细粒度的肺癌分类从PET和CT图像基于多维注意力机制

文摘

肺癌最常见的癌症之一。非侵入式计算机辅助诊断可以使大规模快速筛选潜在的肺癌患者。深度学习的方法已经被应用的自动诊断肺癌。由于限制由单一形态的图像数据集以及缺乏可靠的方法,允许提取来自不同成像模式的细粒度特性,研究基于非侵入性的自动诊断肺癌临床图片需要进一步研究。在本文中,我们提出一个深度学习架构,结合PET和CT图像的细粒度特性允许的非侵入性诊断肺癌。多维(关于通道以及空间维度)注意机制是用来有效降低特征提取噪声时的细粒度从每个成像形态特征。我们进行一个比较分析两个方面的特征融合和注意力机制,通过定量评价指标和深度学习过程的可视化。在我们的实验中,我们得到的ROC曲线下面积0.92(平衡精度= 0.72)和网络注意力更集中展示的细粒度特征的有效提取每个成像方法。

1。介绍

在21^圣世纪,癌症仍被视为是一种严重的疾病,死亡率很高。在所有癌症中,关于发病率和死亡率(肺癌居第一位1,2]。肺癌的主要有两种类别:非小细胞肺癌(NSCLC)和小细胞肺癌(SCLC)。非小细胞肺癌的次范畴化到肺鳞状细胞癌(LUSC)和肺腺癌(LUAD)进一步使用。这些类型的癌症占大约85%的肺癌病例(3]。与良性和恶性的诊断相比,肺癌的进一步细粒度的分类如LUSC LUAD, SCLC是肺癌的预后具有重要意义。准确地确定类别的肺癌早期诊断直接影响治疗的效果,因此病人的存活率(1,4]。正电子发射断层扫描(PET)和计算机断层扫描(CT)都是广泛使用的非侵入性诊断成像技术在临床诊断、特别是对肺癌的诊断(4]。免疫组织化学评价肺癌分类被认为是黄金标准。然而,这个过程需要一个组织活检,入侵过程的固有风险延迟诊断,从而恶化的病人的痛苦。

人工智能研究的发展使得许多研究的自动诊断肺癌。使用数据在肺癌症分类大致分为三类:CT和PET图像数据以及病理图像(5]。众所周知的数据科学社区Kaggle为参与者提供高质量的CT图像与任务区分恶性或良性肺结节的结节。Kaggle比赛多次产生优秀的深度学习方法这些任务(6,7]。与自动肺癌诊断的研究进展,研究不再局限于良性和恶性结节的分类和数据集是不再局限于CT图像(8- - - - - -12]。吴et al。9使用定量成像特点,如统计,histogram-related,形态学、PET图像和纹理特征来预测非小细胞肺癌远处转移,表明基于PET图像的定量特性可以有效地描述intratumor异质性和复杂性。最近的两个出版物提出的应用深度学习病理图像分类非小细胞肺癌和小细胞肺癌(10)和转录组进行分类亚型LUAD [11]。肺癌的临床诊断的复杂性也表现为广泛的成像模式,它是用于诊断(13,14]。先前的研究已经证明,深度学习方法不仅可以使用来自不同肺的功能分布模式成像模式但即使合并不同的特性来实现计算机辅助诊断。梁等。15)采用多通道技术预测IDH基因型与PET / CT数据使用卷积神经网络(CNN),而其他方法使用CNN并行体系结构中提取一些特性不同的成像模式(16,17]。

