通过深度学习模型的疾病分类

计算;推算;计数设备的制造及其应用技术1.本发明一般涉及处理和可视化数据，特别是用于在临床环境中处理和可视化肝脏组织的图像，以确定存在指示肝细胞癌的肝脏病变的计算机实现的系统/方法。背景技术：2.肝癌是世界上第五大最常见的癌症，并且也是癌症相关死亡的第三大常见原因(bray等人，ca：a cancer journal for clinicians)2018，68:394-424)。肝癌一直是亚太地区的致命癌症之一，并且占香港2018年所有癌症死亡人数的10.3％(香港特别行政区政府香港癌症策略，2019年7月出版，第1-100页)。肝细胞癌(hcc)约占原发性肝癌病例的75％-85％，并且是癌症死亡的主要原因之一(bray等人，ca：a cancer journal for clinicians 2018，68:394-424)。因此，对hcc的早期诊断和检测有助于改善其医学治疗。3.hcc的诊断通常不需要肝活检，而是经由横断面成像进行放射学检查，例如计算机断层摄影(ct)扫描，特别是经由肝脏成像报告和数据系统(li-rads)报告的多相对比ct扫描。对hcc的经典诊断是通过li-rads 5类别获得的，定义为动脉相增强，然后是门静脉相或延迟相的“冲洗”(marrero等人，hepatology 2018，68(2):723-750)。尽管如此，li-rads 2至4的诊断类别表示了不同的hcc风险，导致重复扫描和诊断和治疗延迟(vander pol等人，gastroenterology 2019，156(4):976-986)。4.传统上，临床医生对ct扫描图像切片进行目视调查。因此，诊断准确性在很大程度上取决于放射科医师的经验。因此，对肝脏病变的准确诊断可能是一项具有挑战性的任务，并且可能需要花费更长的时间来确认诊断。然而，随着技术的快速进步，特别是在高性能中央处理器(cpu)和图形处理器(gpu)方面，人工智能在医学诊断应用中的探索越来越多。例如，已经尝试应用诸如本质上是深度神经网络的深度学习模型的人工智能来自动化诊断的过程。这些努力包括尝试使用ct图像通过对hcc或非hcc进行分类来诊断肝癌。yasada等人(yasada等人，radiology 2018，286(3):887-896)研究了卷积神经网络对区分或分类肝脏肿块((a)肝细胞癌(hcc)；(b)除经典和早期hcc外的恶性肝肿瘤；(c)不确定的肿块或肿块样病变以及除血管瘤和囊肿外的罕见良性肝肿块；(d)血管瘤；(e)囊肿)的诊断效果。ben-cohen等人(ben-cohen等人，neurocomputing 2018，275:1585-1594)提出了一种肝转移瘤检测方案，该方案涉及将使用全卷积网络(fcn)的全局上下文和使用基于超像素稀疏的字典学习的局部上下文结合。trivizakis等人(trivizakis等人，ieee journal of biomedical and health informatics 2019，23:923-930)使用3d卷积网络进行组织分类，以在弥散加权磁共振成像数据中区分原发性和转移性肝肿瘤。li等人(li等人，computers in biology and medicine 2017，84:156-167)研究了将极限学习机器融合到全连接卷积网络中以用于肝细胞癌的细胞核分级。此外，li等人(li等人，neurocomputing2018，312:9-26)进一步提出了一种结构卷积极限学习机器方案，以用于通过融合基于病例的形状模板的信息对hcc进行细胞核分割。frid-adar等人(frid-adar等人，neurocomputing 2018，321:321-331)提出了一种基于生成对抗网络的合成医学图像增强框架，以提高对ct肝脏图像的分类性能。vivanti等人(vivanti等人，international journal of computer assisted radiology and surgery 2017，12:1945-1957；vivanti等人，medical&biological engineering&computing 2018，56:1699-1713)提出可以基于卷积神经网络的方案以分别对纵向肝脏ct扫描进行肿瘤检测和描绘。zhang等人(zhang等人，liver tissue classification using an auto-context-based deep neural network with a multi-phase training framework.in：bai w,sanroma g,wu g,munsell b,zhan y,coupꢀéꢀp.(eds)patch-based techniques in medical imaging.patch-mi 2018.lecture notes in computer science 2018,11075:59-66)提出了一种基于卷积神经网络的方案，用于针对被诊断为hcc的患者的3d磁共振成像(mri)数据对不同肝脏组织进行分类，其中自动上下文信息捕获模块被集成到u-net形架构中。todoroki等人(todoroki等人，detection of liver tumor candidates from ct images using deep convolutional neural networkd.in：chenyw.、tanakas.、howlettr.、jainl.(eds)innovation in medicine and healthcare 2017.kes-inmed 2018 2017.2018:71:140-145)提出了一种用于对肝脏肿瘤分类的两级卷积网络，其中在第一步中，使用由dong等人(dong等人，journal of information processing 2016，24(2):320–329；dong等人，computers in biology and medicine 2015，67:146–160)开发的算法对ct图像中的肝脏进行分割，并且在第二步中，深度卷积神经网络(dcnn)计算分割的肝脏中的像素属于肿瘤的概率。这些计算出的概率被馈送到全连接层以对肿瘤进行分类。