一种用于责任血管定位的注意引导多分支融合分类方法

1.本发明涉及血管堵塞辅助判断领域，具体是一种用于责任血管定位的注意引导多分支融合分类方法。


背景技术：

2.由颅内大血管闭塞(lvo)引起的急性缺血性脑卒中(ais)具有很高的致残和死亡率，自血管内治疗(endovascular treatment，evt)引入临床以来，由前循环lvo引起的ais患者的预后显著改善，但由于evt的效果高度依赖于时间，且只在专科中心提供，经常需要院间转院，会延缓手术介入的时间从而提升不良预后的可能性，所以如何快速识别闭塞血管是诊断和治疗选择的关键。
3.计算机动脉造影(computed tomographic angiograms，cta)是检测颅内近端大血管是否发生闭塞最主要的方法，也是前循环取栓的先决影像学特征。为直观感受lvo，借由最大密度投影处理后的cta影像表现形式如图1所示，但是一次头颅cta检查可能产生超过数百张高分辨率图像供复查，给放射科医师以及临床成像工作流程带来挑战并可能延迟病人的治疗进程。因此，如何辅助医师在cta上快速精准判别lvo是否存在以及责任血管所在、为病人争取最及时的手术治疗势在必行。
4.鉴于深度学习在医疗应用上的优异表现，如何快速识别闭塞血管的工作重心已从院前lvo预测量表转移到了深度学习这项技术上来。现有技术中，一项名为deepsymnet研究工作将大脑的左右两个半球作为输入，通过比较两者3d卷积后语义信息的差异来判断是否存在lvo；jia you et al则通过结构化的人口统计数据、临床数据以及从深度学习模型得到的ncct成像特征构建了一个多级的ais机器学习评估模型，有效的应用在了lvo二分类任务上。然而，以上的研究工作都未将医学数据固有的类不均衡问题纳入考虑并且只局限于检测是否存在lvo。


