CN112419307A - 一种基于注意力机制的肺结节良恶性识别方法 - Google Patents
一种基于注意力机制的肺结节良恶性识别方法 Download PDFInfo
- Publication number
- CN112419307A CN112419307A CN202011436040.2A CN202011436040A CN112419307A CN 112419307 A CN112419307 A CN 112419307A CN 202011436040 A CN202011436040 A CN 202011436040A CN 112419307 A CN112419307 A CN 112419307A
- Authority
- CN
- China
- Prior art keywords
- attention
- network
- features
- dpn
- channel
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003211 malignant effect Effects 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 20
- 206010056342 Pulmonary mass Diseases 0.000 title claims description 14
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 206010054107 Nodule Diseases 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 6
- 201000005202 lung cancer Diseases 0.000 description 6
- 208000020816 lung neoplasm Diseases 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种肺结节良恶性识别方法，特别是一种基于注意力机制的肺结节良恶性识别方法。该方法将3D Attention DPN网络作为特征提取网络，让网络从通道和空间上更加注重结节区域的细节特征。在本发明的分类网络中既保留了DPN网络对特征提取速度快、准确度高的优势，又集成了CBAM（Convolutional Attention Block Module）注意力模块从通道和空间两个维度对特征进行自适应调整的能力，再结合高级分类器（GBM）能够有效地对结节进行良恶性识别。
Description
技术领域
本发明涉及一种肺结节良恶性识别方法，特别是一种基于注意力机制的肺结节良恶性识别方法。该方法将3D Attention DPN网络作为特征提取网络，让网络从通道和空间上更加注重结节区域的细节特征。在本发明的分类网络中既保留了DPN（Dual PathNetwork）网络对特征提取速度快、准确度高的优势，又集成了CBAM（ConvolutionalAttention Block Module）注意力模块从通道和空间两个维度对特征进行自适应调整的能力，再结合高级分类器（GBM）能够有效地对结节进行良恶性识别。
背景技术
肺癌是发病率和死亡率增长最快，对人体健康和生命威胁最大的恶性肿瘤之一。肺结节的良恶性识别对于提高肺癌患者的存活率有着重要的作用，尤其是早期的肺癌CT检查，能及时准确判断肺结节的良恶性，有助于延长肺癌患者的生存时间，并且大幅度降低肺癌的死亡率。然而肺结节识别工作量大，易遗漏。影像科医生需要阅读大量的肺部CT图像并作出临床诊断。为了减少医师的工作量并且提高结节识别的效率，在临床工作中，已经开始使用计算机辅助诊断技术。
肺结节自动分类旨在预测候选结节是良性还是恶性，这对肺癌的计算机辅助诊断具有重要意义。计算机辅助医学诊断方法更是已经成为医学影像、诊断放射、计算机科学中的重要研究领域，其中比传统的方法更加优秀的深度学习进入医学领域后，已经取得了不少优异的成果，但仍然存在一些挑战，包括缺乏细粒度的表示、推理过程的可解释性以及真阳性率和假阳性率之间的权衡。
发明内容
本发明所要解决的技术问题是针对结节分类时细节关注度不够，结节良恶性识别准确率有待提高等问题，提出了一种基于注意力机制的肺结节良恶性识别方法，使3D DPN网络在结节识别上得到了优化，得到了更高的肺结节良恶性识别率。
为了实现上述目的，本发明一种基于注意力机制的肺结节良恶性识别方法具体包括以下步骤：
步骤一：将ResNet和DenseNet在HORNN框架下通过一种拓扑路径连接到一起，ResNet能够实现将输入直接加到卷积的输出上，实现了特征的重复利用。DenseNet挖掘新特征的方式则是将每一层所计算出的输出拼接到了之后的每一层输入中去，综合两种网络的优势建立3D DPN特征提取网络；
