基于多注意力与多任务特征融合的肺结节检测与分类方法

1.本发明属于深度学习、计算机视觉、医学图像处理技术领域，具体涉及一种基于多注意力与多任务特征融合的肺结节检测与分类方法。


背景技术：

2.众所周知，生物老化是导致人类死亡的其中一个原因，另外一个致死原因就是癌症。随着吸烟、空气污染和职业暴露等的影响，目前肺癌患者逐年增多。肺癌在全球所有癌症类型中的发病率和死亡率均位居第一，是当今世界上最常见、最危险的癌症之一。由于该疾病往往在处于晚期的患者中才被诊断出来，因此它的总体预后非常差。肺癌的早期形式是肺结节，当患者查出肺结节时，需要对其进行进一步检查和密切观察。因此，肺结节的早期检测和诊断对于提高患者生存率至关重要，目前研究人员利用计算机来辅助放射科医生来检测和识别肺结节，即计算机辅助诊断(computer aided diagnosis，cad)，如何准确对肺结节进行检测和分类已得到研究者的广泛研究。
3.目前，许多研究仅仅只是把ct图像中的肺结节检测或者分割出来，针对检测或分割结果进行良恶性预测的相关研究较少。此外，由于而一个病例的ct常常包含200-400张断层扫描图像，基于传统方法构建的cad系统对于肺结节这种体积微小肉眼不易分辨的病灶容易出现漏诊、误诊的情况，给患者带来额外经济负担的同时降低治愈的机会。因此，基于卷积神经网络构建的模型对患者的ct进行检测和诊断，能有效改善病理学家的工作同时取得较好的检出率。
4.近年来，基于深度学习的肺结节检测通常是两阶段算法：首先是候选结节区域生成，其次再增加一个假阳性减少环节，以此来提升检测灵敏度。这种检测算法设计较为繁琐且实时性较差，很难满足不断变化的医学临床应用的需求。同时，现有的肺结节检测工作只是对结节进行“阳性结节”和“非阳性结节”的分类。错误地认为“阳性结节”就是恶性结节，“非阳性结节”是良性结节。事实上，这些“阳性结节”包括放射科医师认为可能为恶性的所有结节，其恶性程度分为五个等级。等级一为良性概率高，等级二为中度良性概率，等级三是不确定概率为良性，等级四为中度恶性概率，其中等级五恶性概率高。从每个级别的描述中，我们知道一些良性概率很高的肺结节仍然包括在这些“阳性结节”中。换言之，现有的cad系统只是结节检测的辅助工具，并没有识别肺结节的恶性程度，最终诊断结果仍取决于医生的决定。因此，设计一个成熟便利的肺结节智能诊断方法是很有必要的。
5.申请公开号cn113902676a，一种基于注意力机制的神经网络的肺结节图像检测方法及系统，包括以下步骤：获取肺结节图像；根据获取的图像和预设的神经网络检测模型，得到肺结节的分类结果；其中，所述神经网络检测模型采用注意力机制和3d残差神经网络。本公开将可训练的多种注意力机制模块融合到神经网络中，有效的提取数据的高级抽象特征，直接用于识别、分类和检测，自动化程度高，能有效区分真实结节和非结节，在提高检测率、降低假阳性率方面获得了较好的效果。本专利在保证高准确率的情况下，根据多种任务形式以找到不同特征形式的结节为基础，构建多个任务分支，并添加通道和空间注意力机
制充分聚焦其肺结节的位置信息和轮廓信息，并在主干网络后加入spcs模块，进一步完成多个尺度的信息融合，和高级语义信息的聚合，有助于后续针对结节进行分类。由此，实现了在高精度下的高检测灵敏度。
6.cn112364909a一种基于注意力机制和多尺度融合的水墨画分类方法及装置，其中，水墨画分类方法中包括：获取待分类的水墨画；将水墨画输入预训练的深度卷积神经元网络模型，并根据预设规则分别提取低级别特征、中间级别特征和高级别特征；分别将低级别特征和中间级别特征输入预训练的空间注意力处理模块，提取其中具备分辨率的特征信息；将高级别特征输入预训练的用于防止其出现过拟合的多尺度特征处理模块；将处理后的低级别特征、中间级别特征和高级别特征输入预训练的条件随机场模型进行特征融合；将融合后的特征输入预训练的通道注意力处理模块为各特征通道赋值；将处理后的特征输入预训练的分类器进行分类，实现对水墨画高准确率的分类。水墨画分类的前序并没有检测这部分，而本专利的分类是在检测到的肺结节基础上再对结节进行的分类。不同于水墨画，肺结节在一张ct图片上有大小的不同，在裁剪目标图像时，不仅仅是根据结节的尺寸进行裁剪的，而是要保留肺结节的大小信息——这可以对后续分类提供一定的参考，以自适应的方式裁切。并且为了应对这种结节直径大小的不同带来的挑战，本专利在分类网络的首层网络中使用了不同大小的卷积核完成卷积操作，聚合不同的结节特征，供后续进一步的特征提取。为后续的分类提供重要的特征依据。