与良性和恶性的分类相比,分类的三种类型的肺癌医学图像更适合构成细粒度图像识别问题,不同分布的特性和潜在的病理特性需要考虑。因为需要提取图像的细粒度特性,同时病变区域的一小部分整体形象,深度学习框架容易受到噪音的特性。目前,大多数方法基于各种深度学习框架已经证明在细粒度有一定的瓶颈问题。为了解决这个问题,以往的研究主要从两个维度实现注意力机制的通道和空间特征表示。通道的注意机制模型之间的关系特性频道(18),而空间注意机制确保噪音抑制通过加权特性表征空间(19- - - - - -21]。到目前为止,空间注意机制被用于医学图像处理来提高特征提取(20.,21]。通道的注意机制被用于肺部疾病的检测和分类22,23]。表示这些注意力机制从不同的角度说明了特征噪声的来源。很少有相关研究如何更有效地使用注意机制在图像不同的成像方式,所以深学习模型基于细粒度的多峰性数据集仍然有问题问题。

在本文中,我们使用非侵入性临床图像实现细粒度的计算机辅助诊断肺癌的基础上深入学习。我们的网络体系结构包括两个并行三维DenseNet,并且每个DenseNet对应一个输入图像形态。更有效地提取细粒度特性在不同的模式,我们将3 d DenseNet多维(通道和空间)注意力机制,进一步提高细粒度特征的提取。这个网络体系结构用于提取特征从不同的并行成像模式。通过融合特性,不同的细粒度特性表示形式是用来实现最终的分类。我们评估我们的方法并证明我们的细粒度的肺癌分类方法的有效性。此外,深度学习网络的可视化实验揭示了不同的注意机制的好处为不同成像模式,展示多维的有效性的关注。

2。方法

网络建设主要分为以下两个部分:(1)多维注意力机制提出了单一路径网络体系结构是细粒度的方法为每一个形态特征提取。(2)单一路径网络体系结构的基础上,建立了并行网络体系结构来实现并行多峰性特征的提取和融合。

2.1。基于多维细粒度特征提取网络注意力机制

3 d cnn (24)被用于早期癌症检测保护相邻CT片(之间的空间关系25,26]。DenseNet [27)被应用到医学领域中的许多问题(28,29日),因为它需要连接模式和小数量的参数。由于这些原因,我们使用3 d DenseNet作为基准模型在本文中提出的方法。解决噪音问题的细粒度特征的提取,我们提出了一种多维的注意机制嵌入到一个单一路径网络。我们的网络结构包括三个主要组件:一个3 d DenseNet块,块,和一个空间attention-gated模块。图1显示了我们的单路径的结构模型。

我们的网络的主要部分是由一个3 d DenseNet [27]。每个致密的块由一个特定数量的三维卷积层。DenseNet的参数数量是由功能决定的通道(增长率k每个卷积)输出的层。确保功能深度、卷积层的数量是不同的致密块设置为4。的k设置为16,使得网络中的参数少量减轻过度拟合。特征映射后每个dense-block包含所有功能之前的卷积层。SE块(18)使用后每个密集块采用通道的注意。SE块的三维模型计算根据方程(1)如下:

全球平均水平差距指的是3 d池操作和指的是乙状结肠函数。和组成一个多层感知器(MLP)与一个隐藏层和r减速比。空间attention-gated模块(20.)使用高级语义特征和特性在每个SE块生成相应的空间映射。此外,它的重量所有功能通道空间抑制噪声来自nonlesion区域。中定义的空间注意机制计算方程(2)。attention-gated模块的流程图如图2: 在哪里表示ReLU激活函数,表示element-wise乘法表示upsampling操作。指一个特征从不同的SE块地图。 , ,和描述特定渠道的卷积操作的输出。如图2,空间注意机制生成映射通过element-wise注意添加操作后乙状结肠激活函数。随后乘 ,生成空间加权特征表示。作为拥有功能映射SE块之后,我们获得特征映射加权特性之间的通道,通过这个操作空间。全球平均后池操作使用每个attention-gated模块是实现特征降维。

