采用三输入和混合注意力机制的残差颌骨囊肿分类网络

摘要

锥形束CT(Cone Beam CT,CBCT)对诊断成釉细胞瘤与牙源性角化囊肿至关重要，两种疾病在影像学上的表现较为相似，在鉴别诊断上非常困难.针对这一问题，本文提出了一种基于三通道输入和混合注意力机制的残差颌骨囊肿分类网络(THRNet).该方法以ResNet50作为基线网络，结合迁移学习策略使模型在小数量数据集上能有更好的表现；通过采用三输入结构以充分利用CBCT影像数据的上下文信息；引入混合注意力机制以加强模型对局部特征信息的学习能力.最后，在4314张三通道数据中，所提出的模型的平均准确率、特异性、灵敏度和F1指数分别为82.42%、84.03%、82.70%、和83.59%,相较于基线网络，分别提升了6.45%、3.88%、9.07%、4.43%.实验结果表明，所提出模型可以有效实现成釉细胞瘤与牙源性角化囊肿的分类.

关键词

卷积神经网络 / 混合注意力 / 迁移学习 / CBCT

基金资助

上海市自然科学基金项目(18ZR1426900)资助