技术实现要素：

7.本发明旨在解决以上现有技术的问题。提出了基于多注意力与多任务特征融合的肺结节检测与分类方法，用于对肺结节进行高精度下的高灵敏度检测，并通过分类网络给出肺结节良恶性和患癌风险等级的评估。本发明的技术方案如下：
8.一种基于多注意力与多任务特征融合的肺结节检测与分类方法，其包括以下步骤：
9.原始ct图将hu值在[-1000, 400]的保留，其他的舍去，并通过线性变换成为[0,255]的范围成为512
×
512的图像，可供直观查看；
[0010]
经过图像归一化处理后输入将其输入带有空间注意力、通道注意力和自注意力机制以及包含两个任务分支的肺结节检测网络，得到检测结果；
[0011]
根据检测结果，基于结节的位置进行裁剪，再将其输入具有自注意力机制和两个任务分支的分类网络得到肺结节的良恶性与患癌风险等级预测结果。
[0012]
进一步，所述的肺结节检测网络包括特征提取网络、特征融合和两个任务分支。图像传入特征提取网络，将得到512
×
512、256
×
256、128
×
128、64
×
64、32
×
32和16
×
16这六种尺度的特征图；
[0013]
首先将会由深到浅地融合16
×
16、32
×
32、64
×
64尺度的特征。然后分为两个任务分支，分别是检测任务分支和分割任务分支；
[0014]
进一步，检测分支将会使用到经过特征融合后的16
×
16、32
×
32、64
×
64这三种尺度特征图，然后由浅到深的融合这三种尺度特征图，最后输出16
×
16、32
×
32、64
×
64这三种尺度特征图上的结节检测结果；
[0015]
进一步，分割分支将会在64
×
64已经进行特征融合的基础上继续融合128
×
128、
256
×
256、512
×
512尺度的特征，并通过上采样、卷积和sigmoid激活输出三种不同尺度大小的语义分割图，最后联合三者的结果，输出最终的语义分割图。语义分割图将会经过结果的转化，同检测分支输出的结果统一起来，输出最终的肺结节检测结果。
[0016]
进一步的，所述的特征提取网络一共有40层，有17个卷积层和23个残差块，每个残差块中包含卷积核大小为1
×
1的通道注意力和卷积核大小为7
×
7的空间注意力；第一组卷积集合包含2个卷积层可以迅速拓展通道，其他各组均包含3个卷积层；
[0017]
进一步的，特征提取网络以残差网络为骨干，残差块中添加有空间注意力机制和通道注意力机制，并在块内额外添加一条只有1
×
1卷积的路径形成双路径，这有利定位信息的聚焦和信息的通畅流动；
[0018]
进一步的，在骨干网络尾部加入spcs模块，进一步地从全局、多尺度地提取信息和聚焦重要语义信息。归一化后的图像输入时，将通过一层bactchnorm进行可学习的标准化，然后经由骨干网络和spcs模块，输出512
×
512、256
×
256、128
×
128、64
×
64、32
×
32和16
×
16这六种尺度的特征图；
[0019]
进一步的，所述的spcs模块为带自注意力机制的空间金字塔卷积，以骨干网络提取到的最深层特征图作为输入，通过一层卷积后，分为四条路径，一路作为捷径连结，另外三路分别通过5
×
5、9
×
9、13
×
13的卷积核卷积和自注意力，通过一层卷积融合这四路特征并输出；
[0020]
进一步的，所述的检测分支将通过两层卷积，在16
×
16、32
×
32、64
×
64这三种尺度特征图上输出三种预测结果。最小的肺结节也占优八个像素宽度，故选择这三个尺度进行预测是合适的；
[0021]
进一步，网络输出有4个值，分别为目标置信度、坐标x、坐标y和结节的直径，其中目标置信度大于0.85的结果将保留，小于的将被抑制；
