CN110335261B - 一种基于时空循环注意力机制的ct淋巴结检测系统 - Google Patents
一种基于时空循环注意力机制的ct淋巴结检测系统 Download PDFInfo
- Publication number
- CN110335261B CN110335261B CN201910570878.1A CN201910570878A CN110335261B CN 110335261 B CN110335261 B CN 110335261B CN 201910570878 A CN201910570878 A CN 201910570878A CN 110335261 B CN110335261 B CN 110335261B
- Authority
- CN
- China
- Prior art keywords
- attention
- lymph node
- network
- time
- constructing
- 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.)
- Active
Links
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 61
- 230000007246 mechanism Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000000203 mixture Substances 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 44
- 125000004122 cyclic group Chemical group 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 9
- 210000002751 lymph Anatomy 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000009901 attention process Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 3
- 230000003902 lesion Effects 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005015 mediastinal lymph node Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004334 sorbic acid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于时空循环注意力机制的CT淋巴结检测系统,具体涉及医学图像分析技术领域。本发明基于深度卷积神经网络和循环注意力机制,能够在淋巴结CT序列的切片向和空间域内构造出自适应病灶尺寸的注意力特征图谱。首先,利用一预训练卷积网络提取出淋巴结CT图像对应的高层空间特征;其次在空间邻域内,以淋巴结中心切片为基准,构造一种基于高斯核函数的循环注意力机制;在此基础上,实施基于高斯混合模型的时间(切片方向)注意力机制;此外,根据淋巴结在CT切片序列内位置分布的先验信息,对预测的注意力位置进行约束;最后,循环神经网络综合该两种注意力方法提取到的高层特征进行分类,得到淋巴结检测结果。
Description
技术领域
本发明涉及医学图像分析技术领域,具体涉及一种基于时空循环注意力机制的CT淋巴结检测系统。
背景技术
在将深度学习模型应用到医学图像分析领域时,鉴于医学图像特殊的成像特点,模型往往受到医学分析目标的不同大小、形状、尺度、成像质量、背景组织器官等情况的影响,分析准确性有待提高。
视觉注意力机制可以模仿人眼对视觉信息特有的关注机制,能够对感兴趣区域进行准确定位,进一步克服无关信息对模型的影响。有鉴于此,本发明将传统的面向自然图像的深度视觉注意力模型应用到淋巴结CT序列图像中,对淋巴结进行真假阳性分类,以提高深度学习方法在病灶检测方面的准确度。
发明内容
本发明的目的是针对上述不足,提出了一种基于循环注意力机制,根据CT图像呈现序列化特点,基于高斯核函数和混合密度网络,融合空间向、切片向两个维度的视觉注意力过程的CT淋巴结检测系统。
本发明具体采用如下技术方案:
一种基于时空循环注意力机制的CT淋巴结检测系统,包括训练样本提取模块、深层特征提取网络、特征嵌入网络和时空循环注意力目标检测模块,检测过程包括以下步骤:
步骤一:利用训练样本提取模块对获取到的淋巴结dcm格式文件及对应的淋巴结标注位置坐标信息,采用python中的pydicom模块对每个淋巴结抽取出长度为L,宽为W、高为H的CT切片图像块序列Ii(i=1,2,...,L),
步骤二:基于深层特征提取网络,利用由自然图像预训练好的VGG-16模型对每一淋巴结的CT切片图像块序列提取出其对应的高层空间特征图谱序列,记为{X0,...,XL};
步骤三:构建特征嵌入网络,对输入的高层特征图谱序列进行降维,输出特征图谱Ai;
步骤七:构建模型的损失函数,重复T次步骤四至步骤六,利用梯度反向传播算法,对模型进行有监督训练;
步骤八:重复步骤三至七,对模型进行迭代训练,直至训练结束,得到训练好的模型;
优选地,所述步骤四具体包括以下步骤:
步骤4.1:构建两层长短时循环记忆网络;
步骤4.2:构造特征图谱的编码过程,对长短时循环记忆网络的状态进行初始化;
步骤4.3:利用一发射网络,预测出在特征图谱范围内的空间注意力位置;
步骤4.4:基于二维高斯核函数,构造出注意力矩阵l(t);
优选地,在步骤4.1中,循环神经网络是基于两层结构的长短时循环记忆网络构建,隐藏层表达式由如式(1)所示,
其中,it,ft,ot分别代表输入门,遗忘门和输出门;ct,ht分别表示细胞状态和隐藏层状态;表示第t步注意力机制输入到长短时循环记忆网络的特征向量;为一个由可训练参数构成的仿射变换,a=d+E,b=4d;d为it,ft,ot,gt,ct和ht对应的相同向量维数,E为输入特征降维后的维数,将上述Rrecur(·)中的替换成后得到对应的Rrecur(·)。
优选地,所述步骤4.2具体包括如下步骤:
步骤4.2.1:构造与(1)式相同结构的一新的双层长短时循环记忆网络;
步骤4.2.2:将步骤3中每个淋巴结CT切片序列正中心位置处对应的特征图谱Amid,按照空间邻域进行划分;具体将8×8×200按相邻四个位置为一组,总共分成16个2×2×200个子特征块;
步骤4.2.3:对将该16个子特征块按照从外向内顺时针顺序依次输入到新的双层长短时循环记忆网络中,经过16次循环,获取最后时刻LSTM第二层对应的细胞状态用来初始化步骤4.1中的长短时循环记忆网络第二层细胞状态
优选地,所述步骤4.3具体包括如下步骤:
优选地,所述步骤五具体包括以下步骤:
步骤5.2:基于高斯混合分布,获得注意力权重向量l′(t);
优选地,所述步骤5.1中,具体包括以下步骤:
步骤5.1.2:由一层全连接隐藏层构成混合密度网络,用以回归时间注意力位置坐标及混合高斯函数参数,采用式(5)表示:
步骤5.1.4:采用式(6)将μLeft限制在[0,0.5),将μRight限制在(0.5,1]内。
μLeft←μLeft×0.5,μRight←0.5×(1+μRight) (6)
优选地,所述步骤5.2中,具体包括以下步骤:
其中,Ν为高斯混合密度函数:
优选地,在步骤七中,模型有监督训练的目标函数经过以下步骤获得:
步骤7.1:构建分类损失函数;考察所有循环注意力迭代步对应的交叉熵损失函数,由式(9)给出:
步骤7.2:构建空间注意力机制预测位置的惩罚项,具体包括如下两步:
步骤7.2.1:构建位置“集中”约束项,依照淋巴结位于切片中心位置处这一先验信息,基于Batch Normalization,将预测的空间注意力位置约束到特征图谱中心周围,由式(10)给出:
其中,β,γ为Batch Normalization引入的可训练参数;d为发射网络的输出维数;m为批样本容量;
步骤7.2.2:构建位置“发散”约束项;通过整个循环注意力过程中预测的各个位置对均匀分布的交叉熵损失函数进行构造,具体如式(11)所示:
其中,pUnif~Uniform(0,K2)表示分布在特征图谱空间范围内的均匀分布;常量Const置为1;
步骤7.4:构建模型最终的整体损失函数,如式(12)所示:
本发明具有如下有益效果:
本发明采用循环注意力机制,对淋巴结CT图像高层空间特征进行加权提取,能够自适应处理3D病灶体素信息,无需引入而外的位置标签信息。发明是基于高斯核函数,模型规模较小,整体可导,方便利用反向传播算法训练。对淋巴结检测结果较为理想,具有很好的技术价值和应用前景。
附图说明
图1为本发明方法的流程图;
图2为本发明各部分结构图;
图3为特征图谱编码序列示意图;
图4为对称的混合密度网络MDN结构图;
图5为循环神经网络在训练阶段时的正向,反向传播示意图;
图6为实施空间注意力机制实例图;
图7为实施时间注意力机制实例图;
图8为本发明与基准模型的FROCs和AUC对比图;
图9为本发明与其他模型的性能对比图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
为克服不同淋巴结病灶区域及复杂背景对检测结果的影响,该系统采用循环注意力机制,根据CT图像呈现序列化特点,基于高斯核函数和混合密度网络,模型融合空间向、切片向两个维度的视觉注意力过程。此外,利用病灶区域位置的先验分布,对预测的时空注意力位置进行了约束。
结合附图,一种基于时空循环注意力机制的CT淋巴结检测系统,包括训练样本提取模块、深层特征提取网络、特征嵌入网络和时空循环注意力目标检测模块,检测过程包括以下步骤:
步骤一:利用训练样本提取模块对获取到的淋巴结dcm格式文件及对应的淋巴结标注位置坐标信息,采用python中的pydicom模块对每个淋巴结抽取出长度为L,宽为W、高为H的CT切片图像块序列Ii(i=1,2,...,L),