2.2。CNN并行体系结构基于多峰性特征融合

在本节中,我们使用一个平行的网络体系结构从多峰性数据提取和融合功能。乔治·梅森大学的整体网络结构和流程图如图所示3。

如图3,每个单一路径网络等于之前描述的单一路径网络。我们采用封闭的多通道单元(乔治·梅森大学)融合策略30.为不同形态的融合特性)。与广泛使用的连接操作,乔治·梅森大学允许使用隐藏的结构和门控制学习中间表示的多峰性特性,从而使预测层分配权重更好的特性,具有内在关联。乔治·梅森大学的计算过程见以下方程: 在哪里是指从CT图像中提取特征,指的是特征提取的宠物形象;和隐藏的状态与ReLU后达到完全连接层的激活函数 。让和 。 指的是操作和连接指的是非线性的体重从合并后的特性,揭示两者之间的内在关系模式。融合功能终于之间由一个线性权重和 。

灵感来自于deep-supervision [31日)方法,从每个单一路径网络损失,分别计算,最后结合特征融合的损失表示获得的联合优化。最终分类的前提下,这种训练方法迫使网络提取更好的高级特性从每个形态的生成空间注意避免陷入局部最小值,因为从每个层次使用的特性。

3所示。实验和结果

我们的实验主要说明本文中提出的方法考虑三个方面:(1)多峰性数据的有效性。(2)每个形态上多维注意力机制的有效性。(3)特征融合策略的有效性。我们评估结果在一定的评价标准,以反映这些方法的有效性。关于实验细节,批量标准化工作前Leaky-ReLU激活函数(32]。随机梯度下降法(SGD) 0.9是优化器的势头。最后完全连接层DenseNet L1-regularization和辍学的策略是用来防止过度拟合。执行这个框架下使用Keras泰坦V 12 GB的GPU。

为了演示我们的提出了网络的泛化能力,我们统计分析模型在十倍交叉验证的性能。ROC曲线下的面积(AUC),这个指标是广泛应用于医学图像分类,客观地反映了正负样本正确分类的能力。此外,准确性也作为模型的标准。最终模型的性能是由十交叉验证的平均值。

3.1。数据预处理

PET和CT数据部门提供的用于我们的实验是河南省人民医院的放射学,在中国政府和公共医疗机构。如果病人明确要求他们的数据不能共享为研究目的,各自的样本数据创建数据集时被排除在外。对所有样本数据,相应的病人证实诊断。对病人在我们的数据集,CT和PET检查都是在同一阶段,以确保实现损伤的组织形态和代谢水平是一致的。数据的数据集是由397名患者的样本总共91 SCLC患者,103 LUSC患者和203 LUAD患者。例病灶切片的三种不同类型的肺癌CT和PET检查如图4。

三种类型的肺癌,不仅损伤及其周边地区有重要的区别的信息,但也有一些全球信息(如位置信息),这也有助于在临床诊断分类。所以我们使用CNN的整幅图像作为输入保存有用信息和提取细粒度特性。对于每一个病人的病变,不同数量的切片(39片之间最大和至少3片)在垂直轴的方向,构成规模变量输入。我们定义一个固定片数量( )为网络输入和提供相应数量的切片通过抽样沿着纵轴方向的3 d病变区域。PET和CT设备获得的图像不同的决议:对CT图像,每片的分辨率的方向垂直轴的三维图像是512×512像素;对于宠物的图像,分辨率为256×256像素。我们调整每个片112×112像素和规范化的像素值范围(0,255)。通过这个预处理,数据样本的每一个模式转换为三维图像大小为112×112× 。作为一个小的数据集,我们使用数据增强在网络培训。通过随机组合的翻转或翻转,它相当于扩大4倍的数据集。

3.2。多峰性数据的有效性分析

在第一个实验中,我们使用一个single-modality模型,一个3 d DenseNet,宠物或CT数据集。初步评估对于多峰性的有效性(CT和PET)方法中,我们使用网络名为MF-DenseNet多峰性特性。每个并行网络MF-DenseNet等于3 d DenseNet有四个密集的街区和使用乔治·梅森大学的特性融合。结果如表所示1。方差表中的术语反映了方差之间的AUC值每一轮的交叉验证,和平均得分词反映了平均值之间的AUC每一轮的交叉验证。平衡精度评估平衡性能。

