基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

doi:10.3969/j.issn.1006-2475.2024.04.008

计算机与现代化 ›› 2024, Vol. 0 ›› Issue (04): 43-47.doi: 10.3969/j.issn.1006-2475.2024.04.008

基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

（1.重庆师范大学计算机与信息科学学院，重庆 401331； 2.重庆医科大学第一临床学院,重庆 401331）

出版日期:2024-04-30 发布日期:2024-05-13
作者简介:唐艺菠（1997—），男（羌族），四川乐山人，硕士研究生，研究方向：医学图像处理，E-mail： 543779362@qq.com；通信作者：崔少国（1974—），男，重庆人，教授，博士，研究方向：大数据与人工智能，E-mail： csg@cqnu.edu.cn；万皓明（1998—），男，浙江义乌人，硕士研究生，研究方向：医学图像处理，E-mail： 1260835131@qq.com；王锐（1999—），男，云南昭通人，硕士研究生，研究方向：医学图像处理，E-mail： 1502400359@qq.com；刘丽丽（1986—），女，重庆人，博士研究生，研究方向：医学影像，E-mail： 903689621@qq.com。
基金资助:
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， 2022TFII-OFX0262， 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（KJZD-K202200510）；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）；重庆市研究生科研创新项目（CYS22558， CYS22555）；重庆师范大学研究生科研创新项目（YKC22019）

Ghost Convolution Based Prediction Method for Recurrence of High Grade#br# Serous Ovarian Cancer

（1. School of Computer and Information Science， Chongqing Normal University， Chongqing 401331， China；
2. The First Clinical College， Chongqing Medical University， Chongqing 401331， China）

Online:2024-04-30 Published:2024-05-13

摘要/Abstract

摘要：
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。

关键词: 关键词：高级别浆液性卵巢癌, 残差网络, Ghost卷积, 注意力

Abstract:
Abstract： High grade serous ovarian cancer is a malignant tumor disease， and preoperative recurrence prediction can help clinical doctors provide personalized treatment plans for patients and reduce the mortality rate. Due to the less and difficult-to-obtain medical data of this disease， its deep learning model is difficult to obtain sufficient training， and the accuracy of recurrence prediction needs to be improved. To address this issue， this article proposes an improved low-parameter residual network TGE-ResNet34， which uses ResNet34 as the backbone network and replaces traditional convolution modules with Ghost convolutions to extract lesion area features and reduce the model’s parameter volume. The ECA （Efficient Channel Attention） attention mechanism is incorporated between two Ghost convolutions to suppress interference from useless feature extraction. Finally， the model is evaluated through a five-fold cross-validation to avoid the randomness of data partitioning. The experimental results show that the accuracy of the improved TGE-ResNet34 network is 96.01%， which is 4.52 percentage points higher than the original baseline network’s accuracy and reduces the parameter volume by 15.98 M.

Key words: Key words： high grade serous ovarian cancer, residual network, Ghost convolution, attention

中图分类号:

TP391

唐艺菠1, 崔少国1, 万皓明1, 王锐1, 刘丽丽2. 基于Ghost卷积的高级别浆液性卵巢癌复发预测方法[J]. 计算机与现代化, 2024, 0(04): 43-47.

TANG Yibo1, CUI Shaoguo1, WAN Haoming1, WANG Rui1, LIU Lili2. Ghost Convolution Based Prediction Method for Recurrence of High Grade#br# Serous Ovarian Cancer[J]. Computer and Modernization, 2024, 0(04): 43-47.