采用的数据集为TCIA(The Cancer Imaging Archive)提供的CT淋巴结数据集,其中包含有90个病人的389个纵膈淋巴结以及与之对应的3208例假阳性样本,86个病人的595个腹腔淋巴结以及与其对应的3484例假阳性样本。根据CT淋巴结的先验统计信息,抽取的每个淋巴结对应的CT切片序列长度L=9,即以每个淋巴结中心为对称轴,前向和后向分别抽取四个相邻切片组成序列。且此处固定W=H=32,在空间域中,图像块的中心即对应于CT淋巴结标注的位置坐标。
步骤二:基于深层特征提取网络,利用由自然图像预训练好的VGG-16模型对每一淋巴结的CT切片图像块序列提取出其对应的高层空间特征图谱序列,记为{X0,...,XL};
预训练CNN模型选用基于ImageNet数据集训练的Inception-V3模型。且高层特征选取其倒数第二层卷积层,提取到的特征维数为8×8×1280。
步骤三:构建特征嵌入网络,对输入的高层特征图谱序列进行降维,输出特征图谱Ai;
构建的特征嵌入网络由一层全连接层构成,即1×1卷积,且输出维度置为200。单个特征图谱的降维过程由(13)式表示。
Ai=tanh(WEmXi+b) (13)
步骤四具体包括以下步骤:
步骤4.1:构建两层长短时循环记忆网络(Long Short-Term Memory,LSTM);
在步骤4.1中,循环神经网络是基于两层结构的长短时循环记忆网络构建,隐藏层表达式由如式(1)所示,
其中,it,ft,ot分别代表输入门,遗忘门和输出门;ct,ht分别表示细胞状态和隐藏层状态;表示第t步注意力机制输入到长短时循环记忆网络的特征向量;为一个由可训练参数构成的仿射变换,a=d+E,b=4d;d为it,ft,ot,gt,ct和ht对应的相同向量维数,E为输入特征降维后的维数,将上述Rrecur(·)中的替换成后得到对应的Rrecur(·)
步骤4.2:构造特征图谱的编码过程,对长短时循环记忆网络的状态进行初始化;
步骤4.2具体包括如下步骤:
步骤4.2.1:构造与(1)式相同结构的一新的双层长短时循环记忆网络;
步骤4.2.2:将步骤3中每个淋巴结CT切片序列正中心位置处对应的特征图谱Amid,按照空间邻域进行划分;具体将8×8×200按相邻四个位置为一组,总共分成16个2×2×200个子特征块;
步骤4.2.3:对将该16个子特征块按照从外向内顺时针顺序依次输入到新的双层长短时循环记忆网络中,经过16次循环,获取最后时刻LSTM第二层对应的细胞状态用来初始化步骤4.1中的长短时循环记忆网络第二层细胞状态
步骤4.3:利用一发射网络,预测出在特征图谱范围内的空间注意力位置;
步骤4.3具体包括如下步骤:
步骤4.4:基于二维高斯核函数,构造出注意力矩阵l(t);
步骤五具体包括以下步骤:
步骤5.1中,具体包括以下步骤:
步骤5.1.2:由一层全连接隐藏层构成混合密度网络(Mixture DensityNetworks,MDN),用以回归时间注意力位置坐标及混合高斯函数参数,采用式(5)表示:
步骤5.1.4:采用式(6)将μLeft限制在[0,0.5),将μRight限制在(0.5,1]内。
μLeft←μLeft×0.5,μRight←0.5×(1+μRight) (6)
步骤5.2:基于高斯混合分布,获得注意力权重向量l′(t);
步骤5.2中,具体包括以下步骤:
其中,Ν为高斯混合密度函数:
步骤七:构建模型的损失函数,重复T次步骤四至步骤六,利用梯度反向传播算法,对模型进行有监督训练;
在步骤七中,模型有监督训练的目标函数经过以下步骤获得:
步骤7.1:构建分类损失函数;考察所有循环注意力迭代步对应的交叉熵损失函数,由式(9)给出:
步骤7.2:构建空间注意力机制预测位置的惩罚项,具体包括如下两步:
步骤7.2.1:构建位置“集中”约束项,依照淋巴结位于切片中心位置处这一先验信息,基于Batch Normalization,将预测的空间注意力位置约束到特征图谱中心周围,由式(10)给出:
其中,β,γ为Batch Normalization引入的可训练参数;d为发射网络的输出维数;m为批样本容量;
步骤7.2.2:构建位置“发散”约束项;通过整个循环注意力过程中预测的各个位置对均匀分布的交叉熵损失函数进行构造,具体如式(11)所示:
其中,pUnif~Uniform(0,K2)表示分布在特征图谱空间范围内的均匀分布;常量Const置为1;
步骤7.4:构建模型最终的整体损失函数,如式(12)所示:
步骤八:重复步骤三至七,对模型进行迭代训练,直至训练结束,得到训练好的模型;
训练数据由真假阳性样本按等比例构成,模型在测试时采用3次交叉验证。模型的各超参数按如下数值进行设置:①式(12)中,λ1=1,λ2=0.5;②循环注意力机制每次循环次数T=8。③式(5)中的序列左半部和右半部对应的高斯混合模型的分量数C=1,即总的分量数为3,分别对应序列左、中、右三个子部分。④训练批样本容量为20,初始学习率置为0.1,每25次周期降低0.1,总共200次训练周期。
图6为实施空间注意力机制实例图。可以看出,在空间注意力位置约束项及其合理的超参数设置下,注意力位置较为准确的落入到淋巴结边界附近。
图7为实施时间注意力机制实例图。图中:前两例对应真阳性结节,后两例为假阳性。底部条形图为模型对序列中各切片预测的自适应权值。在时间注意力位置约束项的作用下,模型能够较为准确地自适应定位到不同结节大小对应的切片边界。从而提取出与淋巴结相关的上下文特征信息。
图8为本发明与基准模型的FROCs和AUC对比图。此处基准模型为未采用循环注意力机制的双层LSTM模型。为公平对比,其结构与步骤4.1中的LSTM一致。Sequence=1代表基准模型只抽取淋巴结中心切片,循环次数T=1模型从而退化成经典的CNN结构。Sequence=1即代表基准模型循环九次。从图中可以看出,本发明对应的FROCs和AUC表现均为最佳。
图9为本发明与其他模型的性能对比图。表中:带有“*-H”的符号表示输入图像尺寸对应为高分辨率(256×256);“*-L”代表低分辨率(64×64);“*-RI”表示模型从头开始训练;“*-TL”为模型参数从ImageNet数据集中迁移而来。从表格中可以看出,按照AUC和TPR/3FP为性能度量标准,本发明对胸腔及腹腔淋巴结的分类准确率均为最高。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种基于时空循环注意力机制的CT淋巴结检测系统,其特征在于,包括训练样本提取模块、深层特征提取网络、特征嵌入网络和时空循环注意力目标检测模块,检测过程包括以下步骤:
步骤一:利用训练样本提取模块对获取到的淋巴结dcm格式文件及对应的淋巴结标注位置坐标信息,采用python中的pydicom模块对每个淋巴结抽取出长度为L,宽为W、高为H的CT切片图像块序列Ii(i=1,2,...,L),
步骤二:基于深层特征提取网络,利用由自然图像预训练好的VGG-16模型对每一淋巴结的CT切片图像块序列提取出其对应的高层空间特征图谱序列,记为{X0,...,XL};
步骤三:构建特征嵌入网络,对输入的高层特征图谱序列进行降维,输出特征图谱Ai;
步骤七:构建模型的损失函数,重复T次步骤四至步骤六,利用梯度反向传播算法,对模型进行有监督训练;
步骤八:重复步骤三至七,对模型进行迭代训练,直至训练结束,得到训练好的模型;
8.如权利要求7所述的基于时空循环注意力机制的CT淋巴结检测系统,其特征在于,所述步骤5.1中,具体包括以下步骤:
步骤5.1.2:由一层全连接隐藏层构成混合密度网络,用以回归时间注意力位置坐标及混合高斯函数参数,采用式(5)表示:
步骤5.1.4:采用式(6)将μLeft限制在[0,0.5),将μRight限制在(0.5,1]内;
μLeft←μLeft×0.5,μRight←0.5×(1+μRight) (6) 。
10.如权利要求1所述的基于时空循环注意力机制的CT淋巴结检测系统,其特征在于,在步骤七中,模型有监督训练的目标函数经过以下步骤获得:
步骤7.1:构建分类损失函数;考察所有循环注意力迭代步对应的交叉熵损失函数,由式(9)给出:
步骤7.2:构建空间注意力机制预测位置的惩罚项,具体包括如下两步:
步骤7.2.1:构建位置“集中”约束项,依照淋巴结位于切片中心位置处这一先验信息,基于Batch Normalization,将预测的空间注意力位置约束到特征图谱中心周围,由式(10)给出:
其中,β,γ为Batch Normalization引入的可训练参数;d为发射网络的输出维数;m为批样本容量;
步骤7.2.2:构建位置“发散”约束项;通过整个循环注意力过程中预测的各个位置对均匀分布的交叉熵损失函数进行构造,具体如式(11)所示:
其中,pUnif~Uniform(0,K2)表示分布在特征图谱空间范围内的均匀分布;常量Const置为1;
步骤7.4:构建模型最终的整体损失函数,如式(12)所示:
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570878.1A CN110335261B (zh) | 2019-06-28 | 2019-06-28 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
US16/957,305 US11158048B2 (en) | 2019-06-28 | 2019-10-21 | CT lymph node detection system based on spatial-temporal recurrent attention mechanism |
PCT/CN2019/112219 WO2020258611A1 (zh) | 2019-06-28 | 2019-10-21 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570878.1A CN110335261B (zh) | 2019-06-28 | 2019-06-28 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335261A CN110335261A (zh) | 2019-10-15 |
CN110335261B true CN110335261B (zh) | 2020-04-17 |
Family