实验结果表明,特征的提取和融合不同的模式大大提高性能。最好的得分平均AUC single-modality模型报告为0.678,这是通过宠物数据集。比较CT和PET的性能实现数据显示功能从宠物图像分类更方便。多通道特性的结合取得了最佳的性能在AUC和准确性验证指标。MF-DenseNet的AUC的平均得分是0.810,和准确性是0.68。较小的方差之间每一轮的交叉验证也显示多峰性数据的有效性。他们进一步表明,不同的形式显示不同的功能分布模式,这需要提取。从平衡的角度精度指标,我们的模型还有一个相对均衡的性能。

3.3。多维分析的注意机制的有效性

提取细粒度特性,进一步提高网络性能,提出多维MF-DenseNet注意力机制。MFSE-DenseNet (r)由MF-DenseNet SE-block,参数r表明SE-block的减速比。MFSA-DenseNet另一方面由MF-DenseNet空间注意机制。MFSCA-DenseNet雇佣了一个空间注意机制和一个通道的注意机制。表中列出的结果2,中华民国曲线不同的注意机制如图5。

比较MFSE-DenseNet (r= 4)和MFSE-DenseNet (r= 16)MF-DenseNet显示频道关注机制能够提高整体性能。虽然的AUC值不同的还原率之间的模型是相似的,可以看出从方差模型的泛化性能更稳定r= 4。MFSA-DenseNet的性能可以提高空间的关注,但类之间的AUC值仍不平衡。在这种情况下,最好的AUC得分为0.920分(精度= 0.82)实现使用MFSCA-DenseNet (r= 4)。尽管10倍交叉验证的方差最小方差(= 0.05),这也是接近的方差MFSA-DenseNet(方差= 0.04)。除了平均AUC和准确性分数最高,这个模型还提供了一个更广义交叉验证的性能通过较小的方差值。通过ROC曲线分析,当假阳性率降低,也就是说,误诊率降低,SE模块敏感LUAD比另两种类型。当减速率增加,同时模型SCLC的敏感性增加,但模型的灵敏度LUAD和LUSC减少。相反,空间关注模块有高灵敏度LUAD时误诊率减少。这也反映了两种注意力机制的优点不同类别的特征提取。通过二维的注意机制的结合,我们的模型可以缓解敏感性差异类别,也平衡约束之间的细粒度特征提取类别。我们将进行更详细的讨论和分析讨论。

3.4。评估不同的特征融合和损失监管策略

我们比较以下特征融合策略:(1)优化策略和(2)融合策略。Deep-supervision策略31日]介绍了细粒度特征提取作为一种有效的方法从一个单一的形态。这个想法是为了实现失去监督的不同特性输出实现更深层次的优化网络。灵感来自这个想法,我们应用单独损失监督每个通道的输出和集成的损失最终融合特性来实现联合优化。失去监督的策略使用后每个形态的高层语义特征增强空间的注意机制的有效性。融合的多峰性特性,我们采用乔治·梅森大学的融合策略。这个实验的定量结果列在表中3。在这个表中,联合优化是指失去监督,包括每个单一路径网络结合的损失最终融合特性来获得联合优化。连接是指连接操作的功能实现功能融合,而乔治·梅森大学模型的相关特性两种形式。从表中结果可以看出,乔治·梅森大学获得的性能(方差= 0.05)模型预测的波动小于连接的特性融合模式操作(方差= 0.12)。结果表明,乔治·梅森大学和联合优化提供最好的端到端多峰性数据的预测。

4所示。可视化实验和讨论

为了验证我们的注意力机制为每个模式中所起的作用,我们用Grad-CAM [33)生成类激活映射(CAM)的网络。更多的集中和精确的凸轮响应意味着更高的噪声减少特征提取。数据6和7显示每个2 d切片上的凸轮。

