CN118552758B 基于状态空间网络的肺腺癌浸润性演变分类方法、系统 （四川大学）

US2022207431A1,2022.06.30基于状态空间网络的肺腺癌浸润性演变分本发明公开了一种基于状态空间网络的肺分类方法，其目的在于解决现有技术中存在的GGO影像学特征的IA类型分类准确性较差、分类效率较低的技术问题，其构建的GGO侵袭性分类器输出的指数移动平均值引导；采用带有GGO分类标签的小型数据集对微调编码器进行微调训练。可有效提高GGO影像学特征的IA类型分类准2获取肺部CT图像样本数据，肺部CT图像样本数据包括不带GGO分类标签的大型样本数构建GGO侵袭性分类模型，GGO侵袭性分类模型包括教师编码器、2.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法，其特征3.如权利要求2所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法，其特征34.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法，其特征；B表示投影参数C表示投影参数N表示输入X的维度。5.如权利要求4所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法，其特征6.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法，其特征4GGO侵袭性分类模型训练模块，用于采用不带GGO分类标签的大型样GGO侵袭性分类模型训练模块中，在训练GGO侵袭性分类模型时8.一种计算机设备，其特征在于：包括存储5用计算机辅助诊断方案（CADx并融合深度学习和放射组学特征来提高GGOIA/非IA的分联架构，为原始CT数据提供分类引导的注意力机制，实现更好的肺腺癌诊断性能；Gong（Gong等人，2020年）使用重采样等预处理技术和残差学习架构预测GGO是IA的可能性。[0005]纯深度神经网络方法主要是集中在如何在有限数据集上增强学习信号来有效地6[0006]申请号为202110363571.1的发明专利申请就公开了一种基于神经网络的肺腺癌[0008]本发明的目的在于：解决现有技术中存在的GGO影像学特征的IA类型分类准确性[0012]获取肺部CT图像样本数据，肺部CT图像样本数据包括不带GGO分类标签的大型样7空间计算层，input表示每一个状态空间模块的输入，output表示input对应输出，表示随机的一个负样本，表示经过GGO侵袭性分类模型的某个正样本输出，表示负样本的输出；8编码器的微调训练的骨干，并采用带有GGO分类标签的小型数据集对微调编码器进行微调9[0058]获取肺部CT图像样本数据，肺部CT图像样本数据包括不带GGO分类标签的大型样空间计算层，input表示每一个状态空间模块的输入，output表示input对应输出，表示随机的一个负样本，ncxt)表示经过GGO侵袭性分类模型的某个正样本输出，n(j)表示负样本的输出；GGO类型。损失函数EC通过对H(X)的标准化减轻GGO四空间计算层，input表示每一个状态空间模块的输入，output表示input对应输出，编码器的微调训练的骨干，并采用带有GGO分类标签的小型数据集对微调编码器进行微调表示随机的一个负样本，表示经过GGO侵袭性分类模型的某个正样本输出，表示负样本的输出；GGO类型。损失函数EC通过对H(X)的标准化减轻GGO四储器还可以用于暂时地存储已经输出或者将要输出的各[0129]所述处理器在一些实施例中可以是中央处理器(CentralProcessingUnit，使得所述处理器执行基于状态空间网络的肺腺癌浸润性演变出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品