ID=68143548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910570878.1A Active CN110335261B (zh) | 2019-06-28 | 2019-06-28 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110335261B (zh) |
WO (1) | WO2020258611A1 (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11158048B2 (en) | 2019-06-28 | 2021-10-26 | Shandong University Of Science And Technology | CT lymph node detection system based on spatial-temporal recurrent attention mechanism |
CN110335261B (zh) * | 2019-06-28 | 2020-04-17 | 山东科技大学 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
CN110795522B (zh) * | 2019-11-06 | 2023-01-06 | 中国人民解放军战略支援部队信息工程大学 | 一种移动用户轨迹位置的预测方法及装置 |
CN115049602A (zh) * | 2019-11-28 | 2022-09-13 | 深圳硅基智控科技有限公司 | 人工神经网络模块的优化方法 |
CN111178500A (zh) * | 2019-12-10 | 2020-05-19 | 上海电机学院 | 一种基于组合深度学习网络的风功率预测系统 |
CN111096767A (zh) * | 2020-01-08 | 2020-05-05 | 南京市第一医院 | 基于深度学习的纵膈淋巴结超声弹性图像分割分类方法 |
CN111210907A (zh) * | 2020-01-14 | 2020-05-29 | 西北工业大学 | 一种基于空时注意力机制的疼痛强度估计方法 |
CN112446419B (zh) * | 2020-10-29 | 2023-07-11 | 中山大学 | 基于注意力机制的时空神经网络雷达回波外推预报方法 |
CN112632315B (zh) * | 2020-12-30 | 2022-03-29 | 珠海大横琴科技发展有限公司 | 一种遥感图像检索的方法和装置 |
CN112651577B (zh) * | 2021-01-08 | 2022-03-22 | 重庆邮电大学 | 一种基于融合时空数据的隧道形变预测方法 |
CN112733725B (zh) * | 2021-01-12 | 2023-09-22 | 西安电子科技大学 | 基于多级循环卷积自编码网络的高光谱图像变化检测方法 |
CN113065576A (zh) * | 2021-02-26 | 2021-07-02 | 华为技术有限公司 | 一种特征提取的方法以及装置 |
CN113139930B (zh) * | 2021-03-17 | 2022-07-15 | 杭州迪英加科技有限公司 | 甲状腺切片图像分类方法、装置、计算机设备和存储介质 |
CN113642379B (zh) * | 2021-05-18 | 2024-03-01 | 北京航空航天大学 | 基于注意力机制融合多流图的人体姿态预测方法及系统 |
CN113313199A (zh) * | 2021-06-21 | 2021-08-27 | 北京工业大学 | 一种于基于弱监督注意力的脑ct医学报告自动生成方法 |
CN113657582B (zh) * | 2021-08-20 | 2024-04-09 | 西安科技大学 | 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 |
CN114187467B (zh) * | 2021-11-11 | 2023-04-28 | 电子科技大学 | 基于cnn模型的肺结节良恶性分类方法及装置 |
CN114177747A (zh) * | 2021-12-02 | 2022-03-15 | 昆岳互联环境技术(江苏)有限公司 | 一种基于机器学习算法的烟气脱硫二氧化硫浓度预测方法 |
CN114266278B (zh) * | 2021-12-29 | 2024-02-20 | 合肥工业大学 | 一种基于双重注意力网络的设备剩余使用寿命预测方法 |
CN115035019B (zh) * | 2022-03-24 | 2024-08-02 | 什维新智医疗科技(上海)有限公司 | 一种基于卷积神经网络的颈部淋巴结分析装置 |
CN114862906B (zh) * | 2022-04-11 | 2024-05-07 | 中山大学 | 一种基于双向循环卷积神经网络的可见光定位跟踪方法 |
CN114638823B (zh) * | 2022-05-07 | 2022-08-12 | 赛维森(广州)医疗科技服务有限公司 | 基于注意力机制序列模型的全切片图像分类方法及装置 |