lee等人(lee等人，liver lesion detection from weakly-labeled multi-phase ct volume with a grouped single shot multibox detector.in：frangi a.,schnabel j.,davatzikos c.,alberola-lópezc.,fichtinger g.(eds)，medical image computing and computer assisted intervention–miccai 2018.lecture notes in computer science 2018,11071:693-701)提出了用于肝脏病变检测的单次多框检测器(ssd)，其并入了特征图的组卷积，并利用了多相ct图像的更丰富的信息。liang等人(liang等人，combining convolutional and recurrent neural networks for classification of focal liver lesions in multi-phase ctimages.in：frangi a.,schnabel j.,davatzikos c.,alberola-lópezc.,fichtinger g.(eds)medical image computing and computer assisted internention–miccai 2018.lecture notes in computer science 2018,11071:666-675)提出resgl-bdlstm模型对多相ct肝脏图像的局灶性病变进行分类，其中集成了具有全局和局部路径以及双向长短期记忆的残差网络。在ct肝脏图像上评估了该模型的性能，该图像包含病理学家确认的四种类型的病变(即囊肿、血管瘤、滤泡结节性增生和hcc)，其准确率达到90.93％。正如这些研究及其近期研究表明，对诸如肝癌(例如hcc)的涉及组织样本的医学图像的分析的疾病进行有效诊断是未满足的需求，并且仍然是活跃的研究领域。因此，由于临床医生的经验和/或其他诊断工具的降低的性能，在涉及分析图像的诸如肝癌特别是hcc的疾病的医学诊断领域中仍然需要更有效的诊断工具和/或减少诊断的随机性。尽管上述这些基于深度网络的方法已经为肝脏ct图像提供了令人满意的诊断性能，但它们也存在一些缺点：(1)其需要大量的肝脏ct图像来训练模型；以及(2)模型的训练需要诸如图形处理单元(gpu)的先进强大计算资源来支持。因此，提高这些方法的诊断效率和性能需要新的和改进的平台。5.因此，本发明的一个目的是提供改进的诊断工具。6.本发明的另一个目的是提供能够改进疾病的诊断的神经网络。7.本发明的另一个目的是提供能够通过分析来自(多个)癌组织的图像来改进癌症的诊断的神经网络。8.本发明的另一个目的是提供能够通过对于与癌相关联的病变的存在分析来自肝脏组织的图像来改进肝细胞癌的诊断的神经网络。技术实现要素：9.描述了不限于任何特定硬件或操作系统并且对于处理和/或分析医学成像输入数据有用的计算机实现的系统(cis)和计算机实现的方法(cim)。医学成像数据优选地是计算机断层摄影(ct)扫描。cis和/或cim优选地基于densenet模型。在一些形式中，cis和/或cim包含：10.(i)串联配置的第一稠密块、第二稠密块、第三稠密块和第四稠密块。每个稠密块包含一个或多个模块，每个模块包含卷积层。在每个稠密块内，来自包含卷积层的在前模块的输出经由由可训练阈值控制的门传输到稠密块内包含卷积层的后续模块。此外，在每个稠密块内，进入稠密块的原始输入也被传输到后续模块。在每个稠密块内将原始输入传输到后续模块不会通过门。卷积层包含修正的线性单元激活函数；11.(ii)能够操作链接到第一稠密块的初始最大池化层。初始最大池化层的步幅大小为2；12.(iii)初始卷积层能够操作链接到初始最大池化层。初始卷积层的步幅大小为2，并且包含修正的线性单元激活函数；13.(iv)稠密块之间的过渡层，其能够操作链接到处于串联配置的连续稠密块对。过渡层包含卷积层和平均池化层。这些卷积层和平均池化层的步幅大小分别为1和2，并且包含修正的线性单元激活函数；和/或14.(v)能够操作到第四稠密块的分类层。分类层包含终端全连接层和终端平均池化层。全连接层包含4-d soft-max激活函数。15.优选的cis和/或cim包含(i)、(ii)、(iii)、(iv)和(v)中的全部。该优选cis和/或cim的其他细节在本文的表3中给出。16.还描述了使用cis的方法，包括但不限于诊断肝脏的疾病或失调，诸如肝细胞癌。附图说明17.图1是本文使用的三个分类模型之一的示意图。18.图2是本文使用的三个分类模型之一的示意图。19.图3a、图3b、图3c和图3d一起是本文使用的三个分类模型之一的示意图。20.图1、图2和图3分别表示全卷积网络模型、深度残差网络模型和稠密连接卷积网络。具体实施方式21.i.定义22.术语“激活函数”描述了可用于限制神经元输出的神经网络的组件，诸如限制在零和一之间。示例包括soft-max、修正的线性单元(“relu”)、参数修正的线性单元激活函数(prelu)或sigmoid激活函数。23.术语“卷积层”描述了神经网络中的转换数据(诸如输入数据)以便从其中检索特征的组件。在这种转换中，数据(诸如图像)使用一个或多个内核(或一个或多个过滤器)进行卷积。24.术语“稠密块”描述了神经网络中包含层的组件，其中来自在前层的输出被馈送到后续层。优选地，在稠密块内，特征图大小相同，使得所有层都易于连接。25.如本文所使用的，术语“门”是指神经网络中通过有效地控制信息流和抑制冗余信息的影响来减少稠密块的特征图的数量的组件。26.术语“池化层”是指神经网络中的执行下采样以进行特征压缩的组件，诸如densenet模型。“池化层”可以是“最大池化”层或“平均池化”层。“下采样”是指与输入数据的全分辨率相比减少输入数据的维度、而同时地保留用于分类目的的必要输入信息的过程。通常，会生成输入数据(诸如图像)的粗略表示。27.与神经网络相关的术语“特征”是指数据集中的变量或属性。通常，选择可以被神经网络模型用作良好预测器的变量子集。它们是独立变量，就像系统中的输入一样。在神经网络的上下文中，特征将是输入层，而不是该领域所称的“隐藏层节点”。28.术语“内核”是指可用于表示两个或多个组之间的期望分离的表面表示。内核是空间中表面的参数化表示。其可以有多种形式，包括多项式，其中多项式系数是参数。内核可以可视化为矩阵(2d或3d)，其高度和宽度小于要进行卷积的数据(诸如输入图像)的维度。