[0022]
进一步的，所述的分割分支得到图像的语义分割图，并通过阈值过滤，将其进行二值化处理，并进行形态学的处理，按照如下公式进行：
[0023][0024]
其中m表示分割分支得到的二值分割图，
⊙
表示通过卷积核k进行的形态学腐蚀，表示通过卷积核k进行的形态学膨胀。首先进行腐蚀，去除掉零星像素的杂点干扰；再大幅膨胀，最后腐蚀，将其有轻微不连续的区域连结为一个区域——因为有些肺结节呈现磨玻璃状等边界轮廓不甚清晰的特点，并且保持其大小(直径)不变，并排除掉尺寸过小的目标。最后，在处理后的分割图中，寻找各个连结区域的最小外切矩形框，得到每个矩形框的位置，即为分割图中检测到的肺结节的位置，矩形框的最大边长即为该结节的直径。其结果的信度值按照如下公式计算得到：
[0025]
m＝m(box)
[0026]
p＝mean(mean(m),max(m))
[0027]
其中m为网络输出的原始分割图——图上的每一个像素值均为是否属于肺结节的概率值。m(box)表示的是通过转换得到的目标边框，并且以分割二值掩码去索取m中的区域的值，得到m。最终，得到该目标物的置信度。也就把语义分割图转化为了同检测分支同样的由目标置信度、坐标x、坐标y和结节的直径四个值表示结节目标输出。
[0028]
进一步的，所述检测分支同分割分支结果的统一，是将两者结果求其并集，作为肺
结节检测网络最终检测结果输出。
[0029]
所述的肺结节分类网络，具有同样具有空间注意力机制、通道注意力机制和自注意力机制。由于肺结节在图片中具有不同的大小，而裁剪也将保留其大小特征，同时由于肺结节复杂的形态特征，所以在网络的一开始将由以7
×
7、14
×
14、32
×
32和64
×
64为大小的卷积核进行卷积操作，并通过空间注意力机制和通道注意力机制聚焦关键特征，再经过卷积融合四个尺度的特征。通过一系列的残差块和自注意力块，提取得到高级语义信息。其中残差块使用同肺结节检测网络相同的残差块。并融合不同深度的语义特征，由全连接神经网络，输出两个分支的预测结果，分别为肺结节的良性和恶性、患癌风险等级。
[0030]
将检测模型的检测结果进行裁剪，裁剪为64
×
64的大小作为良恶性预测的输入；
[0031]
所述的图像裁剪为，由肺结节检测网络得到的肺结节的检测结果，根据其肺结节直径确定裁剪方式，其直径所占像素宽度小于57
×
57的将会以其检测中心点为裁剪的中心点进行裁剪，裁剪的矩形区域为57
×
57，再通过resize到64
×
64的尺寸大小；
[0032]
进一步，其直径大于57
×
57的将按照其真实的直径相同的裁剪矩形区域，再resize到64
×
64的尺寸大小。然后输入到后续的肺结节分类网络。其中，输入数据作为训练集，对卷积神经网络结构进行良恶性结节的分类器模型的训练，在验证集上比较多个模型之间的好坏，得到最优的二维深度卷积神经网络模型；
[0033]
进一步，所述的肺结节分类网络，同样具有空间注意力、通道注意力和自注意力机制。由于肺结节在图片中具有不同的大小，而裁剪也将保留其大小特征，同时由于肺结节复杂的形态特征，所以在网络的一开始将由以7
×
7、14
×
14、32
×
32和64
×
64为大小的卷积核进行卷积操作，并通过空间注意力机制和通道注意力机制聚焦关键特征，再经过卷积融合四个尺度的特征；
[0034]
进一步，通过一系列的残差块和自注意力块，提取得到高级语义信息。其中残差块同肺结节检测网络使用的残差块相同。
[0035]
进一步，融合不同深度的语义特征，由全连接神经网络，输出两个分支的预测结果，分别为肺结节的良性和恶性、患癌风险等级五分类。
[0036]
最后鉴于结节的形态特征复杂，单一的特征集不能全面描述肺结节的信息，需要融合边缘特征和纹理特征对肺结节进行恶性程度进行分类；分类网络中提取7
×
7、14
×
14、32
×
32和64
×
64这四个尺度特征，经过一些列参差块对高级语义信息进行学习；高级特征学习阶段由一系列残差块组成，将最后一个平均池化层的特征和最后一个残差块的特征进行融合，最后由全连接层输出良恶性结果。