参考文献

［1］ ARMSTRONG D K， ALVAREZ R D， BAKKUM-GAMEZ J N， et al. Ovarian cancer， version 2.2020， NCCN clinical practice guidelines in oncology［J］. Journal of the National Comprehensive Cancer Network， 2021，19（2）：191-226.
［2］ RICHARDSON D L， SILL M W， COLEMAN R L， et al. Paclitaxel with and without pazopanib for persistent or recurrent ovarian cancer： A randomized clinical trial［J］. JAMA Oncology， 2018，4（2）：196-202.
［3］ LEDERMANN J A， RAJA F A， FOTOPOULOU C， et al. Newly diagnosed and relapsed epithelial ovarian carcinoma： ESMO clinical practice guidelines for diagnosis， treatment and follow-up［J］. Annals of Oncology， 2013，24（S6）：vi24-vi32.
［4］ SIEGEL R L， MILLER K D， JEMAL A. Cancer statistics， 2019［J］. CA： A Cancer Journal for Clinicians， 2019，69（1）：7-34.
［5］ OZA A M， COOK A D， PFISTERER J， et al. Standard chemotherapy with or without bevacizumab for women with newly diagnosed ovarian cancer （ICON7）： Overall survival results of a phase 3 randomised trial［J］. The Lancet Oncology， 2015，16（8）：928-936.
［6］ BOWTELL D D， BOHM S， AHMED A A， et al. Rethinking ovarian cancer Ⅱ： Reducing mortality from high-grade serous ovarian cancer［J］. Nature Reviews Cancer， 2015，15（11）：668-679.
［7］ TEWARI K S， BURGER R A， ENSERRO D， et al. Final overall survival of a randomized trial of bevacizumab for primary treatment of ovarian cancer［J］. Journal of Clinical Oncology， 2019，37（26）：2317-2328.
［8］ KOBEL M， KALLOGER S E， BOYD N， et al. Ovarian carcinoma subtypes are different diseases： Implications for biomarker studies［J］. PLoS Medicine， 2008，5（12）. DOI： 10.1371/journal.pmed.0050232.
［9］ MILLER K R， PATEL J N， ZHANG Q， et al. HOXA4/HOXB3 gene expression signature as a biomarker of recurrence in patients with high-grade serous ovarian cancer following primary cytoreductive surgery and first-line adjuvant chemotherapy［J］. Gynecologic Oncology， 2018，149（1）：155-162.
［10］ SOHAIB S A A， REZNEK R H. MR imaging in ovarian cancer［J］. Cancer Imaging， 2007，7（Special Issue A）：S119-S129.
［11］ SIEGELMAN E S， OUTWATER E K. Tissue characterization in the female pelvis by means of MR imaging［J］. Radiology， 1999，212（1）：5-18.
［12］ RIZZUTO I， STAVRAKA C， CHATTERJEE J， et al. Risk of ovarian cancer relapse score： A prognostic algorithm to predict relapse following treatment for advanced ovarian cancer［J］. International Journal of Gynecologic Cancer， 2015，25（3）：416-422.
［13］ WEI W， RONG Y， LIU Z Y， et al. Radiomics： A novel CT-based method of predicting postoperative recurrence in ovarian cancer［C］// Proceedings of the 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. IEEE， 2018：4130-4133.
［14］ LI H M， GONG J， LI R M， et al. Development of MRI-based radiomics model to predict the risk of recurrence in patients with advanced high-grade serous ovarian carcinoma［J］. American Journal of Roentgenology， 2021，217（3）：664-675.
［15］ WANG X H， LU Z M. Radiomics analysis of PET and CT components of 18F-FDG PET/CT imaging for prediction of progression-free survival in advanced high-grade serous ovarian cancer［J］. Frontiers in Oncology， 2021，11. DOI： 10.3389/fonc.2021.638124.
［16］ WANG S， LIU Z Y， RONG Y， et al. Deep learning provides a new computed tomography-based prognostic biomarker for recurrence prediction in high-grade serous ovarian cancer［J］. Radiotherapy and Oncology， 2019，132：171-177.
［17］ HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017：2261-2269.
［18］ WANG R， CAI Y Y， LEE I K， et al. Evaluation of a convolutional neural network for ovarian tumor differentiation based on magnetic resonance imaging［J］. European Radiology， 2021，31：4960-4971.
［19］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016：770-778.
［20］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017，60（6）：84-90.
［21］ SZEGEDY C， LIU W， JIA Y Q， et al. Going deeper with convolutions［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. IEEE，2015：1-9.
［22］ SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［J］. arXiv preprint arXiv：1409.1556， 2014.
［23］ LIU Z， MAO H Z， WU C Y， et al. A convNet for the 2020s［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2022：11966-11976.
［24］ HAN K， WANG Y H， TIAN Q， et al. GhostNet： More features from cheap operations［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2020：1577-1586.
［25］ WANG Q L， WU B G， ZHU P F， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2020：11531-11539.
［26］ HOWARD A G， ZHU M L， CHEN B， et al. MobileNets： Efficient convolutional neural networks for mobile vision applications［J］. arXiv preprint arXiv：1704.04861， 2017.

[1]	万鸿炜, 陈平华. 基于Involution算子和协调反向注意力的息肉图像分割[J]. 计算机与现代化, 2024, 0(11): 84-90.
[2]	时现伟1, 范鑫2. 基于轻量化的视频帧场景语义分割方法[J]. 计算机与现代化, 2024, 0(08): 49-53.
[3]	乔佳, 徐琨, 胡佩蓉. 多尺度特征融合的版面分析方法[J]. 计算机与现代化, 2024, 0(05): 16-21.
[4]	杜韩宇, 魏延, 唐保香, 廖恒锋, 叶思佳. 基于双重注意力残差模块的低照度图像增强[J]. 计算机与现代化, 2024, 0(03): 85-91.
[5]	崔少国, 张宇楠. 融合多尺度空间特征的甲状腺结节超声图像分割[J]. 计算机与现代化, 2024, 0(03): 72-77.
[6]	邢世帅, 刘丹凤, 王立国, 潘月涛, 孟灵鸿, 岳晓晗. 基于空间注意力残差网络的图像超分辨率重建模型[J]. 计算机与现代化, 2023, 0(10): 45-52.
[7]	秦竹媛, 吴浩忠, 谭代庆, 韩爱庆, 臧昊, 王选, 唐燕. 基于多尺度ResNet融合注意力机制的麦冬细粒度识别[J]. 计算机与现代化, 2023, 0(07): 105-111.
[8]	贺雨霞, 曹国. 基于改进注意力网络的转炉炼钢状态判别[J]. 计算机与现代化, 2022, 0(07): 97-102.
[9]	贺璇, 刘怡欣, 何小海, 卿粼波, 陈洪刚. 基于改进残差网络的联合损失步态特征识别[J]. 计算机与现代化, 2022, 0(04): 27-32.
[10]	徐小亮, 赵英. 基于BiLSTM和ResCNN的实体关系抽取方法[J]. 计算机与现代化, 2022, 0(01): 10-16.
[11]	李国进, 荣誉. 基于DCN-SERes-YOLOv3的人脸佩戴口罩检测算法[J]. 计算机与现代化, 2021, 0(09): 12-20.
[12]	刘守华, 王小松, 刘昱, . 基于深度学习的临床心电图分类算法[J]. 计算机与现代化, 2021, 0(08): 52-57.
[13]	刘亚东, 罗印升, 曹阳阳, 宋伟. 深度学习在手机数据接口缺陷检测中的应用[J]. 计算机与现代化, 2021, 0(06): 35-40.
[14]	许梦笛, 王金华. 基于深度学习和语法规约的需求文档命名实体识别[J]. 计算机与现代化, 2021, 0(01): 105-110.
[15]	李晓双, 韩立新, 李景仙, 周经纬. 基于优化残差网络的多模态音乐情感分类[J]. 计算机与现代化, 2020, 0(12): 83-89.

基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

Ghost Convolution Based Prediction Method for Recurrence of High Grade#br# Serous Ovarian Cancer

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价