CN119515760A 一种基于深度学习的肺部疾病诊断方法 （西南科技大学）_第1页
CN119515760A 一种基于深度学习的肺部疾病诊断方法 （西南科技大学）_第2页
CN119515760A 一种基于深度学习的肺部疾病诊断方法 （西南科技大学）_第3页
CN119515760A 一种基于深度学习的肺部疾病诊断方法 （西南科技大学）_第4页
CN119515760A 一种基于深度学习的肺部疾病诊断方法 （西南科技大学）_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明提出一种基于深度学习的肺部疾病信息，可以提取到多尺度的病灶的细小特征信2;其中FMn表示输入图像特征数据；conu3x3(ac)表示卷积核大小为3x3的卷积核大小为3x3扩张率为i的卷积单元；FM;表示膨胀卷积扩张率为i时提取的图像特表示分i组并使用卷积核为n的分组卷积单元；cat(r)表示串联拼接操作；avglar)表示全局平均池化操作；conwulx1(ac)表示卷积核大小为1x1的单元；FMny表示膨胀卷积提取的特征权重，FMOUS表示多尺度膨胀挤压激励模块跨任务特征子网由四个多尺度膨胀挤压激励模块和四个2x2最大池化层和四个3x3步骤7，将每个模型的分割结果切片进行堆叠获得3DCT分割3基于多尺度膨胀挤压激励模块和多任务联合学习的肺部CT图[0003]本发明要克服现有技术的上述问题，提出一种基于深度学习的肺部疾病诊断方4步骤2，对划分的训练集、测试集和验证集做相同的切片提取操作并做数据扩增步骤3，搭建基于多尺度膨胀挤压激励模块和多任务学习方法的肺部疾病诊断网子网三个部分，其中跨任务特征子网和病灶分割子网中均包含多尺度膨胀挤压激励模块，其中FMin表示输入图像特征数据；conu3x3(a:)表示卷积核大小为3×3示卷积核大小为3×3扩张率为i的卷积单元；FM;表示膨胀卷积扩张率为i时提取的图5跨任务特征子网由四个多尺度膨胀挤压激励模块、四个2×2最大池化层和四个3积层和多尺度膨胀挤压激励模块的4次迭代，获得大小分别是256×256像素、128×128像片下的整个病灶区域和预测出的该病灶所属分类评估指标选取Kappa系数对病变分类模型进行评估，是一种用于评估分类或6

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论