内核在数据(诸如输入图像)上滑动，并且在每个空间位置处计算内核和输入数据(诸如输入图像)的点积。内核滑动的长度称为“步幅长度”。如果要从数据(诸如输入图像)中提取多于一个的特征，则可以使用多个内核。在这种情况下，所有内核的大小优选地是相同的。数据(诸如输入图像)的卷积特征一个接一个地堆叠以创建输出，使得通道(或特征图)的数量等于所使用的内核的数量。29.术语“分割”是指将数据分成不同组的过程。通常，每个组中的数据彼此相似，而与其他组中的数据不同。在图像的上下文中，分割涉及识别图像的各个部分并理解它们属于什么对象。分割可以形成执行对象检测和分类的基础。例如，对于生物器官的图像，分割可能意味着识别背景、器官、器官的部分和指令(如果存在的话)。30.ii.计算机实现的系统和方法31.描述了基于densenet模型的分类网络。densenet模型允许来自输入和提取的特征(诸如提取的病变的特征)的信息到网络中的输出层的直接传输。32.在传统的densenet模型中，在每个稠密块内，包含卷积层的在前模块的所有输出都直接地输入到稠密块内包含卷积层的后续模块。在本文描述的densenet模型中，在每个稠密块内，来自包含卷积层的在前模块的输出经由由可训练阈值控制的门传输到稠密块内包含卷积层的后续模块。优选地，在每个稠密块内，进入稠密块的原始输入也被传输到后续模块。优选地，在每个稠密块内将原始输入传输到后续模块不会通过门。换言之，每个稠密块由多个模块组成，多个模块在图1中称为卷积块。例如，“稠密块1”包括六个模块(或卷积块)。在每个稠密块内，进入稠密块的原始输入绕过门直接地传输到后续模块(或后续卷积块)；同时来自在前模块(或在前卷积块)的输出被传输到后续模块(或后续卷积块)。也就是说，馈送到每个稠密块内的所有后续模块(或后续卷积块)的原始输入不会通过门。所描述的分类网络并入了这种设置并简化了模型架构。在稠密块的上下文中，短语“模块”和相关术语可与“卷积块”互换地使用。例如，“后续模块”和“后续卷积块”指的是稠密块内的相同组件。此外，“在前模块”和“在前卷积块”指的是稠密块内的相同组件。33.此外，基于densenet的模型中的简化架构(i)通过有效控制信息流和抑制冗余信息的影响来减少每个稠密块的特征图的数量，(ii)在无需添加太多参数进行调谐的情况下允许增加稠密块的数量，即，网络深度；(iii)仅使用卷积层和池化层来简化稠密块中的过渡层，无需其参数需要仔细的参数化的任何压缩，(iv)允许分类数据的灵活性，诸如肝脏病变的图像，和/或(v)减少信息损失并随之改善分类性能。34.所提出的基于densenet的模型的整体、非限制性架构如图3所示。基于densenet的模型中的每个稠密块允许来自输入和提取的特征(诸如病变的特征)的信息到网络中的输出的直接传输，并且这种架构可以降低梯度减小和爆炸的风险。两个连续稠密块之间的过渡层可以增强每个在前稠密块中提取的特征(诸如病变的特征)，以供后续稠密块进一步提取特征。通过特征图的数量和维度的稠密块的进一步简化可以提高对更多样化的横断面图像的质量的适应性。因此，所描述的方法可以结合区域(诸如病变区域)的特征来实现准确的分类。35.在肝细胞癌(hcc)的特定非限制性示例中，通过对横断面成像的基于densenet的模型将hcc与非hcc样本区分开来可以帮助准确并有效地诊断hcc。实验结果表明，所公开的cis和/或cis至少在准确度测量方面可以实现比临床医生和其他测试的神经网络更好的性能。因此，该方法提供了更有效的诊断并减少了由于临床医生的经验带来的随机性。因此，通过适当的医学治疗，可以大大降低因诸如hcc的疾病而死亡的风险。36.i.计算机实现的系统37.描述了一种不限于任何特定硬件或操作系统的计算机实现的系统(cis)，以用于处理和/或分析成像和/或非成像输入数据。cis允许用户基于优选地显示在图形用户界面上的输出做出疾病和/或失调的诊断或预后。优选的疾病和/或失调包括肝细胞癌。38.cis包含第一稠密块和第二稠密块。第一稠密块、第二稠密块或两者都包含一个或多个后续模块，该一个或多个后续模块包含一个或多个卷积层。在第一稠密块、第二稠密块或两者内，来自在前模块的输出经由门被传输到后续模块中的卷积层。优选地，门具有可训练的阈值。可以通过观察其对分类性能的影响来微调该可训练的阈值。其被用于选择卷积层所学习的信息特征，卷积层的输出用具有过多冗余信息的特征图表示。通过使用这种门控机制，从在前卷积层转移到后面的后续卷积层的特征图的数量显著减少。这不仅可以抑制冗余特征图的负面影响，还可以减少网络超参数的数量。优选地，门包含相关计算块和控制门控。相关计算块测量由给定卷积层所学习的特征图的皮尔逊相关系数，并且可控门控基于所获得的皮尔逊相关系数选择前25％(50％或75％)的判别特征。因此，在前卷积层的输出与每个稠密块的原始输入一起被馈送到后续卷积层中。图3中示出了非限制性图示。在图3中，在每个稠密块内，表示为“c”的组件将来自在前模块的输出与原始图像一起传输到后续模块。39.在一些形式中，在第一稠密块内，来自在前模块的输出经由具有上述特征的门传输到后续模块中的卷积层。优选地，在第一稠密块内，进入第一稠密块的原始输入也被传输到后续模块。优选地，将原始输入传输到第一稠密块内的后续模块不涉及门。也就是说，在第一稠密块内，进入第一稠密块的原始输入被直接绕过门传输到后续模块(或卷积块)，而将来自在前模块(或在前卷积块)的输出传输到后续模块(或后续卷积块)涉及门。在一些形式中，在第二稠密块内，来自在前模块的输出经由具有上述特征的门传输到后续模块中的卷积层。优选地，在第二稠密块内，进入第二稠密块的原始输入也被传输到后续模块。优选地，将原始输入传输到第二稠密块内的后续模块不涉及门。也就是说，在第二稠密块内，进入第二稠密块的原始输入被直接绕过门传输到后续模块(或卷积块)，而将来自在前模块(或在前卷积块)的输出传输到后续模块(或后续卷积块)涉及门。在一些形式中，在第一稠密块和第二稠密块内，来自在前模块的输出经由具有上述特征的门被传输到后续模块中的卷积层。优选地，在第一稠密块和第二稠密块内，分别进入第一稠密块和第二稠密块的原始输入也被传输到这些稠密块中的每一个稠密块内的后续模块。优选地，将每个相应块中的原始输入传输到这些稠密块中的每一个稠密块内的后续模块不涉及门。也就是说，在第一稠密块和第二稠密块内，分别进入第一稠密块和第二稠密块的原始输入被直接绕过门传输到每个稠密块内的后续模块(或卷积块)，而将来自在前模块(或在前卷积块)的输出传输到这些稠密块中的每一个稠密块内的后续模块(或后续卷积块)涉及门。