我们看到不同形式的凸轮和得出结论,多维的关注迫使网络关注病变区域,以这种方式来减少噪声特性。因此,多维的注意机制准确地从病变区域提取特征而排除干扰的特性与周围的组织。这很重要,特别是当整个图像而不是分割图像中使用的自动诊断。最佳使用这些密集分布特性的分类,它是必要的,以确保准确的提取这些特征的病变区域。从结果可以看出,我们的提议可以更好地集中注意力机制特征提取的网络在一些地区。

由于特性分布的差异不同成像模式,我们进一步研究影响两种注意机制对网络的凸轮。这种比较的结果如图8和9。我们的观察表明,该类型的注意机制有很大的影响在不同形式的凸轮。对CT图像,生成的凸轮凸轮的空间注意机制出现类似于没有注意机制模型。相比之下,通道的应用注意机制导致噪声集中凸轮用最少的功能,但它缺乏在定位精度和偏离真正的病变区域的位置。宠物图片,引导注意力机制无法集中注意力地图;然而,空间注意机制证明了自己在这方面有用。CT图像说明复杂的结构,是由复杂的空间特性。而他们的识别提出了一个具有挑战性的任务,造型的特征权重的基础上,通道尺寸更有效。相比之下,宠物图像,二值化图像,持有更少的功能类型,很难区分基于通道的特性。然而,空间维度促进重量在PET图像的造型特征。 This experiment and the different performances we observed for PET and CT images demonstrate the complementarity of two attention mechanisms.

通过LUAD大幅波动的敏感性,图5关注的原因,我们试图解释机制深入学习网络是有效的。病变区域的代谢水平测量在PET图像使用标准摄入值(SUV)。这个测量在临床诊断中起着重要的作用,一般来说,LUSC和SCLC SUV值高于LUAD。因为通道注意机制在PET图像定位功能的能力差,模型在此基础上对LUAD并不敏感。空间的注意机制对宠物有更好的特征提取影响形象,从而大大提高了模型的灵敏度LUAD。与LUAD相比,SCLC病变有低密度,在CT图像没有明显的边缘信息。SCLC使它较不敏感的临床特征模型基于空间注意机制。通道的注意力可以更有效地提取复杂特性在CT图像噪声,减少功能,所以它对SCLC有更好的性能。不同类型的肺癌不同形态图像有不同的特点,从而证明多通道图像应用的必要性。另一方面,不同形式的复杂性特征提取也说明了不同的图像特征提取多维注意力机制的必要性。

5。结论

在本文中,我们提出一个方法的分类使用多峰性肺癌的临床图像(CT和PET)。提出了一种并行网络自动肺癌诊断。此外,我们关于细粒度特征的提取优化网络通道和空间维度和利用乔治·梅森大学考虑不同模式之间的内在关联。我们考虑两种注意机制在不同的形态图像和可视化结果提供它们之间的比较。在未来的工作中,我们将解决以下问题尚需进一步改进我们的方法:我们计划扩大使用的数据集训练达到临床应用的水平。此外,我们将收集更多细分标签的数据在我们的数据集和完成我们的弱监督检测的客观评价方法。

数据可用性

的数据用于研究可以获得https://pan.baidu.com/s/1FBH7WZ5PoeggvcJrvX_0ug。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中国国家重点研发项目下2018 yfc0114500格兰特。