步骤二：引入一种注意力机制来进一步改善3D DPN肺结节分类的性能，采用Convolutional Attention Block Module (CBAM)从通道注意力模块和空间注意力模块两个子模块去实现Attention机制；
步骤三：将原始像素、3D Attention DPN特征、结节的形状大小提供给GBM，GBM将最终得出结节良恶性分类结果。
所述步骤一中的具体过程如下：
（1）将ResNet和DenseNet在HORNN框架下通过一种拓扑路径连接到一起：
①选择ResNet和DenseNet两种特征提取网络；
②将两种网络进行HORNN框架下通过一种拓扑路径连接到一起。
（2）ResNet模型将部分卷积层都拟合成一个残差映射，残差之间通过快捷连接的方式连接，可以将初始化的结果将输入值传入到输出的数据中去；
（3）DenseNet网络模型为了尽最大努力保留网络中层与层之间最大的信息交流，采取的措施是将带有匹配特征的映射大小有关的所有层直接连接起来，并且为了保留其前向传播的特性，每一层都逐一分别从该层的上一层以及在上一层的所用层中获得了附加输入，最后再将其自己本身所带有的特征全部的映射传递到该层后的所有层；
（4）DPN网络将ResNet和DenseNet通过HORNN框架将网络整合到一起，该网络的优势在于可以对彼此之间共享公共的特征，并且其双路径的架构模式可保留模型的灵活性，从而实现探索未知更多的特征。
所述步骤二中的具体过程如下：
（1）选取注意力模块CBAM；
（2）将注意力模块嵌入到DPN网络：
①嵌入通道注意力模块，该模块的作用是利用特征的通道间关系，生成通道注意映射，为了有效的计算通道注意力权重，需要压缩输入特征图的空间维数，对空间信息进行聚合，为了避免单独使用平局池化或者最大池化带来的丢失信息过多，压缩特征图时选择同时采用平均池化和最大池化的方法。
②嵌入空间注意力模块，该模块的作用是利用空间特征之间的关系生成空间注意力的映射，在计算空间注意力时，应用平均池化和最大池化操作对通道信息进行聚合，并连接平均池化特征图和最大池化特征图，然后使用卷积操作得到空间注意力权重。
（3）将经过注意力的模块调整后的特征图嵌入3D DPN网络；
所述步骤三中的具体过程如下：
（1）将结节图像以结节为中心，裁剪大小16x16x16像素的图像送入给GBM；
（2）将3D Attention DPN网络提取的特征网络输入给GBM；
（3）GBM将得出结节良恶性分类结果。
附图说明
图1为本发明的网络结构图；
图2为本发明的通道注意力模块结构图；
图3为本发明的空间注意力模块结构图；
图4为本发明的检测效果展示图；
图5为本发明的仿真实验对比图。
具体实施方式
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
本发明涉及一种基于注意力机制的肺结节良恶性识别方法，集成了CBAM注意力模块。该方法将3D DPN网络特征提取网络进行优化，让网络从通道和空间上更加注重结节区域的细节特征。在本发明的分类网络中既保留了DPN网络对特征提取速度快、准确度高的优势，又集成了CBAM注意力模块从通道和空间两个维度对特征进行自适应调整的能力，再结合高级分类器（GBM）能够有效地对结节进行良恶性识别。
如图1所示为本发明的检测架构图，首先将肺结节图像输入进网络，然对图像进行卷积操作，然后输入注意力模块进行调整，然后输入DPN网络，最后交给GBM进行良恶性分类。
具体实现为：
Step 1：将ResNet和DenseNet在HORNN框架下通过一种拓扑路径连接到一起综合两种网络的优势建立3D DPN特征提取网络；
Step 2：引入CBAM注意力机制来进一步改善3D DPN肺结节分类的性能，采从通道注意力模块和空间注意力模块两个子模块去实现Attention机制；
Step 3：将原始像素、3D Attention DPN特征、结节的形状大小提供给GBM，GBM将最终得出结节良恶性分类结果。
肺结节良恶性识别主要存在对现有缺乏细粒度的表示、推理过程的可解释性以及真阳性率和假阳性率之间的权衡和最主要的结节良恶性识别不准确等问题，本方法的分类网络中既保留了DPN网络对特征提取速度快、准确度高的优势，又集成了CBAM注意力模块从通道和空间两个维度对特征进行自适应调整的能力，再结合高级分类器（GBM）能够有效地对结节进行良恶性识别。
所述Step 1中的具体过程如下：
Step 1.1：将ResNet和DenseNet在HORNN框架下通过一种拓扑路径连接到一起；
Step 1.1.1：选择ResNet网络和DenseNet网络构建DPN网络；
Step 1.1.2：ResNet模型将部分卷积层都拟合成一个残差映射，残差之间通过快捷连接的方式连接，可以将初始化的结果将输入值传入到输出的数据中去；
