

RJ01 Rejection of invention patent application after publication