图3中示出了非限制性示意图。在一些形式中，来自在前模块的输出被传输到所有后续模块。在一些形式中，输出来自在前模块中的最后一个卷积层。在一些形式中，输出被传输到(多个)后续模块中的第一卷积层。40.优选地，第一稠密块和第二稠密块处于串联配置。在一些形式中，第一稠密块具有比第二稠密块更高数量的内核。在一些形式中，内核包括1×1内核、3×3内核或两者。优选地，内核包括1×1内核和3×3内核。41.在一些形式中，cis如上所述，除了上述内容cis还包含能够操作链接到第一稠密块和第二稠密块的过渡层。过渡层过渡层包含卷积层(过渡卷积层)、池化层(过渡池化层)或两者。优选地，过渡层包含过渡卷积层和过渡池化层。42.在一些形式中，过渡卷积层包含一个或多个1×1内核，优选地96个内核。在一些形式中，过渡卷积层的步幅大小为1。优选地，过渡块中的所有卷积内核的大小为1×1，如表3所示，步幅大小设置为1。步幅大小对深度神经网络性能的影响已经被研究(karensimonyan&andrew zisserman in iclr 2015:very deep convolutional networks for large-scale image recognition)。根据经验，所提出的方法可以很好地与其他步幅大小一起使用。43.在一些形式中，过渡卷积层包含选自修正的线性单元激活函数(relu)层、参数修正的线性单元激活函数(prelu)层或sigmoid激活函数层的激活函数层。在一些形式中，过渡卷积层包括修正的线性单元激活函数(relu)层。44.在一些形式中，过渡池化层包含平均池化层或最大池化层。在一些形式中，过渡池化层包含平均池化层。在一些形式中，过渡池化层包含一个或多个2×2内核，优选地一个内核。在一些形式中，过渡池化层的步幅大小为2。两个过渡块中池化层的步幅大小由内核大小2×2确定。因此，可以在没有任何重叠的情况下减少后续稠密块的特征图的维度。45.在一些形式中，cis如上所述，除了上述内容cis还包含第三稠密块。优选地，第三稠密块经由第一附加过渡层能够操作链接到第二稠密块。在一些形式中，第三稠密块与第二稠密块串联。46.在一些形式中，cis如上所述，除了上述内容cis还包含第四稠密块。优选地，第四稠密块经由第二附加过渡层能够操作链接到第三稠密块。在一些形式中，第四稠密块与第三稠密块串联。47.在一些形式中，第三稠密块、第四稠密块或两者都包含一个或多个后续模块，该一个或多个后续模块包含一个或多个卷积层。优选地，在第三稠密块、第四稠密块或两者内，来自在前模块的输出经由具有如上所述特征的门被传输到后续模块中的卷积层。优选地，第三稠密块或第四稠密块中的门独立地具有可训练的阈值。可以通过观察其对分类性能的影响来微调该可训练的阈值。其被用于选择卷积层所学习的信息特征，卷积层的输出用具有过多冗余信息的特征图表示。通过使用这种门控机制，从在前卷积层转移到后面的后续卷积层的特征图的数量显著减少。这不仅可以抑制冗余特征图的负面影响，还可以减少网络超参数的数量。优选地，门包含相关计算块和控制门控。相关计算块测量给定卷积层所学习的特征图的皮尔逊相关系数，并且可控门控基于所获得的皮尔逊相关系数选择前25％(50％或75％)的判别特征。因此，在前卷积层的输出与每个稠密块的原始输入一起被馈送到后续卷积层中。图3中示出了非限制性图示。在图3中，在每个稠密块中，表示为“c”的组件通过门将来自在前模块(或卷积块)的输出与原始输入连接起来。然后连接的结果被馈送到后续模块(或后续卷积块)中。48.在一些形式中，在第三稠密块内，来自在前模块的输出经由具有上述特征的门传输到后续模块中的卷积层。优选地，在第三稠密块内，进入第三稠密块的原始输入也被传输到后续模块。优选地，将原始输入传输到第三稠密块内的后续模块不涉及门。也就是说，在第三稠密块内，进入第三稠密块的原始输入被直接绕过门传输到后续模块(或卷积块)，而将来自在前模块(或在前卷积块)的输出传输到后续模块(或后续卷积块)涉及门。在一些形式中，在第四稠密块内，来自在前模块的输出经由具有上述特征的门传输到后续模块中的卷积层。优选地，在第四稠密块内，进入第四稠密块的原始输入也被传输到后续模块。优选地，将原始输入传输到第四稠密块内的后续模块不涉及门。也就是说，在第四稠密块内，进入第四稠密块的原始输入被直接绕过门传输到后续模块(或卷积块)，而将来自在前模块(或在前卷积块)的输出传输到后续模块(或后续卷积块)涉及门。在一些形式中，在第三稠密块和第四稠密块内，来自在前模块的输出经由具有上述特征的门被传输到后续模块中的卷积层。优选地，在第三稠密块和第四稠密块内，分别进入第三稠密块和第四稠密块的原始输入也被传输到这些稠密块中的每一个稠密块内的后续模块。优选地，将每个相应块中的原始输入传输到这些稠密块中的每一个稠密块内的后续模块不涉及门。也就是说，在第三稠密块和第四稠密块内，分别进入第三稠密块和第四稠密块的原始输入被直接绕过门传输到每个稠密块内的后续模块(或卷积块)，而将来自在前模块(或在前卷积块)的输出传输到这些稠密块中的每一个稠密块内的后续模块(或后续卷积块)涉及门。图3中示出了非限制性示意图。在一些形式中，在第三稠密块、第四稠密块或两者中，来自在前模块的输出被传输到所有后续模块。在一些形式中，在第三稠密块、第四稠密块或两者中，输出来自在前模块中的最后一个卷积层。在一些形式中，在第三稠密块或第四稠密块内，输出被传输到后续模块中的第一卷积层。49.在一些形式中，第三稠密块具有比第二稠密块更高数量的内核。在一些形式中，第三稠密块具有比第四稠密块更低数量的内核。在一些形式中，第三稠密块和第四稠密块内的内核独立地包括1×1内核、3×3内核或两者。在一些形式中，第三稠密块和第四稠密块内的内核包括1×1内核和3×3内核。50.如上所述，优选地(i)第三稠密块经由第一附加过渡层能够操作链接到第二稠密块，并且(ii)第四稠密块经由第二附加过渡层能够操作链接到第三稠密块。51.在一些形式中，第一附加过渡层和第二附加过渡层独立地包含卷积层(第一或第二附加过渡卷积层，即第一atcl或第二atcl)、池化层(第一或第二附加过渡池化层，即第一atpl或第二atpl)，或两者。52.在一些形式中，第一atcl和第二atcl独立地包含一个或多个1×1内核，优选地96个内核。在一些形式中，第一atcl和第二atcl的步幅大小为1。