Step 1.1.3：DenseNet网络模型为了尽最大努力保留网络中层与层之间最大的信息交流，采取的措施是将带有匹配特征的映射大小有关的所有层直接连接起来，并且为了保留其前向传播的特性，每一层都逐一分别从该层的上一层以及在上一层的所用层中获得了附加输入，最后再将其自己本身所带有的特征全部的映射传递到该层后的所有层；
Step 1.2：保留两个网络的优势，将两个网络整合到DPN网络中；
Step 1.3：用DPN网络对肺结节做特征提取测试；
所述Step 2中的具体过程如下：
Step 2.1：选在注意力机制的模型
Step 2.1.1：现在的注意力模型有许多种；我们选择CBAM注意力模型进行对DPN网络进行优化；
Step 2.2：CBAM模型在通道上对特征进行优化
Step 2.2.1：如图2所示，通道注意力模块（Channel attention module）。该模块的作用是利用特征的通道间关系，生成通道注意映射;
Step 2.2.2：为了有效的计算通道注意力权重，需要压缩输入特征图的空间维数，对空间信息进行聚合，为了避免单独使用平局池化或者最大池化带来的丢失信息过多，压缩特征图时选择同时采用平均池化和最大池化的方法;
Step 2.2.3：通道注意力模块的计算过程是对于图像特征层F同时使用平均池化和最大池化操作来聚合特征图的空间信息，生成两个不同空间上下文描述符来分别表示平均汇集特征和最大汇集特征，然后这两个特征被转发到一个包含了一个隐藏层的共享多层感知机网络MLP，进过MLP的处理得到两个中间层，最后对两个中间层进行运算得到通道注意力的权重映射；
Step 2.2.4：通道注意力机制的计算公式为：
其中Mc通道注意力权重，表示Sigmoid函数，W0和W1是MLP的共享权重，
和
分别
代表经过池化后的平均汇集特征和最大汇集特征；
Step 2.3：CBAM模型在空间上对特征进行优化
Step 2.3.1：如图3所示，空间注意力模块，该模块的作用是利用空间特征之间的关系生成空间注意力的映射。
Step 2.3.2：在计算空间注意力时，应用平均池化和最大池化操作对通道信息进行聚合，并连接平均池化特征图和最大池化特征图，然后使用卷积操作得到空间注意力权重；
Step 2.3.3：空间注意力模块的计算过程，对于经过通道注意力调整后得到的图像特征F’应用平均池化和最大池化后，对池化后的特征进行连接并对连接后的特征使用卷积，最后的得到空间注意力的权重Ms；
Step 2.3.4：空间注意力的模块计算公式为：
其中表示Sigmoid函数，f表示经过卷积核的卷积运算，
和
分别表示平均池
化特征和最大池化特征；
Step 2.4：将注意力模块优化后的特征图输入DPN网络进行特征提取；
Step 2.5：将DPN提取的特征图经过3D Avg Pool操作输出特征图到GBM；
所述Step 3中的具体过程如下：
Step 3.1：将原始像素提供给GBM；
Step 3.2：结节的形状大小提供给GBM；
Step 3.3：GBM将最终得出结节良恶性分类结果。
如图4所示为本发明的检测效果展示图，图中M代表恶性肿瘤，B代表良良性肿瘤，由图片可知我们的预测结果和真实结果基本相同，并取得了很高的预测概率，进一步证明我们的模型可以很好地对这些结节进行良恶性分类。
如图5所示为本发明的仿真实验对比图，从给定的结果可以看出，我们提出模型的准确性、召回率、特异性、和AUC评分分别为96.51%，96.12%，94.31%，97.87%，这表明我们提出的3D Attention DPN分类网络在性能上均优于其他模型的。
Claims (2)
1.一种基于注意力机制的肺结节良恶性识别方法，其特征在于：将3D Attention DPN网络作为特征提取网络，让网络从通道和空间上更加注重结节区域的细节特征；在本发明的分类网络中既保留了DPN网络对特征提取速度快、准确度高的优势，又集成了CBAM（Convolutional Attention Block Module）注意力模块从通道和空间两个维度对特征进行自适应调整的能力，再结合高级分类器（GBM）能够有效地对结节进行良恶性识别；本发明结合DPN和CBAM网络的优势，建立一种带有3D Attention DPN网络的GBM分类网络；在我们的分类网络中既发挥了DPN网络的对特征提取速度快、准确度高的优势，又综合了CBAM注意力模块从通道和空间两个维度对特征进行自适应调整，重视关键特征忽视无用特征的能力；我们之所以设计双路径注意力网络的原因是将结节分为良性和恶性需要系统学习更加精细的特征；本方法以结节位置中心剪裁CT数据其大小为32x32x32作为分类网络的输入，然后用卷积对其提取特征输出32*32*32*64的特征图，在特征图之后是CBAM模块对特征图进行权重调整，然后使用30个3D DPN块来学习更高级的特征；3D双路径注意力网络可以直接用作结节诊断的分类器，也可以用于有效的学习特征，最后使用3D AvgPool产生的特征；GBM是高级分类器，它允许在最终的分类中引入额外的评价指标；本方法通过设计的特征提取网路的最后一层3D AvgPool产生的特征、结节的大小、原始3D裁剪结节像素来构建GBM分类器所需特征；对于像素特征，我们以检测到的结节中心为中心，裁剪的尺寸为16x16x16。
