买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原理工大学

摘要：本发明公开了一种基于半监督学习的非小细胞肺癌KRAS基因突变图像预测系统，包括数据预处理模块，三分支注意力引导特征聚合模块TAFA，双融合注意力模块BiFM和分类器模块。本发明一种是适用于计算机视觉领域的基于注意力的网络模型，它可以很好的执行图像分类任务，旨在利用有限的标记数据和大量的未标记数据，提高预测模型的准确性和鲁棒性；该模型利用了注意力机制，注意力机制是一种在深度学习模型中用于增强对重要信息的关注及利用的技术，它可以被看作是模拟人类注意力机制的一种方式，使模型能够在处理输入数据时集中关注特定的部分或特征。

主权项：1.一种基于半监督学习的非小细胞肺癌KRAS基因突变图像智能预测系统，其特征在于，包括数据预处理模块，半监督网络主体，三分支注意力引导特征聚合模块TAFA，双融合注意力模块BiFM；数据预处理模块：用于对肺癌CT图像进行预处理，利用AutoAugment的简单过程来自动搜索改进的数据增强策略；通过设计一个搜索空间，其中一个策略由许多子策略组成，每个小批中的每个图像随机选择一个子策略；子策略包含两个图像处理函数，分别是对图像进行随机剪切并恢复到原图像大小，和将图像进行旋转操作；将处理后的CT图像与标签数据输入半监督网络主体中；半监督网络主体：采用了经典的Mean-Teacher半监督网络模型；学生模型和教师模型的编码器和解码器相同，均由Transformer和CNN组成的双流网络；其中Transformer分支从全局自注意开始，并在最后恢复局部特征，这样可以以更浅的方式有效地捕捉全局依赖性和低级空间细节；CNN分支中采用了ResNet网络结构，通过跳跃连接的方式，可以有效缓解过拟合等深层网络问题，网络通过逐渐增加感受野，并从局部到全局编码特征；三分支注意力引导特征聚合模块TAFA：CNN分支内将特征从较浅的卷积层转移到较深的卷积层，将浅特征在较深的卷积层中执行，防止浅特征被遗忘；使得到的特征具有更强地表征能力；通过逐步引导高、低特征之间的融合，可以指导网络自适应结合高维和低维语义信息对特征权重进行重分配，更好地捕获关键域不变信息，从而将肺结节从噪声中分离出来；双融合注意力模块BiFM：采用注意力机制对Transformer提取的全局特征和CNN提取的细节特征信息进行重新加权计算，使得关键特征能够被强调显示；沿着两个空间方向聚合特征，一个用于捕捉远程依赖关系，另一个用来保留精准的位置信息，这样就得到一对具有方向感知的特征图。

全文数据：

权利要求：

百度查询： 太原理工大学 基于半监督学习的非小细胞肺癌KRAS基因突变图像预测系统