在一些形式中，第一atcl和第二atcl独立地包含选自修正的线性单元激活函数(relu)层、参数修正的线性单元激活函数(prelu)层或sigmoid激活函数层的激活函数层。在一些形式中，第一atcl和第二atcl包含修正的线性单元激活函数(relu)层。53.在一些形式中，第一atpl和第二atpl独立地包含平均池化层或最大池化层。在一些形式中，第一atpl和第二atpl独立地包含平均池化层。在一些形式中，第一atpl和第二atpl独立地包含一个或多个2×2内核，优选地一个内核。在一些形式中，第一atpl和第二atpl的步幅大小为2。54.在一些形式中，cis如上所述，除了上述内容cis还包含能够操作链接到第一稠密块的初始池化层。在一些形式中，初始池化层包含最大池化层或平均池化层，优选地最大池化层。在一些形式中，初始池化层包含3×3内核，优选地步幅大小为2。55.在一些形式中，cis如上所述，除了上述内容cis还包含初始卷积层。优选地，初始卷积层能够操作链接到初始池化层。在一些形式中，初始卷积层包含一个或多个7×7内核，诸如96个内核，优选地步幅大小为2。56.在一些形式中，cis如上所述，除了上述内容cis还包含能够操作链接到终端稠密块的分类层。例如，在cis包含两个稠密块的情况下，诸如串联的第一稠密块和第二稠密块，则第二稠密块将是终端稠密块并且将能够操作链接到分类层。例如，在cis包含三个或四个串联的稠密块的情况下，第三稠密块或第四稠密块将分别是终端稠密块，并且将能够操作链接到分类层。在cis包含超出本文描述的非限制性示例的附加稠密块的情况下，类似的解释如下。57.在一些形式中，分类层包括全连接层、终端池化层或优选地两者。优选地，全连接层从先前的稠密块(优选地终端稠密块)获取输出，将输出“展平”并将其转换为可以为下一阶段(诸如终端池化层)提供输入的向量(优选地单个向量)。在一些形式中，全连接层包括soft-max激活函数，诸如4-dsoft-max激活函数。在一些形式中，终端池化层包含平均池化层或最大池化层，优选地平均池化层。在一些形式中，终端池化层包括一个或多个7×7内核，诸如一个内核。58.ii.计算机实现的方法59.还描述了一种用于分析数据的计算机实现的方法(cim)，该方法涉及使用上述任何cis。优选地，cim涉及在图形用户界面上可视化来自这些cis的输出。可视化该输出有助于对受检者中疾病或失调的诊断、预后或两者。疾病或失调包括但不限于肿瘤(诸如肝癌、脑癌或乳腺癌等)、囊肿、关节异常、腹部疾病、肝脏疾病、肾脏失调、神经元失调，或肺部失调。优选的疾病或失调是肝细胞癌。60.在一些形式中，数据是来自一个或多个生物样本的图像。输入成像数据优选地来自医学成像应用，包括但不限于计算机断层摄影(ct)扫描、x射线图像、磁共振图像、超声图像、正电子发射断层摄影图像、磁共振血管造影及其组合。优选地，图像是哺乳动物的内部身体部位。在一些形式中，内部身体部位是肝脏、大脑、血管、心脏、胃、前列腺、睾丸、乳房、卵巢、肾脏、神经元、骨骼或肺。优选的输入成像数据是ct肝脏扫描。61.iii.使用方法62.所描述的cis或cim可以用于分析数据。cis或cim具有普遍的适用性，并且不限于来自世界特定地理区域的患者群体的成像数据。优选地，数据是成像数据，诸如使用众所周知的医学成像工具获得的医学成像数据，诸如计算机断层摄影(ct)扫描、x射线图像、磁共振图像、超声图像、正电子发射断层摄影图像、磁共振血管造影，以及它们的组合。在医学成像的背景下，cis或cim可以用于疾病或失调的诊断或预后。63.通过以下列举的段落或实施例可以进一步理解所公开的cis和cim。64.1.一种计算机实现的系统(cis)，计算机实现的系统包括第一稠密块和第二稠密块，65.其中第一稠密块、第二稠密块或两者包括一个或多个后续模块，一个或多个后续模块包括一个或多个卷积层，以及66.其中在第一稠密块、第二稠密块或两者内，来自在前模块的输出经由门被传输到后续模块中的卷积层。67.2.根据段落1的cis，其中门具有可训练的阈值。68.3.根据段落1或2的cis，其中门包括相关计算块和控制门控。69.4.根据段落1至3中任一项的cis，其中在第一稠密块内，来自在前模块的输出经由门被传输到后续模块中的卷积层。70.5.根据段落1至4中任一项的cis，其中在第二稠密块内，来自在前模块的输出经由门被传输到后续模块中的卷积层。71.6.根据段落1至5中任一项的cis，其中在第一稠密块和第二稠密块内，来自在前模块的输出经由门被传输到后续模块中的卷积层。72.7.根据段落1至6中任一项的cis，其中来自在前模块的输出被传输到所有后续模块。73.8.根据段落1至7中任一项的cis，其中输出来自在前模块中的最后一个卷积层。74.9.根据段落1至8中任一项的cis，其中输出被传输到后续模块中的第一卷积层。75.10.根据段落1至9中任一项的cis，其中在第一稠密块、第二稠密块或两者内，分别进入第一稠密块和第二稠密块的原始输入也被传输到稠密块的每个稠密块内的后续模块，优选地其中到稠密块的每个稠密块内的后续模块的每个相应稠密块中的原始输入的传输不涉及门。76.11.根据段落10的cis，其中到稠密块的每个稠密块内的后续模块的每个相应稠密块中的原始输入的传输不涉及门。77.12.根据段落1至11中任一项的cis，其中第一稠密块和第二稠密块处于串联配置。78.13.根据段落1至12中任一项的cis，其中第一稠密块具有比第二稠密块更高数量的内核。79.14.根据段落13的cis，其中内核包括1×1内核、3×3内核或两者。80.15.根据段落13或14的cis，其中内核包括1×1内核和3×3内核。81.16.根据段落1至15中任一项的cis，进一步包括能够操作链接到第一稠密块和第二稠密块的过渡层。82.17.根据段落16的cis，其中过渡层包括卷积层(过渡卷积层)、池化层(过渡池化层)或两者。83.18.根据段落16或17的cis，其中过渡层包括过渡卷积层和过渡池化层。84.19.根据段落17或18的cis，其中过渡卷积层包括一个或多个1×1内核，优选地96个内核。85.20.根据段落17至19中任一项的cis，其中过渡卷积层的步幅大小为1。86.21.根据段落17至20中任一项的cis，其中过渡卷积层包括选自修正的线性单元激活函数(relu)层、参数修正的线性单元激活函数(prelu)层或sigmoid激活函数层的激活函数层。87.22.根据段落17至21中任一项的cis，其中过渡卷积层包括修正的线性单元激活函数(relu)层。