CN117849907B (zh) * | 2024-03-07 | 2024-05-24 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
CN117969553B (zh) * | 2024-03-28 | 2024-08-02 | 杭州映图智能科技有限公司 | 一种tpv针织复合管外观在线视觉检测系统 |
CN118038561B (zh) * | 2024-04-15 | 2024-06-21 | 南京邮电大学 | 一种基于时空循环架构的3d人体姿态估计方法 |
CN118094343B (zh) * | 2024-04-23 | 2024-07-16 | 安徽大学 | 一种基于注意力机制的lstm机器剩余使用寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066973A (zh) * | 2017-04-17 | 2017-08-18 | 杭州电子科技大学 | 一种利用时空注意力模型的视频内容描述方法 |
CN109101896A (zh) * | 2018-07-19 | 2018-12-28 | 电子科技大学 | 一种基于时空融合特征和注意力机制的视频行为识别方法 |
CN109934804A (zh) * | 2019-02-28 | 2019-06-25 | 北京科技大学 | 基于卷积神经网络的阿尔茨海默病变区域的检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405140B (zh) * | 2015-11-12 | 2018-07-06 | 西安电子科技大学 | 基于初始素描图的胃部ct图像淋巴结检测系统和方法 |
US9830709B2 (en) * | 2016-03-11 | 2017-11-28 | Qualcomm Incorporated | Video analysis with convolutional attention recurrent neural networks |
CN108388348B (zh) * | 2018-03-19 | 2020-11-24 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN109711463B (zh) * | 2018-12-25 | 2023-04-07 | 广东顺德西安交通大学研究院 | 基于注意力的重要对象检测方法 |
CN109754404B (zh) * | 2019-01-02 | 2020-09-01 | 清华大学深圳研究生院 | 一种基于多注意力机制的端到端的肿瘤分割方法 |
CN109886967A (zh) * | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺部解剖学位置定位算法 |
CN110335261B (zh) * | 2019-06-28 | 2020-04-17 | 山东科技大学 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
-
2019
- 2019-06-28 CN CN201910570878.1A patent/CN110335261B/zh active Active
- 2019-10-21 WO PCT/CN2019/112219 patent/WO2020258611A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066973A (zh) * | 2017-04-17 | 2017-08-18 | 杭州电子科技大学 | 一种利用时空注意力模型的视频内容描述方法 |
CN109101896A (zh) * | 2018-07-19 | 2018-12-28 | 电子科技大学 | 一种基于时空融合特征和注意力机制的视频行为识别方法 |
CN109934804A (zh) * | 2019-02-28 | 2019-06-25 | 北京科技大学 | 基于卷积神经网络的阿尔茨海默病变区域的检测方法 |
Non-Patent Citations (2)
Title |
---|
Spatio-Temporal Attention based Recurrent Neural Network for Next Location Prediction;Basmah Altaf et al.;《 IEEE Xplore》;20190124;全文 * |
融合时空网络与注意力机制的人体行为识别研究;孟乐乐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020258611A1 (zh) | 2020-12-30 |
CN110335261A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335261B (zh) | 一种基于时空循环注意力机制的ct淋巴结检测系统 | |
