公开(公告)号：CN116993971A

公开(公告)日：2023-11-03

申请号：CN202210433076.8

申请日：2022-04-21

Applicant: 北京工业大学

Inventor： 杨新武 ,  朱孔强

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出了一种基于注意力的双分支乳腺超声肿瘤分类方法，包括以下流程：数据预处理、模型构建、模型训练以及模型最终分类结果。模型构建是本发明最重要的一步：首先遵循了传统的医学深度学习分类网络的架构，并基于此提出双分支网络。其次针对乳腺超声图像对比度低所带来的问题，提出基于注意力的双分支网络，分支一网络用于提取未分割的超声图像的特征，分支二网络用于提取由GTSNet网络分割得到仅含有肿瘤的超声图像的特征，并将分支二网络所提取的特征图以先验知识的方式作用在分支一网络所提取的特征图中，“强化”模型在肿瘤边界处提取有用信息的能力，提高模型的定位能力。最后采用加权交叉熵损失函数作为模型的损失函数，促使模型朝着更好的方向进行优化。

公开(公告)号：CN116993648A

公开(公告)日：2023-11-03

申请号：CN202210432978.X

申请日：2022-04-21

Applicant: 北京工业大学

Inventor： 杨新武 ,  朱孔强

IPC: G06T7/00 ,  G06T7/11 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出一种基于全局上下文和双向金字塔的乳腺超声肿瘤病灶检测方法，包括以下流程：数据预处理、模型构建、模型训练以及模型最终检测结果。模型构建是本发明的核心，其采用了一阶段检测的深度学习网络架构，引入全局上下文模块用于建模全局上下文信息，以增强模型的特征表征能力，来区分肿瘤和肿瘤周围的类似组织区域。为充分利用浅层网络所提取的细节信息，模型引入PAN模块与FPN模块组成构成双向金字塔模块，从自顶向下和自底向上两个方向进行特征融合。自顶向下能增强模型的特征语义表征能力，自底向上能增强模型的特征定位能力。最后模型采用Focal Loss和Smooth L1作为损失函数，使模型向更好的方向进行优化。

公开(公告)号：CN112819763A

公开(公告)日：2021-05-18

申请号：CN202110092961.X

申请日：2021-01-25

Applicant: 北京工业大学

Inventor： 杨新武 ,  朱孔强

IPC: G06T7/00 ,  G06K9/34 ,  G06K9/40 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了基于Guide‑MultiScale‑Net端到端的三维乳腺超声图像肿瘤分割方法，包括数据预处理、模型构建、模型训练以及模型最终分割结果。遵循医学深度学习分割网络的架构，即编码器‑解码器的思想。解码器采用提取特征更好的ResNet18，在医学分割网络中为了恢复细节信息往往通过将高阶语义信息与低阶语义信息结合起来，但低阶语义信息中噪声比较多，直接融合会容易受到噪声的影响，因此通过高阶语义信息来指导低阶语义信息，抑制非病灶区域，激活病灶区域，减少非病灶的影响。由于肿瘤病灶大小不一，因此基于门控机制的多尺度融合来捕捉多尺度信息，提高分割性能。采用深监督技术，加快梯度传播，并且使得中间层学到信息更加具有区分性，提高模型的分割结果。