88.23.根据段落17至22中任一项的cis，其中过渡池化层包括平均池化层或最大池化层。89.24.根据段落17至23中任一项的cis，其中过渡池化层包括平均池化层。90.25.根据段落17至24中任一项的cis，其中过渡池化层包括一个或多个2×2内核，优选地一个内核。91.26.根据段落17至25中任一项的cis，其中过渡池化层的步幅大小为2。92.27.根据段落1至26中任一项的cis，进一步包括第三稠密块。93.28.根据段落27的cis，其中第三稠密块经由第一附加过渡层能够操作链接到第二稠密块。94.29.根据段落27或28的cis，进一步包括第四稠密块。95.30.根据段落29的cis，其中第四稠密块经由第二附加过渡层能够操作链接到第三稠密块。96.31.根据段落27至30中任一项的cis，其中第三稠密块与第二稠密块串联。97.32.根据段落29至31中任一项的cis，其中第四稠密块与第三稠密块串联。98.33.根据段落29至32中任一项的cis，其中第三稠密块、第四稠密块或两者包括一个或多个后续模块，一个或多个后续模块包括一个或多个卷积层，以及99.其中在第三稠密块、第四稠密块或两者内，来自在前模块的输出经由门被传输到后续模块中的卷积层。100.34.根据段落33的cis，其中第三稠密块或第四稠密块中的门独立地具有预定义的或可训练的阈值。101.35.根据段落33或34的cis，其中门包括相关计算块和控制门控。102.36.根据段落27至35中任一项的cis，其中在第三稠密块内，来自在前模块的输出经由门被传输到后续模块中的卷积层。103.37.根据段落29至36中任一项的cis，其中在第四稠密块内，来自在前模块的输出经由门被传输到后续模块中的卷积层。104.38.根据段落29至37中任一项的cis，其中在第三稠密块和第四稠密块内，来自在前模块的输出经由门被传输到后续模块中的卷积层。105.39.根据段落29至38中任一项的cis，其中在第三稠密块、第四稠密块或两者内，来自在前模块的输出被传输到所有后续模块。106.40.根据段落29至39中任一项的cis，其中在第三稠密块、第四稠密块或两者中，输出来自在前模块中的最后一个卷积层。107.41.根据段落29至40中任一项的cis，其中在第三稠密块或第四稠密块内，输出被传输到后续模块中的第一卷积层。108.42.根据段落27至41中任一项的cis，其中第三稠密块具有比第二稠密块更高数量的内核。109.43.根据段落29至42中任一项的cis，其中第三稠密块具有比第四稠密块更低数量的内核。110.44.根据段落43的cis，其中第三稠密块和第四稠密块内的内核独立地包括1×1内核、3×3内核或两者。111.45.根据段落43或44的cis，其中第三稠密块和第四稠密块内的内核包括1×1内核和3×3内核。112.46.根据段落29至45中任一项的cis，其中在第三稠密块、第四稠密块或两者内，分别进入第一稠密块和第二稠密块的原始输入也被传输到稠密块的每个稠密块内的后续模块，优选地其中到稠密块的每个稠密块内的后续模块的每个相应稠密块中的原始输入的传输不涉及门。113.47.根据段落46的cis，其中到稠密块的每个稠密块内的后续模块的每个相应稠密块中的原始输入的传输不涉及门。114.48.根据段落30至47中任一项的cis，其中第一附加过渡层和第二附加过渡层独立地包括卷积层(第一或第二附加过渡卷积层，即第一atcl或第二atcl)、池化层(第一或第二附加过渡池化层，即第一atpl或第二atpl)，或两者。115.49.根据段落48的cis，其中第一atcl和第二atcl独立地包括一个或多个1×1内核，优选地96个内核。116.50.根据段落48或49的cis，其中第一atcl和第二atcl的步幅大小为1。117.51根据段落48至50中任一项的cis，其中第一atcl和第二atcl独立地包括选自修正的线性单元激活函数(relu)层、参数修正的线性单元激活函数(prelu)层或sigmoid激活函数层的激活函数层。118.52.根据段落48至51中任一项的cis，其中第一atcl和第二atcl包括修正的线性单元激活函数(relu)层。119.53.根据段落48至52中任一项的cis，其中第一atpl和第二atpl独立地包括平均池化层或最大池化层。120.54.根据段落48至53中任一项的cis，其中第一atpl和第二atpl独立地包括平均池化层。121.55.根据段落48至54中任一项的cis，其中第一atpl和第二atpl独立地包括一个或多个2×2内核，优选地一个内核。122.56.根据段落48至55中任一项的cis，其中第一atpl和第二atpl的步幅大小为2。123.57.根据段落1至56中任一项的cis，进一步包括能够操作链接到第一稠密块的初始池化层。124.58.根据段落57的cis，其中初始池化层包括最大池化层或平均池化层，优选地最大池化层。125.59.根据段落57或58的cis，其中初始池化层包括3×3内核，优选地步幅大小为2。126.60.根据段落1至59中任一项的cis，进一步包括初始卷积层。127.61.根据段落60的cis，其中初始卷积层能够操作链接到初始池化层。128.62.根据段落60或61的cis，其中初始卷积层包括一个或多个7×7内核，诸如96个内核，优选步幅大小为2。129.63.根据段落1至62中任一项的cis，进一步包括能够操作链接到终端稠密块的分类层。130.64.根据段落63的cis，其中分类层包括全连接层、终端池化层或优选地两者。131.65.根据段落64的cis，其中全连接层包括soft-max激活函数，诸如4-d soft-max激活函数。132.66.根据段落64或65的cis，其中终端池化层包括平均池化层或最大池化层，优选地平均池化层。133.67.根据段落64至66中任一项的cis，其中终端池化层包括一个或多个7×7内核，诸如一个内核。134.68.一种用于分析数据的计算机实现的方法(cim)，cim包括在图形用户界面上可视化来自根据段落1至67中任一项的cis的输出。135.69.根据段落68的cim，其中在图形用户界面上可视化输出提供受检者中疾病或失调的诊断、预后或两者。136.70.根据段落68或69的cim，其中数据是一个或多个生物样本的图像。137.71.根据段落68至70中任一项的cim，其中数据是哺乳动物内部身体部位的图像。138.72.