2.根据权利要求1所述的一种基于注意力机制的肺结节良恶性识别方法，其特征在于：本发明一种基于注意力机制的肺结节良恶性识别方法具体包括以下步骤：
Step 1：将ResNet和DenseNet在HORNN框架下通过一种拓扑路径连接到一起综合两种网络的优势建立3D DPN特征提取网络；
Step 2：引入CBAM注意力机制来进一步改善3D DPN肺结节分类的性能，采从通道注意力模块和空间注意力模块两个子模块去实现Attention机制；
Step 3：将原始像素、3D Attention DPN特征、结节的形状大小提供给GBM，GBM将最终得出结节良恶性分类结果；
所述Step 1中的具体过程如下：
Step 1.1：将ResNet和DenseNet在HORNN框架下通过一种拓扑路径连接到一起；
Step 1.1.1：选择ResNet网络和DenseNet网络构建DPN网络；
Step 1.1.2：ResNet模型将部分卷积层都拟合成一个残差映射，残差之间通过快捷连接的方式连接，可以将初始化的结果将输入值传入到输出的数据中去；
Step 1.1.3：DenseNet网络模型为了尽最大努力保留网络中层与层之间最大的信息交流，采取的措施是将带有匹配特征的与映射大小有关的所有层直接连接起来，并且为了保留其前向传播的特性，每一层都逐一分别从该层的上一层以及在上一层的所用层中获得了附加输入，最后再将其自己本身所带有的特征全部的映射传递到该层后的所有层；
Step 1.2：保留两个网络的优势，将两个网络整合到DPN网络中；
Step 1.3：用DPN网络对肺结节做特征提取测试；
所述Step 2中的具体过程如下：
Step 2.1：选在注意力机制的模型
Step 2.1.1：现在的注意力模型有许多种；我们选择CBAM注意力模型进行对DPN网络进行优化；
Step 2.2：CBAM模型在通道上对特征进行优化
Step 2.2.1：通道注意力模块（Channel attention module）；该模块的作用是利用特征的通道间关系，生成通道注意映射;
Step 2.2.2：为了有效的计算通道注意力权重，需要压缩输入特征图的空间维数，对空间信息进行聚合，为了避免单独使用平局池化或者最大池化带来的丢失信息过多，压缩特征图时选择同时采用平均池化和最大池化的方法;
Step 2.2.3：通道注意力模块的计算过程是对于图像特征层F同时使用平均池化和最大池化操作来聚合特征图的空间信息，生成两个不同空间上下文描述符来分别表示平均汇集特征和最大汇集特征，然后这两个特征被转发到一个包含了一个隐藏层的共享多层感知机网络MLP，进过MLP的处理得到两个中间层，最后对两个中间层进行运算得到通道注意力的权重映射；
Step 2.2.4：通道注意力机制的计算公式为：
其中Mc通道注意力权重， 表示Sigmoid函数，W0和W1是MLP的共享权重，
和
分别
代表经过池化后的平均汇集特征和最大汇集特征；
Step 2.3：CBAM模型在空间上对特征进行优化
Step 2.3.1：空间注意力模块，该模块的作用是利用空间特征之间的关系生成空间注意力的映射；
Step 2.3.2：在计算空间注意力时，应用平均池化和最大池化操作对通道信息进行聚合，并连接平均池化特征图和最大池化特征图，然后使用卷积操作得到空间注意力权重；
Step 2.3.3：空间注意力模块的计算过程，对于经过通道注意力调整后得到的图像特征F’应用平均池化和最大池化后，对池化后的特征进行连接并对连接后的特征使用卷积，最后的得到空间注意力的权重Ms；
Step 2.3.4：空间注意力的模块计算公式为：
其中表示Sigmoid函数，f表示经过卷积核的卷积运算，
和
分别表示平均池化特
征和最大池化特征；
Step 2.4：将注意力模块优化后的特征图输入DPN网络进行特征提取；
Step 2.5：将DPN提取的特征图经过3D Avg Pool操作输出特征图到GBM；
所述Step 3中的具体过程如下：
Step 3.1：将原始像素提供给GBM；
Step 3.2：结节的形状大小提供给GBM；
Step 3.3：GBM将最终得出结节良恶性分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011436040.2A CN112419307A (zh) | 2020-12-11 | 2020-12-11 | 一种基于注意力机制的肺结节良恶性识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011436040.2A CN112419307A (zh) | 2020-12-11 | 2020-12-11 | 一种基于注意力机制的肺结节良恶性识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112419307A true CN112419307A (zh) | 2021-02-26 |
