基于小样本学习和多尺度残差网络的特纳综合征预测研究OA北大核心CSTPCD

为了提高特纳综合征(Turner Syndrome, TS)的诊断效率,提出一种基于小样本学习和多尺度残差网络的TS预测模型。对TS人脸图像进行预处理获取人脸主要区域,提出具有多级注意力机制的多尺度残差模块,其中,多尺度残差模块以集成多尺寸卷积核的残差结构实现,多级注意力机制用来学习特征通道关系和不同卷积核的重要性,利用该模块构建多尺度残差网络。使用小样本学习进行模型训练。实验结果表明,该模型能够提升TS的诊断准确率。