根据段落68至71中任一项的cim，其中数据是来自肝脏、大脑、血管、心脏、胃、前列腺、睾丸、乳房、卵巢、肾脏、神经元、骨骼或肺的图像。139.73.根据段落68至72中任一项的cim，其中数据选自由以下组成的群组：计算机断层摄影(ct)扫描、x射线图像、磁共振图像、超声图像、正电子发射断层摄影图像、磁共振血管造影和它们的组合。140.74.根据段落68至73中任一项的cim，其中数据是ct肝脏扫描。141.75.根据段落69至74中任一项的cim，其中疾病或失调包括肿瘤(诸如肝癌、脑癌或乳腺癌等)、囊肿、关节异常、腹部疾病、肝脏疾病、肾脏疾病、神经元疾病、或肺部疾病。142.76.根据段落69至75中任一项的cim，其中疾病或失调是肝细胞癌。143.示例144.示例1：通过深度学习模型对肝细胞癌的分类145.hcc是全球主要的癌症形式之一。这个示例验证了具有不同神经架构的三种分类模型在区分hcc和非hcc方面的临床可行性，以为临床医生提供诊断帮助。146.从香港和深圳的三个不同机构检索到一千二百八十八(1288)个计算机断层摄影(ct)肝脏扫描以及相应的临床信息。遵循美国肝病研究协会(aasld)对hcc诊断的建议。在病变分类中采用肝脏图像报告和数据系统(li-rads)分类。所有的肝脏病变都是手动勾勒轮廓并用诊断的真实情况标记的。三种分类模型基于不同的网络架构进行构建：全卷积网络、残差网络和稠密连接卷积网络。然后在收集的ct肝脏扫描上对网络进行训练。147.总共从1288个ct肝脏扫描中检索到2551个病变。病变的平均大小为36.6±44.5mm，其中826个病变被确认为hcc。肝脏扫描以7:3的比例拆分为训练集和测试集，然后用于训练三个分类模型。在分类模型中，基于densenet的模型实现的性能最佳，具有97.14％的诊断准确率，阴性预测值(npv)为98.27％，阳性预测值(ppv)为95.45％，敏感性为97.35％，以及特异性为97.02％。基于resnet的模型获得了第二佳的性能，实现95.49％的诊断准确率，npv为96.94％，ppv为92.31％，敏感性为95.36％，以及特异性为94.87％。基于fcn的模型实现的诊断准确率为93.51％，npv为95.63％，ppv为90.38％，敏感性为93.38％，以及特异性为93.36％。将这些与经由li-rads的89.09％的诊断准确性、93.24％的npv、83.44％的ppv、90.07％的敏感性以及88.46％的特异性进行比较。148.总的来说，三个基于深度网络的分类模型在hcc与非hcc的分类任务中表现优于放射科医师。最后，这三个模型中关于hcc和非hcc病例通过卷积学习的特征图的可视化被示出并比较。149.材料和方法150.ct图像的获取151.1,288名患者接受了四相多检测器计算机断层摄影(mdct)，包括非增强相、动脉相、门静脉相和平衡相。由于数据是在mdct技术快速发展期间获得的，因此使用了各种mdct扫描仪。152.所有ct扫描均在头尾方向获得。它们由以下ct参数集合之一生成：153.(1)探测器配置，128×0.625mm；切片间距，7mm；重建间隔，5mm和1mm；转速，0.5秒；管电压，120；管电流，动态175ma至350ma/参考电流210ma；以及矩阵大小，512×512。154.(2)探测器配置，8×1.25mm、16×1.5mm和64×0.625mm；切片厚度，2.5mm、3.0mm和3.0mm；重建间隔，2.5mm、3.0mm和3.0mm；工作台速度，每转13.5mm、24.0mm和46.9mm；250ma、200ma和175ma的有效电流；旋转时间，0.5秒、0.5秒和0.75秒；管电位120kvp；以及矩阵大小，512×512。155.本研究中使用的数据收集自香港的东区尤德那打素医院(pyneh)、香港大学(hku)和深圳的香港大学深圳医院(hku_szh)。本研究遵循aasld对hcc诊断的建议。病变分类中也采用了li-rads分类。诊断通过基于患者在随后12个月内的结果的临床复合参考标准进行验证。每个活体病变都经过手动勾勒轮廓并用诊断的真实情况标记的。来自pyneh的数据包含455例病例，其中69例hcc和386例非hcc病例。来自hku的数据包含348例病例，其中172例hcc和176例非hcc病例。来自hku_szh的数据集包含485例病例，其中267例hcc和218例非hcc病例。hcc和非hcc病例总数分别为551和781。这些案例以7:3的比例拆分为训练集和测试集。训练集包含354例hcc和546例非hcc病例。测试集包含153例hcc和235例非hcc病例。156.表1显示了这三个数据集中的hcc和非hcc病例数。157.表1.数据集pyneh、hku和hku_szh中训练集和测试集中的hcc和非hcc病例数。[0158][0159][0160]表2汇总了这些数据集在训练和测试集中的肝脏病变数量。[0161]表2.数据集pyneh、hku和hku_szh中训练集和测试集的肝脏病变数量。[0162][0163]分类模型[0164]利用三种分类模型对肝脏ct的病变图像进行分类。这些模型包括作为学习高级特征的主干的全卷积网络(fcn)、深度残差网络(resnet)和稠密连接卷积网络(densenet)。这三个分类模型的框架概览如图1、图2和图3所示。由于分类模型的目标是将ct肝脏图像识别为hcc或非hcc，即二元分类问题，因此选择交叉熵损失函数作为优化函数来训练这些深度网络模型的权重。[0165]三种分类模型的架构细节如表3所示，并在下文进一步描述。[0166]表3.本研究中使用的基于fcn、基于resnet和基于densenet的模型的架构的详细信息。[0167][0168][0169][0170]i.基于fcn的分类模型[0171]基于fcn的模型(表3)由五个模块组成。第一块包括两个块：block1_conv和block1_pool，其中block1_conv有两个连续的卷积层，卷积层有64个3×3内核，block1_pool是2×2最大池化层，其步幅＝2。第二块也包括两个块：block2_conv和block2_pool，其中block2_conv有两个连续的卷积层，卷积层有128个3×3内核，block2_pool是2×2最大池化层，其步幅＝2。[0172]类似地，第三块包含两个块：block3_conv和block4_pool，其中block3_conv有三个连续的卷积层，卷积层有256个3×3内核，block3_pool是2×2最大池化层，其步幅＝2。