[0037]
本发明的优点及有益效果如下：
[0038]
本发明基于多注意力机制、多任务形式以及多尺度特征融合进行肺结节的检测和分类，通过多种注意力，根据其不同的特点使用在网络的不同位置。其中通道注意力和空间注意力，引入计算量小，使用在浅层进行关键特征的聚焦；而自注意力因其计算量同尺寸成指数关系，并且具有更高的全局特征聚焦能力，故使用在最深层处的spcs模块中。这种多种注意力机制的使用，解决了肺结节这种小目标检测困难、检测精度不高的问题。并且构建起两个任务分支，通过两种任务形式对肺结节特征进行不同的考察，且能检测各自任务形式无法检检出的肺结节，通过联合训练，并在推理阶段综合统一了两个任务分支的输出结果，进一步地提高了肺结节的检出率，并且以高准确度为前提实现。同时，肺结节的良恶性分类
任务同患癌风险等级五分类任务具有相关性，能够促进共同任务的提升，所以模型的分类预测结果也具有高准确率。此外，在肺结节的检测结果为我们后续分类提供更多有价值的参考。
附图说明
[0039]
图1是本发明提供优选实施例肺结节智能诊断流程图；
[0040]
图2本发明肺结节检测网络的结构图；
[0041]
图3本发明肺结节分类网络的结构图；
具体实施方式
[0042]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
[0043]
本发明解决上述技术问题的技术方案是：
[0044]
本专利提出了一个全自动肺结节智能检测与分类方法。本发明提供了一个多级联并行的网络，均是基于多注意力机制、多尺度特征融合以及多任务形式完成结节检测和分类。可以较好的利用深度学习自主学习肺结节特征的优势，同时基于直径大小各异的肺结节融合了不同尺度的结节特征，取得了较高的检测灵敏度和分类精度，如图1所示，主要由结节检测和良恶性预测两部分组成。
[0045]
如图2所示，一种基于多注意力机制、多任务形式、多尺度特征融合的肺结节检测网络。原始ct图像在经过归一化处理后，输入该检测网络。首先将经过bn层的参数科学的标准化处理，而后经过六个block块的处理，分别为block0、block1、block2、block3、block4、block5。其中block0包换两层3
×
3的卷积，该块的主要目的是快速拓展通道，丰富特征表示。而block1、block2、block3、block4、block5则包含一个步长为2的3
×
3卷积作为下采样使用，以此分为两条路径，一条为若干个残差块堆叠，一条为一个1
×
1的卷积处理，然后拼接两条路径的结果，并通过3
×
3的卷积融合作为块的输出。而残差块由两个3
×
3的卷积，加上中间的空间注意力机制和通道注意力机制组成。残差块的详细结构见图1的图例部分的残差块所示。经过这六个块处理，将会有输出六种512
×
512、256
×
256、128
×
128、64
×
64、32
×
32和16
×
16尺度的特征图。而16
×
16尺度的特征图还将经过spcs模块的处理，再做输出。由此bn层加上这六个block模块和spcs模块构成了该骨干网络。详细参数见表一。
[0046]
[0047]
[0048][0049]
表1特征提取网络的结构及参数
[0050]
spcs模块的结构如图2的spcs模块区域所示，该结构在通过一层3
×
3，分为四条路径，一路作为捷径连结，另外三路分别通过5
×
5、9
×
9、13
×
13的卷积核卷积和自注意力，最后通过一层卷积融合这四路特征并输出。
[0051]
在此，由bn层加六个block模块和spcs模块构成了该骨干网络。其中，网络中的空间注意力和通道注意力使用在每一个残差块中，这有助于网络聚合相关信息而抑制无关信息，提高小肺结节的检测精度和灵敏度；而自注意力进制只使用在spcs模块，这主要是在深层网络中，通过自注意力，更加全面的聚合全局有用特征，加强语义理解，这有助于分类，即提高检测的精确度。图像将通过该骨干网络的处理，输出512
×
512、256
×
256、128
×
128、64
×
64、32
×
32和16
×