引用

1. a . Jemal f·布雷,m . m .中心,j . Ferlay e·沃德·d·福尔曼,“全球癌症统计数据,”CA:临床医生的癌症杂志》上,卷61,不。2、69 - 90年,2013页。视图:出版商的网站|谷歌学术搜索
2. r·l·西格尔,k·d·米勒和a . Jemal癌症统计数据,2018年,“CA:临床医生的癌症杂志》上,卷68,不。1,7-30,2018页。视图:出版商的网站|谷歌学术搜索
3. 洛杉矶Jemal, r·l·西格尔,a . Jemal“肺癌统计”肺癌和个性化医疗,卷893,页-施普林格,柏林,德国,2016年。视图:谷歌学术搜索
4. c . i Henschke d·麦考利,d . f . Yankelevitz et al .,“早期肺癌行动项目:整体设计和发现从基线筛选,“《柳叶刀》,卷354,不。9173年,第105 - 99页,1999年。视图:出版商的网站|谷歌学术搜索
5. a . k . Alzubaidi f·b·Sideseq a . Faeq和m .罗勒,“在数字计算机辅助诊断病理学应用:审查和角度肺癌分类方法,”学报信息与通信技术应用的新趋势IEEE,页219 - 224年,巴格达,伊拉克,2017年3月。视图:出版商的网站|谷歌学术搜索
6. w .太阳,b .郑,魏问:“肺癌计算机辅助诊断与深度学习算法”《医学影像:计算机辅助诊断,卷9785,p . 97850 z,圣地亚哥,美国,2016年3月。视图:出版商的网站|谷歌学术搜索
7. k . Kuan m . Ravaut g . Manek et al .,“深度学习肺癌检测:解决kaggle数据科学碗2017挑战,”2017年,https://arxiv.org/abs/1705.09435。视图:谷歌学术搜索
8. g . Litjens c i桑切斯:Timofeeva et al .,“深度学习工具,提高了精度和效率的组织病理学诊断,”科学报告》第六卷,没有。1,文章ID 26286, 2016。视图:出版商的网站|谷歌学术搜索
9. j .吴t·阿奎莱拉d·舒尔茨et al .,“早期非小细胞肺癌:定量18 f氟脱氧葡萄糖PET / CT的成像特点允许预测远处转移,”放射学,卷281,不。1,第278 - 270页,2016。视图:出版商的网站|谷歌学术搜索
10. a . Teramoto t冢本、y Kiriyama和h . Fujita“肺癌类型的自动分类使用深从细胞学图像卷积神经网络,”生物医学研究的国际卷,2017篇文章ID 4956063、9页,2017。视图:出版商的网站|谷歌学术搜索
11. 诉答:a .安东尼奥:小野,齐藤,t .佐藤m . Altaf-Ul-Amin和m . Kanaya“转录组肺腺癌亚型分类使用深从病理图像卷积网络,”国际计算机辅助放射学杂志和手术,13卷,不。12日,第1913 - 1905页,2018年。视图:出版商的网站|谷歌学术搜索
12. s . Lakshmanaprabu莫汉蒂、k . Shankar n . Arunkumar g·拉米雷斯,“最佳深度学习模型分类肺癌的CT图像,”未来一代计算机系统卷,92年,第382 - 374页,2019年。视图:出版商的网站|谷歌学术搜索
13. a . Teramoto h . Fujita o . Yamamuro, t .玉城丹尼,“肺结节的自动检测PET / CT图片:整体使用卷积神经网络技术,减少假阳性”医学物理学,43卷,不。6,2821 - 2827年,2016页。视图:出版商的网站|谷歌学术搜索
14. a . Teramoto m . Tsujimoto井上t . et al .,“通过回顾性分析肺结节的自动分类常规CT和PET图像两阶段的患者进行活检,”亚洲大洋洲的核医学生物学》杂志上,7卷,不。1,29-37,2019页。视图:出版商的网站|谷歌学术搜索
15. 梁,r·张d .梁et al .,“多通道3 d DenseNet IDH在神经胶质瘤基因型预测,“基因,9卷,不。8,382年,页2018。视图:出版商的网站|谷歌学术搜索
16. d .聂h .张e·埃德里和沈d, l . Liu”3 d深度学习的综合成像制导脑瘤患者的生存时间预测,”医学影像计算和计算机辅助Intervention-MICCAI 2016施普林格,页212 - 220年,柏林,德国,2016年。视图:谷歌学术搜索
17. y . f .你们,p .剑,j . Wang, h·查,”神经胶质瘤分级基于3 d多通道卷积神经网络和特权学习”《IEEE国际会议上生物信息学和生物医学IEEE,页759 - 763年,堪萨斯城,密苏里州,美国,2017年11月。视图:出版商的网站|谷歌学术搜索
