CN112232433B - 一种基于双通路网络的肺结节良恶性分类方法 - Google Patents

一种基于双通路网络的肺结节良恶性分类方法 Download PDF

Info

Publication number
CN112232433B
CN112232433B CN202011158915.7A CN202011158915A CN112232433B CN 112232433 B CN112232433 B CN 112232433B CN 202011158915 A CN202011158915 A CN 202011158915A CN 112232433 B CN112232433 B CN 112232433B
Authority
CN
China
Prior art keywords
feature
characteristic
network
lung
benign
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
Application number
CN202011158915.7A
Other languages
English (en)
Other versions
CN112232433A (zh
Inventor
顾军华
孙哲然
张亚娟
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.)
Hebei University of Technology
Original Assignee
Hebei 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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202011158915.7A priority Critical patent/CN112232433B/zh
Publication of CN112232433A publication Critical patent/CN112232433A/zh
Application granted granted Critical
Publication of CN112232433B publication Critical patent/CN112232433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Abstract

本发明为一种基于双通路网络的肺结节良恶性分类方法，包括：第一步，对图像进行预处理，提取肺结节图像，形成训练集和测试集；第二步，通过Res2Net类残差连接网络中进行特征提取，完成局部多特征提取；第三步，通过全局特征提取网络进行特征提取，完成全局特征提取；第四步，将局部特征和全局特征进行特征交互运算得到完成网络模型的构建；第五步，选取激活函数，将训练集输入到网络模型中进行训练完成迭代，得到训练后的网络模型；第六步，将肺结节CT图像输入到训练后的网络模型中，输出肺结节对应的良、恶性的分类概率，将分类概率最大的类别作为肺结节的最终分类结果。该方法在准确率、敏感性和特异性方面都表现出优越的性能。