技术实现要素：

5.本发明的目的在于解决现有技术中存在的问题，提供一种用于责任血管定位的注意引导多分支融合分类方法，为计算机辅助医师判断大血管是否发生堵塞以及具体的责任堵塞血管提供了新助力，能够有效地解决数据样本中类严重不平衡问题，并达到满意的分类精度。
6.本发明为实现上述目的，通过以下技术方案实现：
7.一种用于责任血管定位的注意引导多分支融合分类方法，包括步骤：
8.s1、构建多分支融合网络，多分支融合网络包括常规学习分支、反向学习分支以及平衡分支，常规学习分支用于正常人的特征学习，反向学习分支用于病人的特征学习，平衡分支用于动态融合常规学习分支、反向学习分支的特征信息来完成堵塞责任血管的确认；
9.s2、通过采样器获取样本标签，常规学习分支的样本标签为：(xc，yc)，反向学习分支的样本标签为：(xr，yr)，平衡分支的样本标签为：(xb，yb)，其中，x为训练样本，y为对应标
签，y∈{1，2，
…
，l}，l为最终分类类别的数量,c表示常规学习分支样本，r表示反向学习分支样本，b表示平衡分支样本；
10.s3、将不同的样本标签对送入对应的网络分支，经过权重共享的改进主体网络之后得到各自分支的特征向量fc、fr、fb，其中，fc为常规学习分支的特征向量、fr反向学习分支的特征向量、fb平衡分支的特征向量；
11.s4、将特征向量fc经过权值不共享卷积层convc得到的特征向量输入到分类模块中得到分类概率输出pc，将特征向量fr经过权值不共享卷积层convr得到的特征向量输入到分类模块中得到分类概率输出pr；
12.s5、将常规学习分支得到的特征向量fc送入到用以引导模型关注倾向的注意引导模块中，得到分割概率图将反向学习分支得到的特征向量fr送入到用以引导模型关注倾向的注意引导模块中，得到分割概率图
13.s6、特征向量fb同时经过卷积层convc、convr，经过卷积层convc得到特征向量经过卷积层convr得到特征向量然后将经过平衡分支的自适应融合模块输出的送入分类器中得到平衡分支的分类概率pb；
14.s7、根据分类概率pc、pr、pb来构建的分类累计损失
[0015][0016][0017]
其中，yc为常规学习分支对应的真实分类标签，yr为反向学习分支对应的真实分类标签、yb为平衡分支对应的真实分类标签，α用来转移模型学习的重心，n表示当前所处epoch，n
max
为总的训练epoch数；
[0018]
根据分割概率图构建辅助引导损失函数用于指导模型关注倾向，最终整个网络总的损失函数可以描述为：
[0019][0020]
其中，a、b为损失权重。
[0021]
优选的，步骤s2中：常规学习分支采用保留原始数据分布的uniform采样器，反向学习分支采用反向采样器，平衡分支采用为所有类别分配相等的采样概率的类均衡采样器。
[0022]
优选的，步骤s3中，改进主体网络包括分支层次聚合模块，分支层次聚合模块以两个blocks单元为一组，聚合成一个node，然后以树的形式串接分支上的blocks与node，用公式表述为：
[0023]
[0024][0025]
其中，on(x)表示第n个节点的输出，n(x)为节点函数，和分别表示第n个节点下的两个blocks输出，b(x)代表卷积blocks。
[0026]
优选的，步骤s3中，改进主体网络包括语义特征增强模块，语义特征增强模块用公式语言表述为：
[0027][0028]
其中，其中和分别表示低层次特征图x
l
上i位置上以及最高层次特征图xh上j位置上的特征值，则是由变换函数fq(*)，fk(*)，fv(*)变换得来的函数值，f
sim
为衡量相似度的函数,f
mul
为权重聚合函数，f
norm
为规范函数softmax；则表示经特征交互变换后i位置上的输出值；
[0029]
完成所有变换后，需要将所有新特征统一到xh大小尺寸，最后经由1
×
1卷积得到最终的特征输出。
[0030]
优选的，步骤s5中，注意引导模块中，常规学习分支和反向学习分支的输入经过共享backbone得到高级语义特征向量fc与fr后，通过不断的上采样，拼接，卷积操作最终获得分割概率图
[0031]
假设分割真实标签为y
seg
，那么该辅助引导模块的损失函数可以表示为：
[0032][0033]
其中bce(
·
)为二值交叉熵损失函数，分别表示常规分支、反向学习分支输入图像的真实分割标签。
[0034]
优选的，步骤s6包括步骤：
[0035]
s61、获取在空间位置上的两分支的权重；首先使用两个卷积核大小为1
×
1的卷积层conv
sq1
和conv
sq2
对特征与进行通道数减半的压缩，然后再进行按通道拼接操作得到接下来将其通过ex
sq
函数来提取两个输入特征在空间位置上的映射值：
[0036][0037]
其中vw∈r2×h×w，它表示两个输入特征各点像素值在空间位置上的重要程度；将vw送入softmax函数来获取和在空间位置上最终的权重与
[0038][0039][0040]
其中，表示vw在第k个通道中位置(i，j)上的像素值，和则分别表示特征与在空间位置(i，j)上的像素权重。
[0041]
s62、获取在通道位置上的两分支的权重；先将两个输入特征与进行对应通道对应位置元素相加操作得到融合特征然后经过全局平均池化层得到特定响应的通道全局信息f
gap
，最后采用两个单独的提取函数来分别提取两个分支的通道映射：
[0042][0043]
其中，为全连接操作函数(j＝1，2)，w
ex-j
为其权重参数。随后对f
ex-j
相应通道位置上的值也进行softmax操作，来获取各自的相对权重：
[0044][0045][0046]
其中m表示当前为第m通道，m∈{1，2...c}，与则表示两个分支的通道权重集合，
[0047]
最终自适应权重分配模块的输出为经过空间位置与通道响应综合加权的与对应位置元素相加的融合结果：
[0048][0049][0050][0051]
优选的，步骤s7中：a为1，b为0.5。
[0052]
对比现有技术，本发明的有益效果在于：
[0053]
1、本发明为计算机辅助医师判断大血管是否发生堵塞以及具体的责任堵塞血管提供了新助力，能够有效地解决数据样本中类严重不平衡问题，并达到满意的分类精度。
[0054]