18. h·杰,s·李,美国黑帮“Squeeze-and-excitation网络”《IEEE计算机视觉与模式识别会议,页7132 - 7141,盐湖城犹他,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
19. w·范·m·江,问:陈et al .,“剩余关注网络图像分类,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页3156 - 3164年,美国,2017年7月,你好。视图:谷歌学术搜索
20. 梁j . Schlemper o . Oktay c . et al .,“Attention-gated网络改善超声波扫描平面检测”,2018年,https://arxiv.org/abs/1804.05338。视图:谷歌学术搜索
21. m . Al-Shabi b . l .局域网w . y . Chan K.-H。Ng, m . Tan“肺结节的分类使用深local-global网络。”国际计算机辅助放射学杂志和手术,14卷,不。10日,1815 - 1819年,2019页。视图:出版商的网站|谷歌学术搜索
22. l .龚江,z, g . Zhang和l .王”自动肺结节检测CT图像中使用3 d深squeeze-and-excitation网络”国际计算机辅助放射学杂志和手术,14卷,不。11日,第1979 - 1969页,2019年。视图:出版商的网站|谷歌学术搜索
23. 燕,j .姚明,z徐、黄和j . r . Li“弱监督深度学习胸疾病分类和定位在胸部x光检查,”学报2018 ACM国际会议上生物信息学,计算生物学,卫生信息学ACM,页103 - 110年,华盛顿特区,2018年美国。视图:出版商的网站|谷歌学术搜索
24. 明j . Shuiwang y, y凯,“3 d卷积神经网络对于人类行为的识别,”IEEE模式分析与机器智能,35卷,第231 - 221页,2013年。视图:谷歌学术搜索
25. t·金c回族,z, x,“学习深度三维卷积神经网络空间肺功能的早期癌症检测”《数字图像计算国际会议:技术与应用,页1 - 6,悉尼,澳大利亚,2017年11月。视图:出版商的网站|谷歌学术搜索
26. r·戴伊z Lu, y香港“诊断肺结节的分类使用3 d神经网络”《IEEE 15日生物医学成像(2018位ISBI)国际研讨会IEEE,页774 - 778年,华盛顿特区,2018年4月。视图:出版商的网站|谷歌学术搜索
27. h·高,l .壮族l . v . d . Maaten和k·温伯格,“人口回旋的网络连接,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页4700 - 4708年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
28. j·d·Fauw j . r . Ledsam b Romeraparedes et al .,“临床适用的深度学习在视网膜疾病诊断和转诊,”自然医学,24卷,不。9日,第1350 - 1342页,2018年。视图:出版商的网站|谷歌学术搜索
29. w·郭z徐,h·张,“使用DenseNet改善间质性肺疾病分类,”多媒体工具和应用程序,卷78,不。21日,第30626 - 30615页,2019年。视图:出版商的网站|谷歌学术搜索
30. j . Arevalo t鸠、m . Montes-Y-Gomez和f·a·冈萨雷斯“封闭的多通道单元信息融合,”《ICLR(车间)2017年4月,法国土伦。视图:谷歌学术搜索
31. c . y .李谢,p . Gallagher et al .,“Deeply-supervised网,”《人工智能和统计数据圣地亚哥,页562 - 570,美国2015年5月。视图:谷歌学术搜索
32. 张x、y .邹和美国,“扩张与LeakyReLU卷积神经网络环境声音分类,”数字信号处理程序的国际会议,页1 - 5,IEEE,伦敦,英国,2017年8月。视图:出版商的网站|谷歌学术搜索
33. r·r·Selvaraju m . Cogswell Das, r . Vedantam d·帕里克说,d·巴特拉,“视觉解释基于从深层网络通过梯度本地化,”《IEEE计算机视觉国际会议,页618 - 626,首尔,韩国,2019年10月。视图:谷歌学术搜索

版权

版权©2020 RuoXi秦等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。