Description

一种基于双通路网络的肺结节良恶性分类方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于双通路网络的肺结节良恶性分类方法。
背景技术
肺癌是一种发病率和死亡率很高的疾病，肺癌主要由小的恶性肺结节引起，如果在早期较为及时的对肺结节的恶性程度进行诊断，能够在很大程度上提高患者的存活率。
CT扫描技术是目前应用最广泛的肺癌诊断技术，计算机辅助系统(ComputerAided Diagnosis，CADs)可以帮助医生诊断肺结节，减轻医生的工作量，为医生提供第二意见。尽管许多CADs已经被用于协助医生阅读胸部CT图像，但由于肺结节形状和纹理复杂，肺结节的特征很难被准确描绘。在医学领域，肺结节的类型是繁多而复杂的，不同恶性程度肺结节的大小、生长速度、边缘、钙化度和结节密度等都存在着差异，一些恶性结节常常表现出与良性结节相似的外观，如磨玻璃型结节、实质性结节、胸膜结节等，在视觉上具有相似性，因此肺结节良恶性的诊断技术依然面临许多挑战。
现有的肺结节良恶性诊断中主要有两种提取特征方法，一种是根据结节的大小、生长速度和形态外表等特点进行手工提取特征，以此判断肺结节的良恶性；或者先对肺实质进行分割，然后运用局部灰度最大分割感兴趣区域完成提取特征，最后利用SVM等分类器对肺结节进行最终分类，这种方法存在特征提取过程复杂，适应性差，局限性较大的缺陷。另一种是采用卷积神经网络(Constitutional Neural Networks，CNN)进行肺结节良恶性诊断，由于卷积层具有稀疏的局部连接和权重共享的特点，可以大大减少网络中的参数个数，从而提高了效率，防止了过拟合。然而在提取图像特征时，如果只关注局部区域，会使网络忽略输入数据的全局信息，而如果过分关注整体，会影响网络对微小目标的分类准确性。由于肺结节的形状和纹理的多样性，许多良恶性肺结节具有非常相似的外观，局部差异小，导致其特征难以描述，为了可以很好地捕捉这种局部差异，同时考虑全局特征与局部特征的交互和融合，因此本申请提出一种基于双通路网络的肺结节良恶性分类方法。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于双通路网络的肺结节良恶性分类方法。
本发明解决所述技术问题采用的技术方案是：
一种基于双通路网络的肺结节良恶性分类方法，其特征在于，该方法的具体步骤如下：
第一步，对输入的肺结节CT图像进行预处理，提取肺结节图像，形成训练集和测试集；
第二步，将步骤1提取的肺结节图像分别经过卷积核大小为7×7、3×3的卷积操作，得到特征s1和s2；将特征s1经过1×1的卷积后，再经过BN层和Relu层后得到特征Z；将特征Z输入到Res2Net类残差连接网络中进行特征提取，得到特征A，完成局部多特征提取；
第三步，将第二步得到的特征s2输入到全局特征提取网络进行特征提取，得到特征B，以此完成全局特征提取；
全局特征提取网络包含依次连接的3×3卷积层、三个非局部块、1×1卷积层和Relu层，第一个非局部块与第二个非局部块之间、第三个非局部块与1×1卷积层之间分别加入随机失活层；
每个非局部块的输入特征分别经过三个1×1的卷积层进行通道压缩，得到特征矩阵Wv,Wk和Wq；将其中一个特征矩阵中的每个要素乘以其余任意一个特征矩阵中的每个要素，得到特征P；然后将特征P通过softmax操作得到注意力系数，将自注意力系数与特征矩阵Wv相乘，得到特征Q；最后将特征Q经过1×1卷积后，与该非局部块的输入特征进行残差连接得到该非局部块的输出特征；
第四步，第二步提取的特征A和第三步提取的特征B进行特征交互运算得到特征M，再将特征M经过全连接层和softmax操作，完成网络模型的构建；
第五步，选取softmax函数和sigmoid函数作为激活函数；将训练集输入到网络模型中进行训练完成迭代，得到训练后的网络模型；
第六步，将肺结节CT图像输入到训练后的网络模型中，输出肺结节对应的良、恶性的分类概率，将分类概率最大的类别作为肺结节的最终分类结果；
通过上述步骤完成基于双通路网络的肺结节良恶性分类。
与现有技术相比，本发明具有如下突出的实质性特点和显著进步：
1、本发明利用Res2Net类残差连接网络实现层间多个感受野的局部特征提取，利用非局部块实现肺结节的全局特征提取，局部特征提取和全局特征提取是两条并行的双通路网络，各自发挥自身的优势；通过特征交互运算将局部特征和全局特征进行结合，在原始的局部特征与全局特征的基础上通过特征交互运算，产生大量的特征组合对，达到共同发挥作用的目的，实现特征的交互和充分利用，由于医学图像数据相比于自然图像数据集，数据量匮乏，特征交互运算可以有效解决肺结节数据量少，特征提取不丰富的缺陷。
2、本方法的Res2Net类残差连接网络中包含多个单元模块，每个单元模块包含多个block模块，实现层间多个感受野的局部特征提取，能够提取到肺结节局部结构的细节特征，使得整个网络模型具有良好的分类性能，能够提取形态大小多变、外观相似的肺结节，使得肺结节的良恶性分类更加准确。
3、从试验结果来看，本申请的分类方法在准确率、敏感性和特异性方面都表现出优越的性能，相比于单独使用Res2Net-50网络对肺结节进行良恶性分类，本申请采用的双通路特征提取网络和特征交互方式，使得模型的关注区域更集中于肺结节本身，对肺结节本身的关注更为精准，从而使分类性能得到了一定程度的提升。
附图说明
图1是本发明的总体流程图；
图2是本发明的整体网络模型图；
图3是本发明的block模块的结构示意图；
图4是本发明的非局部块的结构示意图；
图5是本发明的分类方法与Res2Net-50网络的试验结果对比图。
具体实施方式
下面结合具体附图和实施例对本发明的技术方案进行详细说明，并不用于限定本申请的保护范围。
本发明提供一种基于双通路网络的肺结节良恶性分类方法(简称方法，参见图1-5)，具体步骤如下：
第一步，对输入的肺结节CT图像进行预处理
本实施例使用美国国家癌症研究所(National Cancer Institute)收集的LIDC-IDRI数据集，该数据集收集了高危人群的早期癌症检测数据，它包括1018个肺部CT扫描实例，共有244527张肺部切片图像，包含肺结节图像和肺实质图像等，每张图像都有标注信息；每张肺结节图像包含一个或多个肺结节，肺结节图像的标注信息包含肺结节的位置和等级。在本数据集中，肺结节按照恶性程度分为1-5级，其中1表示良性，2表示疑似良性，3表示未知，4表示疑似恶性，5表示恶性，0表示不可用，等级数值越大表示恶性程度越高，癌症发生的可能性就越高。
对肺结节图像进行预处理，包括提取肺结节图像、划分肺结节的良恶性和扩充数据集；LIDC-IDRI数据集的原始图像大小为512×512像素，根据原始肺结节图像标注的肺结节位置，以肺结节为中心，提取大小为64×64像素的肺结节图像，以此完成肺结节图像的提取；然后根据标注信息，将等级为1和2的肺结节划分为良性，等级为4和5的肺结节划分为恶性，去掉等级为3的未知肺结节，至此完成肺结节良恶性的划分；在扩充数据集操作中，对提取到的肺结节图像进行空间几何变换和像素变换，随机选取部分图像对其进行-10°、-5°、5°和10°的旋转操作，然后对旋转后的图像随机选取一部分进行高斯噪声处理，一部分进行椒盐噪声处理，以增加图像的噪声，保证数据集的丰富性，增强网络模型的鲁棒性。本实施例得到的数据集共包含13108张肺结节图像，其中训练集共有11800张，测试集共1308张。
第二步，肺结节图像的局部多特征提取
2.1初步特征提取
将步骤1提取的肺结节图像分别经过卷积核大小为7×7、3×3，通道数均为64，步长均为2的卷积层和池化层，得到特征s1和s2，完成初步特征提取；特征s1用于层间多特征提取，特征s2用于全局特征提取；此处的卷积层用于对肺结节图像进行降采样，也就是降低图像分辨率，减小计算量；池化层用于减少参数量。
2.2层间多特征提取
将特征s1经过1×1的卷积后，再经过BN层和Relu层后得到大小为64×64像素、通道数为256的特征Z，增加了特征Z的通道维度；然后将特征Z输入到Res2Net类残差连接网络中进行特征提取；Res2Net类残差连接网络能够实现层间多个感受野的局部特征提取，提取到肺结节局部结构的细节特征；本实施例的Res2Net类残差连接网络包含依次串联的Unit1、Unit2和Unit3三个单元模块，每个单元模块包含依次串联的多个block模块，以增加每个网络层内部的感受野，以此完成层间多特征提取，也就是肺结节图像的局部多特征提取，得到特征A；其中，Unit1单元模块包含3个block模块，Unit2单元模块包含4个block模块，Unit3单元模块包含6个block模块；
