申请/专利权人：哈尔滨理工大学

申请日：2024-01-16

公开（公告）日：2024-03-29

公开（公告）号：CN117788954A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/44;G06V10/80;G06V10/25;G06N3/045;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法，包括：收集肺部CT图像并对图像进行预处理，主要获取仅包含肺结节部分的病灶区域和包含肺结节的感兴趣区域。搭建双通道注意力机制卷积网络，感兴趣区域和病灶区域分别输入到前端有注意力机制CBAM的预训练网络ResNet50和DenseNet121中，然后添加自适应系数以调整提取信息的权重，接着将提取到的特征在通道维度上叠加以进行特征融合，最终输出分类结果。实验表明，该网络的准确率为94.84％，AUC为97.15％，本网络与VGG16等分类网络相比，对肺结节具有更好的分类性能。本发明采用的肺结节良恶性分类算法，在不充裕的数据量下获得较好的良恶性分类性能，为医生提供有力的医学辅助诊断支持。

主权项：1.一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，所述方法具体过程为：步骤1.制作用于肺结节良恶性分类的CT图像数据集，通过提取病灶区域和感兴趣区域，划分训练集和测试集；步骤2.用步骤1得到的训练集对网络模型进行训练，将肺结节病灶区域输入到前端有注意力机制CBAM的预训练网络ResNet50进行特征提取，感兴趣区域输入到前端有注意力机制CBAM的预训练网络DenseNet121进行特征提取；步骤3.对步骤2中预训练网络ResNet50和DenseNet121获得的特征添加自适应系数以调整提取信息权重；步骤4.将步骤3中提取的特征与步骤二中预训练网络ResNet50和DenseNet121提取的特征分别输入到全局池化层，并将两者在全局池化层的输出在通道维度上进行叠加以进行特征融合；步骤5.将步骤4中筛选融合的特征进行训练分类，利用测试集对该算法的分类性能进行评估。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 基于注意力机制双通道卷积神经网络的肺部CT结节分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD