《表2 SE-Caps Net模型的详细信息》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于SE-CapsNet的肺结节良恶性诊断研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

构造的SE-Caps Net网络结构如表2所示，由预处理输入层、卷积层、主胶囊层、SENet（squeeze and excitation networks）[23]等7个模块组成。由于原始的Caps Net网络为获取更加丰富的底层结节特征信息，在引入胶囊与动态路由概念改进传统CNN的同时，带来了较为严重的计算代价。为提高原始Caps Net性能，本研究通过加入SEblock网络结构，从特征通道层面对模型进行优化，在胶囊层之间进行改进。SEblock通过衡量特征通道之间的关系，显示通过“特征重标定”策略，在不引入新的空间维度的情况下进行通道融合。通过学习的方式，自动获取每个特征通道的重要程度参数。原始主胶囊层输出向量vi由式（3）的激活函数计算，输入数字胶囊层。在该过程中间，对每一个胶囊结构插入一个SEblock，对不同胶囊的不同特征赋予不断学习的权重，从而加快模型的训练速度。SEblock嵌入Caps Net网络如图5所示。肺结节图像经primary capsule结构输出，得到主胶囊层胶囊vj，维度为c×h×w。vj首先经过挤压操作，根据时间维度进行特征压缩，再将二维通道压缩，得到一个具有全局感受野的实数，输出结果的维度和输入的特征通道数相匹配，此处的挤压操作计算方式为