输入到Res2Net网络中的特征Z按照通道数等分为c组，即对特征向量的最后一个维度进行切分，实现通道数分组；每组特征xj拥有相同的通道数量，其中j∈{1,2,...,c}；本实施例c的取值为4，表示将特征Z等分为特征x1、x2、x3和x4；
每个block模块包含c-1次卷积操作，为了减小模型复杂度，省略特征x1的3×3卷积操作，特征x2经过3×3的卷积后与特征x3相加得到特征f，特征f经过3×3的卷积后与特征x4相加得到特征g；特征g经过3×3卷积后的特征与特征x1、特征x2卷积操作后的特征、特征x3卷积操作后的特征按照通道数拼接在一起，得到特征h；特征h依次经过1×1的卷积层和BN层后，再与该block模块的输入特征相加，相加后的特征经过Relu层后得到该block模块的输出特征；
对于每组特征xj都有相应的3×3卷积，用Uj()表示，yj表示Uj()的输出，如公式(1)所示；
Figure BDA0002743750210000041
式中，yj-1表示特征xj-1经过卷积操作后的输出；
block模块的c-1次卷积操作具体来说，表示一组滤波器首先从一组输入特征映射中提取特征，然后将前一组的输出特性与另一组输入特性映射一起发送到下一组滤波器，重复操作直到处理完所有的输入特征映射，得到多个滤波器组；这些较小的滤波器组连接在一个分层类残差网络中，以增加输出特征可以代表的尺度。随着输入特征转化为输出特征的任何可能路径的出现，当经过3×3的卷积操作后，等效感受野就会增大，由于组合效应导致了许多等效的特征尺度。最后将所有滤波器组的输出特征连接起来，发送到另一组1×1的滤波器中，使所有特征信息融合在一起，得到block模块的输出。
第三步，肺结节图像的全局特征提取
将特征s2输入到全局特征提取网络中进行特征提取，得到特征B，以此完成全局特征提取；
卷积神经网络具有局部感知的特点，即卷积单元每次只关注邻域的区域，即使感受野越来越大，仍然是局部区域的运算；为获得特征图中其他区域对当前区域的贡献，捕捉结节的纹理和形状特征，选用非局部块，(cell，也叫自注意力层)构造全局特征提取网络；全局特征提取网络包含依次连接的3×3卷积层、三个非局部块(cell)、1×1卷积层和Relu层，第一个非局部块与第二个非局部块之间、第三个非局部块与1×1卷积层之间分别加入随机失活层(Drop out)，用于提高网络的泛化能力，防止训练过程中的过拟合问题；
每个非局部块的输入特征分别经过三个1×1的卷积层进行通道压缩，得到特征矩阵Wv,Wk和Wq，之后应用特征的矩阵乘法实现多个特征矩阵之间的非线性交互，也就是将一个特征矩阵中的每个要素乘以其余任意一个特征矩阵中的每个要素，例如特征矩阵Wk中的每个要素乘以特征矩阵Wq中的所有要素，得到特征P，这使得网络可以捕捉全局特征，而不需要额外的参数，因为矩阵乘法是一种无参数运算；
然后将特征P通过softmax操作得到特征P的权重，这个权重代表自注意力系数，取值范围为0～1；将自注意力系数与特征矩阵Wv相乘，扩充通道数，得到特征Q；最后将特征Q经过1×1卷积后，与该非局部块的输入特征进行残差连接得到该非局部块的输出特征；
非局部块的输出如公式(2)所示：
f(Wv,Wk,Wq)＝x+Wvsoftmax(Wk TWq)Tγ (2)
其中，x表示非局部块的输入特征；T表示矩阵转置；γ为一个可学习参数，用于调节自注意力层对非局部块总输出的贡献；
第四步，特征交互运算，完成网络模型构建；
第二步提取的特征A和第三步提取的特征B按照公式(3)进行特征交互运算得到特征M，完成一张特征图的特征交互运算，再将特征M经过全连接层和softmax操作，完成网络模型的构建；通过公式(4)对输入的所有特征图进行特征交互运算；
F(l,I,f(A),f(B))＝fA(l,I)TfB(l,I) (3)
Figure BDA0002743750210000051
其中，f(A)和f(B)分别表示特征A和特征B的矩阵函数，I表示特征图的整体区域，l表示整体区域I中的任意一个位置；F表示在位置l处的特征交互函数；Φ(I)表示整体区域I的特征交互函数；
