基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

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。