16这六种不同尺度下的特征。特征融合将会以16
×
16的尺度为开始，以fpn的形式有深到浅地，从16
×
16、32
×
32到64
×
64进行融合。在得到特征融合后的64
×
64尺度的特征后，将会在此分支为两条任务分支，分别是分割任务分支和检测任务分支。
[0052]
检测任务分支将会使用经过特征融合后的64
×
64、32
×
32和16
×
16这三种特征图，再经过pan的方式，由浅到深，从64
×
64、32
×
32到16
×
16尺度的特征进行融合，并输出肺结节的预测结果。最小的肺结节也占有8个像素宽度，所以这是合适的。这一过程如图2中所示。肺结节目标的表示分别为目标置信度、x轴坐标、y轴坐标、肺结节直径。而目标置信度大于0.85的结果将会保留，而小于将会被抑制。
[0053]
而分割分支将继续由深到浅的继续进行特征融合，并解码为图像的语义分割图。如图2所示，在得到融合特征后的64
×
64尺度的特征后，通过上采样，并与128
×
128尺度的特征进行拼接并通过卷积融合。这一过程持续到512
×
512位置。同时将会经过卷积处理，将128
×
128、256
×
256、512
×
512的经过特征融合后的特征，经过卷积并通过上采样到与输入图像相同大小，得到不同尺度特征下的语义分割图，构成由粗糙到精细的分割图，并通过卷积操作，融合三者的结果，作为最终的分割图的结果输出。而后，该分割结果将通过结果转换同检测分支的输出结果统一。
[0054]
分割分支得到图像的语义分割图，并通过阈值过滤，如图2中白色高亮区域所示为可能为肺结节的区域。再将其进行二值化处理，并进行形态学的处理，按照如下公式进行处理
[0055][0056]
其中m表示分割分支得到的二值分割图，
⊙
表示通过卷积核k进行的形态学腐蚀，表示通过卷积核k进行的形态学膨胀。首先进行腐蚀，去除掉零星像素的杂点干扰；再大幅膨胀，最后腐蚀，将其有轻微不连续的区域连结为一个区域——因为有些肺结节呈现磨玻璃状等边界轮廓不甚清晰的特点，并且保持其大小(直径)不变，并排除掉尺寸过小的目
标。最后，在处理后的分割图中，寻找各个连结区域的最小外切矩形框，得到每个矩形框的位置，即为分割图中检测到的肺结节的位置，矩形框的最大边长即为该结节的直径。其结果的信度值按照如下公式计算得到：
[0057]
m＝m(box)
[0058]
p＝mean(mean(m),max(m))
[0059]
其中m为网络输出的原始分割图——图上的每一个像素值均为是否属于肺结节的概率值。m(box)表示的是通过转换得到的目标边框，并且以分割二值掩码去索取m中的区域的值，得到m。最终，得到该目标物的置信度。也就把语义分割图转化为了同检测分支同样的由目标置信度、坐标x、坐标y和结节的直径四个值表示结节目标输出。
[0060]
最后是检测分支同分割分支结果的统一。这是将两者结果求其并集，作为肺结节检测网络最终检测结果输出。两个分支结果相互补充，相辅相成，在保持高精度下，提高检测灵敏度。如图2所示的那样当前输入中，一共有三个结节。检测分支找到了两个结节，分割分支也找到了两个结节，但是他们两个分支不是找到的同样的结节，而是重复找到了一个，各自找到了另外一个不同的结节。最后综合两方面结果，输出最终的检测结果——共计找到了三个结节。基于两种任务形式可以相互补充对方无法检测的结节，所以该网络侧重于提升网络肺结节检测的准确率，并通过不同任务对肺结节特征考察的不同在保证准确率的情况下，提高了检测灵敏度。
[0061]
早期发现良性或恶性的肺结节对临床诊断具有重要意义。而针对恶性结节，恶性肿瘤风险评估通常用于指导医生确定癌症分期和制定后续预后计划。然而，由于结节在大小、形状和位置上的差异，在计算机辅助诊断系统中对结节进行分类一直是一个很大的挑战。本专利基于上述肺结节的检测结果，完成了结节良恶性二分类以及患癌风险等级的五分类。本专利提出的肺结节分类模型结构如图3所示，主要由三部分组成：多尺度特征提取阶段，高级特征学习阶段，特征融合阶段。
[0062]
首先，根据肺结节检测网络得到结节检测结果。将通过这一结果，在原图中裁剪对应位置的肺结节图像，送入下一级的肺结节分类网络。