特征A和特征B的通道数均为m，特征A和特征B在l处的特征矩阵均为1×m，将特征A和特征B在同一位置得到的两个特征矩阵相乘，得到每个位置的m×m特征矩阵；再将所有位置的m×m特征矩阵求和，聚集图像中所有位置的特征组合对，得到大小为256×256的特征M，特征交互运算也就是特征图某个位置上的特征矩阵的乘法，采用矩阵外积组合的策略为每个位置创建大量的特征组合对，实现了特征间的交互作用；特征组合对用向量的形式表示，也就是交互向量。
第五步，模型训练
5.1激活函数的设置
分别选取softmax函数和sigmoid函数作为激活函数；softmax函数如公式(5)所示，表示将模型的输出特征中的所有元素都归一到0和1之间的实数，这些实数之和为1，相当于得到一个概率值，即每个肺结节分类时被取到的概率；
sigmoid函数也叫Logistic函数，用于隐层神经元的输出，取值范围为(0,1)，且单调递增易于优化，它将输出元素映射到(0,1)的区间，在用于特征相差较为复杂或是相差不是特别大的分类问题时效果比较好。
5.2损失函数的设置
本实施例采用交叉熵损失函数计算网络模型的训练损失，在分类问题中，相对于其它损失函数，交叉熵损失函数便于梯度下降反向传播，利于优化；交叉熵损失函数用于确定实际值与预测值的近似程度，因此一般来说，最后一个输出层中的节点数等于最终分类中的目标数，即网络最终分别输出一个二维数组，二维数组中每一维度对应一个类别。
将第一步得到的训练集输入到网络模型中进行训练，设置迭代周期为200，初始学习率为0.01，直到完成迭代，得到训练后的网络模型。
第六步，对输入模型的肺结节CT图像进行良恶性分类；
将肺结节CT图像输入到训练后的网络模型中，输出肺结节对应的良、恶性的分类概率，将分类概率最大的类别作为肺结节的最终分类结果。
通过上述步骤完成基于双通路网络的肺结节良恶性分类。
为了验证本方法的有效性，采用将本申请的分类方法(Res2_att)与现有的肺结节良恶性分类方法利用本实施例的数据集进行试验，将本申请的分类方法和Res2Net-50网络(参见文献《Gao S,Cheng M M,Zhao K,et al.Res2net:A new multi-scale backbonearchitecture[J].IEEE transactions on pattern analysis and machineintelligence,2019》)在分类准确率方面进行了比较，试验结果如图5所示；从图中可以看出，本申请的分类方法的准确率更高，分类精度更高，分类性能更优。
将本申请的分类方法与文献1(参见《AL-SHABI M,LAN B L,CHAN W Y,et al.Lungnodule classification using deep Local–Global networks[J].InternationalJournal of Computer Assisted Radiology and Surgery,2019,14(10):1815-1819.》)、文献2(参见《XIE Yutong,XIA Yong,ZHANG Jianpeng,et al.Knowledge-basedcollaborative deep learning for benign-malignant lung nodule classificationon chest CT[J].IEEE Transactions on Medical Imaging,2018,38(4):991-1004.》)和Res2Net-50网络分别从准确率、敏感性和特异性三种评价指标进行对比，结果如表1所示。
表1不同肺结节分类方法的结果比较
Figure BDA0002743750210000061
从表中可知，文献1在肺结节良恶性分类的准确率和敏感性方面表现最差；文献2对肺结节良恶性分类的准确率和特异性较高，但敏感性相对较低，表明分类的误诊率相对较高；本申请相较于现有方法，在准确率、敏感性和特异性方面都有较大提升，相比于单独使用Res2Net-50网络对肺结节进行良恶性分类，本申请采用的双通路特征提取网络和特征交互方式，使得模型的关注区域更集中于肺结节本身，对肺结节本身的关注更为精准，从而使分类性能得到了一定程度的提升。
本发明未述及之处适用于现有技术。

Claims (2)

1.一种基于双通路网络的肺结节良恶性分类方法，其特征在于，该方法的具体步骤如下：
第一步，对输入的肺结节CT图像进行预处理，提取肺结节图像，形成训练集和测试集；
第二步，将步骤1提取的肺结节图像分别经过卷积核大小为7×7、3×3的卷积操作，得到特征s1和s2；将特征s1经过1×1的卷积后，再经过BN层和Relu层后得到特征Z；将特征Z输入到Res2Net类残差连接网络中进行特征提取，得到特征A，完成局部多特征提取；
第三步，将第二步得到的特征s2输入到全局特征提取网络进行特征提取，得到特征B，以此完成全局特征提取；
全局特征提取网络包含依次连接的3×3卷积层、三个非局部块、1×1卷积层和Relu层，第一个非局部块与第二个非局部块之间、第三个非局部块与1×1卷积层之间分别加入随机失活层；
每个非局部块的输入特征分别经过三个1×1的卷积层进行通道压缩，得到特征矩阵Wv,Wk和Wq；将其中一个特征矩阵中的每个要素乘以其余任意一个特征矩阵中的每个要素，得到特征P；然后将特征P通过softmax操作得到注意力系数，将自注意力系数与特征矩阵Wv相乘，得到特征Q；最后将特征Q经过1×1卷积后，与该非局部块的输入特征进行残差连接得到该非局部块的输出特征；
第四步，第二步提取的特征A和第三步提取的特征B进行特征交互运算得到特征M，再将特征M经过全连接层和softmax操作，完成网络模型的构建；通过公式(4)进行特征交互运算：
Figure FDA0003581472520000011
F(l,I,f(A),f(B))＝fA(l,I)TfB(l,I) (3)
其中，f(A)和f(B)分别表示特征A和特征B的矩阵函数，I表示特征图的整体区域，l表示整体区域I中的任意一个位置；F表示在位置l处的特征交互函数；Φ(I)表示整体区域I的特征交互函数；fA(l,I)表示特征A中位置l处的特征矩阵；fB(l,I)表示特征B中位置l处的特征矩阵；L表示位置数量；
第五步，选取softmax函数和sigmoid函数作为激活函数；将训练集输入到网络模型中进行训练完成迭代，得到训练后的网络模型；
第六步，将肺结节CT图像输入到训练后的网络模型中，输出肺结节对应的良、恶性的分类概率，将分类概率最大的类别作为肺结节的最终分类结果；
通过上述步骤完成基于双通路网络的肺结节良恶性分类。
2.根据权利要求1所述的基于双通路网络的肺结节良恶性分类方法，其特征在于，第二步中的Res2Net类残差连接网络包含依次串联的Unit1、Unit2和Unit3三个单元模块；其中，Unit1单元模块包含3个block模块，Unit2单元模块包含4个block模块，Unit3单元模块包含6个block模块。
CN202011158915.7A 2020-10-27 2020-10-27 一种基于双通路网络的肺结节良恶性分类方法 Active CN112232433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011158915.7A CN112232433B (zh) 2020-10-27 2020-10-27 一种基于双通路网络的肺结节良恶性分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011158915.7A CN112232433B (zh) 2020-10-27 2020-10-27 一种基于双通路网络的肺结节良恶性分类方法

