基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

作     者：唐艺菠 崔少国 万皓明 王锐 刘丽丽 TANG Yibo;CUI Shaoguo;WAN Haoming;WANG Rui;LIU Lili

作者机构：重庆师范大学计算机与信息科学学院重庆401331 重庆医科大学第一临床学院重庆401331 

基　　金：国家自然科学基金资助项目(62003065) 重庆市科技局自然科学基金资助项目(2022NSCQ-MSX2933,2022TFIIOFX0262,cstc2019jscx-mbdxX0061) 教育部人文社科规划基金资助项目(22YJA870005) 重庆市教委重点项目(KJZDK202200510) 重庆市社会科学规划项目(2022NDYB119) 重庆师范大学人才基金资助项目(20XLB004) 重庆师范大学研究生科研创新项目(YKC22019) 重庆市研究生科研创新项目(CYS22558,CYS22555) 

出 版 物：《计算机与现代化》 (Computer and Modernization)

年 卷 期：2024年第4期

页      码：43-47,98页

摘      要：高级别浆液性卵巢癌是一种恶性肿瘤疾病,进行术前复发预测能帮助临床医生为患者提供个性化治疗方案,降低病人的死亡率。因该疾病的医学数据较少且难以获取,导致其深度学习模型难以得到充分的训练,复发预测准确率有待提高。针对此问题,本文设计了一种改进的低参数残差网络TGE-ResNet34,以ResNet34为主干网络,将传统卷积模块用Ghost卷积代替,完成病灶区特征的提取,降低模型的参数量,在2个Ghost卷积之间融入ECA(Efficient Channel Attention)注意力机制,抑制无用特征提取的干扰,最后通过5折交叉验证模型,避免数据随机划分的偶然性。实验结果表明,改进设计的TGE-ResNet34网络准确率为96.01%,相比原基线网络准确率提高4.52个百分点,参数量减少15.98 M。

主 题 词：高级别浆液性卵巢癌 残差网络 Ghost卷积 注意力 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1006-2475.2024.04.008

馆 藏 号：203127738...