Family
ID=74776035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011436040.2A Withdrawn CN112419307A (zh) | 2020-12-11 | 2020-12-11 | 一种基于注意力机制的肺结节良恶性识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419307A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379674A (zh) * | 2021-04-28 | 2021-09-10 | 北京医准智能科技有限公司 | 一种医学图像的检测方法及装置 |
| CN114708236A (zh) * | 2022-04-11 | 2022-07-05 | 徐州医科大学 | 一种基于tsn和ssn在超声图像中的甲状腺结节良恶性分类方法 |
| WO2023005634A1 (zh) * | 2021-07-26 | 2023-02-02 | 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175979A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于协同注意力机制的肺结节分类方法 |
| CN111353539A (zh) * | 2020-02-29 | 2020-06-30 | 武汉大学 | 一种基于双路注意力卷积神经网络的宫颈oct图像分类方法及系统 |
-
2020
- 2020-12-11 CN CN202011436040.2A patent/CN112419307A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175979A (zh) * | 2019-04-08 | 2019-08-27 | 杭州电子科技大学 | 一种基于协同注意力机制的肺结节分类方法 |
| CN111353539A (zh) * | 2020-02-29 | 2020-06-30 | 武汉大学 | 一种基于双路注意力卷积神经网络的宫颈oct图像分类方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| WEISONG CHE等: "3D dual path networks and multi-scale feature fusion for human motion recognition", 《2019 IEEE 4TH ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC 2019)》, 22 December 2019 (2019-12-22), pages 698 - 704, XP033715289, DOI: 10.1109/IAEAC47372.2019.8997745 * |
| 张宇廷: "基于3D FPN的肺结节检测", 《软件导刊》, vol. 19, no. 09, 15 September 2020 (2020-09-15), pages 233 - 237 * |
| 邝孝伟: "基于注意力机制的肺结节分类模型研究与实现", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 08, 15 August 2020 (2020-08-15), pages 072 - 202 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379674A (zh) * | 2021-04-28 | 2021-09-10 | 北京医准智能科技有限公司 | 一种医学图像的检测方法及装置 |
| CN113379674B (zh) * | 2021-04-28 | 2022-05-13 | 北京医准智能科技有限公司 | 一种医学图像的检测方法及装置 |
| WO2023005634A1 (zh) * | 2021-07-26 | 2023-02-02 | 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 |
| CN114708236A (zh) * | 2022-04-11 | 2022-07-05 | 徐州医科大学 | 一种基于tsn和ssn在超声图像中的甲状腺结节良恶性分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shamshad et al. | Transformers in medical imaging: A survey | |