Publications (2)

Publication Number Publication Date
CN112232433A CN112232433A (zh) 2021-01-15
CN112232433B true CN112232433B (zh) 2022-08-26

Family

ID=74109420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011158915.7A Active CN112232433B (zh) 2020-10-27 2020-10-27 一种基于双通路网络的肺结节良恶性分类方法

Country Status (1)

Country Link
CN (1) CN112232433B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205131A (zh) * 2021-04-28 2021-08-03 阿波罗智联(北京)科技有限公司 图像数据的处理方法、装置、路侧设备和云控平台
CN113782181A (zh) * 2021-07-26 2021-12-10 杭州深睿博联科技有限公司 一种基于ct图像的肺结节良恶性诊断方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064405A (zh) * 2018-08-23 2018-12-21 武汉嫦娥医学抗衰机器人股份有限公司 一种基于双路径网络的多尺度图像超分辨率方法
CN109242839A (zh) * 2018-08-29 2019-01-18 上海市肺科医院 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法
CN110084813A (zh) * 2019-05-13 2019-08-02 山东大学 一种基于三维深度学习网络的肺结节良恶性预测方法
CN110516747A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于对抗生成网络和自编码结合的肺结节良恶性分类方法
CN110517253A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于3d多目标特征学习的肺结节良恶性分类的方法
CN111582393A (zh) * 2020-05-13 2020-08-25 山东大学 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105470246B (zh) * 2015-12-21 2016-09-28 福建中科芯源光电科技有限公司 固态荧光体集成光源的双通道导热封装结构及封装方法
CN107203989A (zh) * 2017-04-01 2017-09-26 南京邮电大学 基于全卷积神经网络的端对端胸部ct图像分割方法
CN111768382B (zh) * 2020-06-30 2023-08-15 重庆大学 一种基于肺结节生长形态的交互式分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064405A (zh) * 2018-08-23 2018-12-21 武汉嫦娥医学抗衰机器人股份有限公司 一种基于双路径网络的多尺度图像超分辨率方法
CN109242839A (zh) * 2018-08-29 2019-01-18 上海市肺科医院 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法
CN110084813A (zh) * 2019-05-13 2019-08-02 山东大学 一种基于三维深度学习网络的肺结节良恶性预测方法
CN110516747A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于对抗生成网络和自编码结合的肺结节良恶性分类方法
CN110517253A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于3d多目标特征学习的肺结节良恶性分类的方法
CN111582393A (zh) * 2020-05-13 2020-08-25 山东大学 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多尺度特征融合的肺结节良恶性分类方法;顾军华等;《深圳大学学报理工版》;20200731;摘要，正文第1-3节 *

Also Published As

Publication number Publication date
CN112232433A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
Roy et al. Attention-based adaptive spectral–spatial kernel ResNet for hyperspectral image classification
Shawky et al. Remote sensing image scene classification using CNN-MLP with data augmentation
CN111695467B (zh) 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
Lin et al. Hyperspectral image denoising via matrix factorization and deep prior regularization
CN109727253A (zh) 基于深度卷积神经网络自动分割肺结节的辅助检测方法
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN112232433B (zh) 一种基于双通路网络的肺结节良恶性分类方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN107292336A (zh) 一种基于dcgan的极化sar图像分类方法
CN105184314B (zh) 基于像素聚类的wrapper式高光谱波段选择方法
Gao et al. A multiscale dual-branch feature fusion and attention network for hyperspectral images classification
CN115527056A (zh) 基于双混合卷积生成对抗网络的高光谱图像分类方法
CN115331104A (zh) 一种基于卷积神经网络的农作物种植信息提取方法
Cui et al. Center weighted convolution and GraphSAGE cooperative network for hyperspectral image classification
CN111639697A (zh) 基于非重复采样与原型网络的高光谱图像分类方法
CN111524140A (zh) 基于cnn和随机森林法的医学图像语义分割方法
Kate et al. A 3 Tier CNN model with deep discriminative feature extraction for discovering malignant growth in multi-scale histopathology images
Zhou et al. A new deep convolutional neural network model for automated breast Cancer detection
Shi et al. F 3 Net: Fast Fourier filter network for hyperspectral image classification
CN116843975A (zh) 结合空间金字塔注意力机制的高光谱图像分类方法
CN114373080B (zh) 基于全局推理的轻量化混合卷积模型的高光谱分类方法
CN116482618A (zh) 基于多损失特征自校准网络的雷达有源干扰识别方法
CN116310569A (zh) 一种基于鲁棒纹理特征的乳腺病变检测与分类装置
CN116310452A (zh) 一种多视图聚类方法及系统
Muthusamy et al. Deep belief network for solving the image quality assessment in full reference and no reference model

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