第四块也包括两个块：block4_conv和block4_pool，其中block4_conv有三个连续的卷积层，卷积层有512个3×3内核，block4_pool是2×2最大池化层，其步幅＝2。[0173]第五块由具有4096个7×7内核的卷积层和全连接层组成。[0174]所有卷积层中的激活函数都是修正的线性单元激活函数(relu)，而全连接层的激活函数是soft-max。[0175]ii.基于resnet的分类模型[0176]基于resnet的分类模型(表3)由59个层组成，其中有58个卷积层和一个全连接层。conv1是卷积层，有64个7×7内核且步幅＝2。conv2_x表示三组三个连续的卷积层。conv3_x、conv4_x和conv5_x分别有四组、六组和六组三个连续的卷积层，卷积层分别具有不同数量的3×3内核，如表3所示。采用堆叠在最后一个卷积层的全连接层来将学习到的高级特征分为两类。[0177]所有的卷积层都使用relu作为激活函数，而全连接层使用soft-max作为激活函数。[0178]iii.基于densenet的分类模型[0179]基于densenet的分类模型(表3)包括四个稠密块，即denseblock1_x、denseblock2_x、...、denseblock4_x。稠密块经由过渡块连接，即transit1_x、transit2_x、…、以及transit3_x。每个稠密块由几个连续的模块组成。稠密块是连续排列的，并且包含数量增长的1×1和3×3内核，除了在一些情况下，其中系列中的最后一个稠密块包含相比于紧接在其前的稠密块的更低数量的1×1和3×3内核。例如，denseblock1_x有六个模块，每个模块包含两个卷积层。每个用于改变特征图的大小的过渡块由卷积层和池化层组成。过渡块中的池化层的步幅＝2。[0180]在上述三个分类模型中，所有的卷积层都使用relu作为激活函数，而全连接层使用soft-max作为激活函数。[0181]结果[0182]评估了上述三个深度网络在图像分类方面的性能，包括定量和定性比较。对于定量比较，采用准确性、特异性、敏感性、ppv和npv作为评估度量。对于定性比较，生成了通过卷积学习的特征图的图示，并将其与肝脏病变的注释掩码进行比较。实现grad-cam的技术(selvaraju等人，ieee international conference on computer vision(iccv)2017，618-626)来可视化分类结果，即肝脏病变的估计位置。[0183]i.定量比较[0184]表4示出了上述深度网络性能的定量比较。[0185]表4.在关于pyneh、hku、hku_szh的基于fcn、基于resnet和基于densenet的分类模型之间的定量比较。[0186][0187]可以观察到，与基于fcn和基于resnet的模型相比，基于densenet的分类模型实现了97.14％的最佳准确率。具体来说，分别比基于fcn和基于resnet的模型好3.63％和1.65％。此外，基于densenet的分类模型实现了97.02％的特异性，分别超过基于fcn和resnet的模型3.66％和2.15％。同时，基于densenet的模型在阳性预测值(ppv)方面表现最好，比基于resnet的模型领先1.99％，并且比基于fcn的模型领先3.97％。[0188]接下来，比较了基于densenet的分类模型和使用li-rads方法的放射科医师的表现。结果如表5所示。[0189]表5.基于densenet的分类模型与使用li-rads方法放射科医师关于pyneh、hku和hku_szh的比较。[0190][0191]可以看出，基于densenet的模型在所有评估度量方面都优于放射科医师。具体而言，与放射科医师相比，基于densenet的模型提高了诊断准确性、npv、ppv、敏感性和特异性，放射科医师的相应值分别为89.09％、93.24％、83.44％、90.07％和88.46％。评估表4和表5中的数据表明，基于densenet的模型实现了最佳性能，其次是基于resnet的模型(第二佳)和基于fcn的模型。所有三个分类模型都优于放射科医师。[0192]ii.定性比较[0193]为了探索hcc与非hcc病例的差异，生成了由三个分类模型学习的特征图的可视化。比较了输入不同病变大小(表示为大、中、小)三种情况时特征图的可视化。三种hcc病变的最长直径分别为73像素、64像素和35像素。图像显示，三个基于深度网络的模型学习到的特征热图的所有红色区域都与肝脏的病变具有强相关。换句话说，当特征热图中出现红色区域时，有很高的可能性ct图像有hcc病变。[0194]数据表明，与基于resnet和fcn的模型相比，基于densenet的分类模型学习到的特征更有利于对小尺寸和中等尺寸病变进行分类。而在大尺寸病变的情况下，与基于resnet和基于densenet的模型相比，基于fcn的模型学习到的特征图中的热图红色区域趋于变得更小。这导致对大尺寸hcc病变的较差诊断，这并非所期望的。一个有趣的观察是，虽然基于resnet的模型中学习到的特征图可以检测到小尺寸hcc病变的出现，但与基于fcn和基于densenet的模型相比，它趋于定位具有较大偏差的病变。因此，基于densenet的分类模型实现了更好的性能。[0195]相比而言，当输入的ct肝脏图像被识别为非hcc时，无论病变尺寸如何，三个分类模型的卷积层学习到的特征图中都没有红热区。换句话说，学习到的特征图中出现红热区被认为是hcc的一个指标，其也可以定位hcc病变的位置并减少诊断时间。[0196]通过将放射科医师的表现与基于不同网络架构的三种分类模型的性能进行比较，观察到以下几点：[0197](1)所有基于不同网络架构的分类模型都优于放射科医师；[0198](2)与基于fcn和基于resnet的模型相比，基于densenet的模型实现了最好的性能；[0199](3)通过展示三种模型在输入具有hcc病变和非hcc病变的ct肝脏图像时学习到的特征图的可视化，分析了基于densenet的模型相对于基于fcn和基于resnet的模型的优势。[0200]本领域技术人员将认识到或能够仅使用常规实验来确定本文描述的本发明的特定实施例的许多等同形式。这些等同形式旨在被所附权利要求所涵盖。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!