CN119444700A 基于kan网络和可变注意力机制的结直肠病变分型方法 （江苏海洋大学）

基于KAN网络和可变注意力机制的结直肠病本发明是一种基于KAN网络和可变注意力机类；建立并初始化KAN_ResNet主干网络分型模络与KAN机制相结合，以捕捉结直肠图像中的复2根据各个分类任务的需求，初始化KAN_ResNet主干网络的模型初始化DeformableTransformer网络的各个参数，以确保其能够有效处理由KAN_KAN_ResNet主干网络由ResNet与基于KAN的网络模块组成；KAN模块DeformableTransformer网络通过引入可变形卷积DeformableConvolution和可变ηt=η0将训练数据集中的图像按照病变类别和标注进行分类，并基于KAN_Res每类图像进行特征提取；使用DeformableTransformer网络处理由KAN_ResNet提取的特若当前训练轮次的验证集性能优于之前轮次的最优结果，则保3针对提供的需要判别的结直肠病变图像，模型对每个患者4.2.2.将初级特征图输入至DeformableTransformer此步骤中，可变形卷积操作DeformableConvolution用于在多尺度特征上进行特征采样，45[0001]本发明涉及属于医学图像计算机处理技术领域，具体涉及一种基于KAN网络和可[0002]结直肠癌(CRC)是全球癌症相关死亡的第二大原因。2023年，预计全球将有超过成为诊断结直肠病变(CRL)的重要工具。医生利用这些图像不仅能够早期发现结直肠息肉个像素分配自适应邻域半径来改进LBP的分类方法，以及一种空间相邻直方图策略来编码[0004]计算机辅助诊断(CAD)方法可以帮助医生自动且准确地对内镜图像进行分类，从域取得了显著进展，有人提出了一种名为三重注意力和双池对比6出了一种样本特定的细粒度原型学习(Sample_specificFine_grainedPrototype生性息肉与腺瘤性息肉。有人提出了一种新型的自我周边注意力(Self_Peripheral_出了一种基于端到端学习的CNN架构，用于将结直肠组织学图像分类为癌结直肠和正常结直肠。有人对胃肠内窥镜成像中的分类方法进行了全面分析，通过参与MediaEval2017、[0010]虽然KAN已在多个领域的不同领域展现出潜力，但其在结直肠病变分类中的应用7[0020]DeformableTransformer网络通过引入可变形卷积DeformableConvolution和可变形注意力模块DeformableAttentionModule来适应不同特征尺度的变化，实现对复[0031]若当前训练轮次的验证集性能优于之前轮次的最优结果，则保存当前的模型参8[0034]本发明所述的基于KAN网络和可变注意力机制的结直肠病变分型方法，其进一步[0035]本发明所述的基于KAN网络和可变注意力机制的结直肠病变分型方法，其进一步[0042]本发明所述的基于KAN网络和可变注意力机制的结直肠病变分型方法，其进一步[0044]将训练数据集与验证数据集按照设定比例8:2进行划分；对训练集通过随机水平MLP模块包含多层感知机对特征图进行映射与9[0059]本发明方法提出了一种新的结直肠病变CRL分型网络框架Kolmogorov_Arnold残差可变注意网络KAR_DANet，通过将基于Kolmogorov_Arnold网络KAN与可变注意机制相结果果[0067]图6为ResNet模型在Kvasir数据集和HyperKvasir数据集上的混淆矩阵和ROC结[0071]实现所述方法的系统由基于KAN的网络模块、可变注意力模块和分类模块组成。[0089]Kolmogorov_ArnoldResNet网络(KARNet)通过将Kolmogorov的函数表示理论与[0108]Softmax函数通常用于多类别分类任务中，将模型的原始输出(logits)转换为类关键是将类别内不确定性和类别间不确定性整合到损失自信的预测。[0131]发明人的模型在两个重要的医学影像数据集Kvasir和Hyper_Kvasir上进行了全ulcerative_colitis_g7ulcerative_colitis_gr92ulcerative_colitis_ulcerative_colitis_gr5ulcerative_colitis_[0139]为了提升模型的泛化能力和分类性能，发明人对Kvasir和HyperKvasir数据集中[0140]在实验中，超参数经过了精心配置。ResNet部分采用了34层的架构，使用GeForceRTX4060Laptop[0149]为了展示所提模型的优越性，发明人与几种主流深度学习模型进行了比较实验，0.310.87充分展示了KAN模块在引导网络关注CRL图像中的关键疾病相关特[0161]为了展示KAN在所提KAR_DANet方法中的性能，发明人进一步比较了Kvasir和线上的表现优于其他模型，其曲线更接近左上角，表明分类准确性更高。与ResNet相比，域可视化展示了发明人提出的KAR_DANet模型在临床方面的显著益处，特别是在提高诊