Yang et al. | Two-stage selective ensemble of CNN via deep tree training for medical image classification | |
US9633306B2 (en) | Method and system for approximating deep neural networks for anatomical object detection | |
CN113421652B (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
Birenbaum et al. | Longitudinal multiple sclerosis lesion segmentation using multi-view convolutional neural networks | |
Biffi et al. | Explainable anatomical shape analysis through deep hierarchical generative models | |
US11158048B2 (en) | CT lymph node detection system based on spatial-temporal recurrent attention mechanism | |
US8799202B2 (en) | Predicting states of subjects | |
US20160174902A1 (en) | Method and System for Anatomical Object Detection Using Marginal Space Deep Neural Networks | |
CN109192298B (zh) | 基于脑网络的深度脑疾病诊断算法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN111090764B (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
CN111738363A (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN112085714A (zh) | 一种肺结节检测方法、模型训练方法、装置、设备及介质 | |
Hsu et al. | Capturing implicit hierarchical structure in 3d biomedical images with self-supervised hyperbolic representations | |
Jiang et al. | Multi-learner based deep meta-learning for few-shot medical image classification | |
Li et al. | Segmentation of pulmonary nodules using a GMM fuzzy C-means algorithm | |
CN115359074A (zh) | 基于超体素聚类及原型优化的图像分割、训练方法及装置 | |
Qin | Transfer learning with edge attention for prostate MRI segmentation | |
Zheng et al. | A dual‐attention V‐network for pulmonary lobe segmentation in CT scans | |
Liu et al. | AHU-MultiNet: Adaptive loss balancing based on homoscedastic uncertainty in multi-task medical image segmentation network | |
US20220036136A1 (en) | Computer-implemented method for parametrizing a function for evaluating a medical image dataset | |
CN117953208A (zh) | 一种基于图的边缘注意力门医学影像分割方法及装置 | |
CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Peng Haixin Inventor before: Peng Haixin Inventor before: Ma Yingran Inventor before: Wang Yuanhong Inventor before: Peng Yanjun Inventor before: Lu Xinming |
|
CB03 | Change of inventor or designer information |