[0063]
裁剪的方法为，根据其肺结节直径确定裁剪方式，其直径所占像素宽度小于57
×
57的将会在以其检测的中心点为其裁剪的中心点，而裁剪的矩形区域为57
×
57，通过缩放尺寸到64
×
64的尺寸大小，而其直径大于57
×
57的将按照其真实的直径相同的裁剪矩形区域，通过缩放尺寸到64
×
64的尺寸大小。然后输入后续的肺结节分类网络。
[0064]
而基于多注意力与多任务特征融合的肺结节分类网络，也将包含空间注意力、通道注意力和自注意力，并且具有两个任务分支，一条任务分支为预测肺结节的良恶性，另一条分支为预测肺结节的患癌风险等级。两条任务分支有其关联性，但又有区分。患癌风险等级分别为五个等级，分别是一级、二级、三级、四级、五级，其患癌的概率由低到高，为放射性医师认为的。同时划分一级、二级为良性，四级、五级为恶性，其中三级为不确定患癌与否。如此，能从两个角度促进提高共同的准确率。其网络结构的详细参数表2所示：
[0065][0066]
表2特征提取网络的结构及参数
[0067]
由于肺结节在图片中具有不同的大小，而裁剪也将保留其大小特征，同时由于肺结节复杂的形态特征，所以在网络的一开始将由以7
×
7、14
×
14、32
×
32和64
×
64为大小的卷积核进行卷积操作，并通过空间注意力机制和通道注意力机制聚焦关键特征，再经过卷积融合四个尺度的特征。通过一系列的残差块和自注意力块，提取得到高级语义信息。其中残差块使用同肺结节检测网络相同的残差块。并融合不同深度的语义特征，由全连接神经网络，输出两个分支的预测结果，分别为肺结节的良性和恶性、患癌风险等级。可为检测到的肺结节提供更多参考信息。同时可构建肺结节智能诊断系统。
[0068]
本发明提供的优选实施例肺结节智能诊断流程图如图1所示。ct图像将hu值在[-1000, 400]的保留，其他的舍去，并通过线性变换成为[0,255]的范围成为512
×
512的图像，一方面医师可供直观查看，另一方面方便图像归一化后输入肺结节检测网络。ct图像完成预处理后，经过基于多注意力机制和多任务形式的肺结节检测网络完成对肺结节的检测，得到检测结果；再裁剪相应肺结节区域的图像，通过一定的相适合的剪裁策略，得到检测到的每一个肺结节的图像；由肺结节良恶性与患癌风险等级预测网络得出每一个肺结节的良恶性以及患癌风险等级的预测结果，并展示、保存相应的结果，以便留作其他使用。
[0069]
本发明的肺结节检测网络的训练过程如下：
[0070]
ct图像经过转换处理为png图像，并由医师标注相应肺结节位置和掩码，本发明使用到的是luna16数据集，已由专业医师标注好肺结节位置，再额外标注掩码即可；
[0071]
ct图像经过数据增强处理后，输入肺结节检测网络进行预测。其中分割分支使用
二值交叉熵训练，而检测分支的目标置信度使用二值交叉熵训练，两个坐标和肺结节直径的预测使用均方差损失函数训练。
[0072]
网络整体使用0.1概率的dropout进行正则处理，使用adma优化算法初始学习率为0.001，参数β1＝0.9、β2＝0.999，批次大小为8，共迭代1000个epoch。
[0073]
本发明的肺结节分类网络的训练过程如下：
[0074]
采用同推理阶段相同的裁剪策略，从ct录像中，制作出用于分类网络训练的数据集；
[0075]
图片经过数据增强后，送入分类网络，进行预测。使用交叉熵损失函数优化，采用同检测网络相同的优化算法，初始学习率0.0001，参数β1＝0.9、β2＝0.999，批次大小为64，共迭代500个epoch。
[0076]
其中，检测网络取得了在平均每张ct扫描图错误0.125个时0.94的检测灵敏，和cpm0.949的得分，而分类，其中良恶性分类，auc为0.95，患癌风险等级预测的宏平均roc得分为0.95。
[0077]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0078]
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。