| CN112419307A (zh) | 一种基于注意力机制的肺结节良恶性识别方法 | |
| CN109166105B (zh) | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 | |
| CN114677378B (zh) | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 | |
| CN111353998A (zh) | 一种基于人工智能的肿瘤诊疗预测模型及装置 | |
| JP2021527472A (ja) | 第２のリーダー示唆 | |
| CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
| CN111260639A (zh) | 多视角信息协作的乳腺良恶性肿瘤分类方法 | |
| Wan et al. | Hierarchical temporal attention network for thyroid nodule recognition using dynamic CEUS imaging | |
| CN116030325A (zh) | 基于深度混合学习框架的肺结节ct图像识别方法 | |
| Mei et al. | YOLO-lung: A practical detector based on imporved YOLOv4 for Pulmonary Nodule Detection | |
| Song et al. | Judgment of benign and early malignant colorectal tumors from ultrasound images with deep multi-View fusion | |
| CN111275103A (zh) | 多视角信息协作的肾脏良恶性肿瘤分类方法 | |
| Xu et al. | Correlation via synthesis: end-to-end nodule image generation and radiogenomic map learning based on generative adversarial network | |
| Wang et al. | Controlling false-positives in automatic lung nodule detection by adding 3D cuboid attention to a convolutional neural network | |
| CN116665896A (zh) | 预测乳腺癌腋窝淋巴结转移的模型建立方法 | |
| Wei et al. | Cervical cancer detection and diagnosis based on saliency single shot MultiBox detector in ultrasonic elastography | |
| CN115100723A (zh) | 面色分类方法、装置、计算机可读程序介质及电子设备 | |
| US11282193B2 (en) | Systems and methods for tumor characterization | |
| Goel et al. | Improving YOLOv6 using advanced PSO optimizer for weight selection in lung cancer detection and classification | |
| CN115705932A (zh) | 一种肺结节随访预测方法、装置、设备及存储介质 | |
| Chen et al. | A corresponding region fusion framework for multi-modal cervical lesion detection | |
| TW202223914A (zh) | 基於胸部低劑量電腦斷層影像之深度學習肺結節偵測方法及電腦程式產品 | |
| Tao et al. | MRI Liver Image Assisted Diagnosis Based on Improved Faster R-CNN. | |
| US20240013384A1 (en) | Systems, devices, and methods for providing diagnostic assessments using image analysis |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210226 |
|
| WW01 | Invention patent application withdrawn after publication |