2、本发明通过注意引导模块来指导网络模型的关注倾向，使模型给出更为合理的可视化解释，能将相关的先验知识嵌入模型，指导模型的注意力倾向责任血管区域，使得最终的决策行为更加合理，有助于加深医生对本发明的深度模型决策过程的理解，增强了模型决策结果的可解释能力。
[0055]
3、本发明由常规学习分支和反向学习分支分别提取多数类别和少数类别的特征信息，来缓解训练过程中数据类别不平衡带来的影响。除此之外，还加入了一个新的平衡分
支，用来动态自适应的融合前两个分支的特征信息，得到更为有效的高级语义信息以获取更好的分类性能。
[0056]
4、本发明通过分支层次聚合与语义特征增强两个模块来应对因生理结构差异而导致检测闭塞责任血管困难的问题，前者会通过聚合每个分支不同深度的特征信息来保留更加丰富的空间位置信息，后者则会通过主动搜寻融合各个分支特征图上最有价值的特征来获取更为健壮的语义信息。
附图说明
[0057]
图1是本发明的多分支融合网络整体框架图；
[0058]
图2是本发明的分支层次聚合模块示意图；
[0059]
图3是本发明的语义特征增强模块示意图；
[0060]
图4是本发明的自适应融合模块示意图；
[0061]
图5是本发明的注意引导模块示意图；
[0062]
图6是本发明实验时的数据集构建流程示意图；
[0063]
图7是将cta影像经最大密度投影后得到的样本图片；
[0064]
图8是模型决策结果视觉可视化示意图。
具体实施方式
[0065]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所限定的范围。
[0066]
实施例1：如附图1-8所示，本发明所述是一种用于责任血管定位的注意引导多分支融合分类方法，其实质是一种分类网络。
[0067]
附图7是将cta影像经最大密度投影后得到的样本图片，本技术中的大血管为双侧颈内动脉和双侧大脑中动脉m1段，在附图7中的左图展示了正常人示例，此时四根易发生堵塞的血管清晰可见，其中，a为右侧大脑中动脉，b为右侧颈内动脉，c为左侧大脑中动脉，d为左侧颈内动脉，图片中左右位置与现实相反；右图则展示了其中一根血管发生堵塞的情况(红线圈出)，可以看见当血管发生堵塞时，会产生“消失”的视觉感官。
[0068]
如附图1所示，本发明的多分支融合网络包含常规学习分支(branch c)，反向学习分支(branch r)以及平衡分支(branch b)三个分支，分别用于正常人的特征学习，病人的特征学习以及自适应融合前两分支特征完成最终的分类。三个分支的输入样本标签对(xc，yc)、(xr，yr)、(xb，yb)是由不同的采样方式得到，其中x为训练样本，y为对应标签，y∈{1，2，
…
，l}，l为最终分类类别的数量。
[0069]
首先，将不同采样方式的样本标签对送入对应的网络分支，经过权重共享的改进主体网络之后得到各自分支的特征向量fc、fr、fb，对于常规学习分支(branch c)与反向采样分支(branch r)的特征向量fc、fr，不仅需要将其经过权值不共享卷积层convc、convr得到的特征向量输入到分类模块中得到分类概率输出pc、pr，还需要将其送入到用以引导模型关注倾向的注意引导模块中，得到分割概率图而对于平衡分支
(branch b)则只需要计算分类概率输出，fb首先会同时经过卷积层convc、convr得到特征向量然后将经过自适应融合模块(adaptive fusion module)输出的送入分类器中得到平衡分支的分类概率pb。最后根据分类概率pc、pr、pb来构建的分类累计损失
[0070][0071][0072]
其中,yc、yr、yb为三个分支对应的真实分类标签，α用来转移模型学习的重心，n表示当前所处epoch，n
max
为总的训练epoch数。而分割概率图则用来构建辅助引导损失函数用于指导模型关注倾向，最终整个网络总的损失函数可以描述为：
[0073][0074]
其中a、b为损失权重，a设置为1，b设置为0.5。
[0075]
针对不同的分支，本发明采取不同的采样策略。对于侧重学习正常人颅内大血管图像特征表示的常规学习分支(branch c)，采用保留原始数据分布的uniform采样器，它能保证在每个采样周期每个样本以相等的概率被选中，最终能抽取更多的正常人样本(因为数据集中正常人样本远多于病人样本)，这样有利于正常人样本特征表示的学习；反向学习分支(branch r)则选用反向采样器，它使得每个类的抽样可能性与其样本量的倒数成正比，即类中样本越多，该类的抽样概率越小，这样的好处在于该分支将会更加关注数据量较少的病人样本，学习到更多有关发生血管闭塞时的特征信息；对于平衡分支(branch b)，本发明选用为所有类别分配相等的采样概率的类均衡采样器，加入该分支，是为了动态自适应融合前两分支的特征信息，获取更为有效的分类特征信息。此外本发明还将该分支的分类结果作为保存训练网络模型的依据，这样不仅能很好的平衡训练样本间的学习重心，还能解决模型在训练与测试阶段不一致的问题。
[0076]
由于生理结构的特殊性，每个人颅内大血管的长短以及延展方向不定，所以相比于判断lvo的二分类，精确判别发生闭塞责任血管的多分类任务更加困难，需要主干网络提取更为丰富有效的特征信息来完成。而hr-net不仅能保留高质量的空间信息，还能通过不断的跨分辨率信息交换来提取健壮的上下文语义信息，很适合本次的多分类任务，所以本发明选择hr-net作为本发明的基础骨干网络，为减少模型过拟合风险，本发明选用的hr-net只有3个stage，为实现更好的分类效果，本发明对原始的网络进行了改进，设计了分支层次聚合(bhda)与语义特征增强(sfe)两个单元模块，前者会聚合每个分支每个stage中不同深度的特征信息来保留更加丰富的空间信息，后者会主动搜寻融合各个分支特征图上最有价值的信息来获取更为健壮的语义特征，通过这两个模块，改进的网络能提取更加有效的分类信息，进而很好的应对由生理结构差异性带来的闭塞责任血管分类困难的问题。
[0077]
要实现闭塞责任血管的精确定位，需要网络保留更加高质量的空间特征信息，而分支层次聚合模块(bhda)能很好的做到这一点，它会将每个branch中每个stage较浅层次的特征和较深层次的特征信息结合起来，实现以较小的代价开销使每个分支保留更加丰富的空间特征信息，进而为网络最后的精准定位提供助力。其具体结构如图2所示，bhda以两
个blocks单元为一组(每个blocks由两个3
×
3卷积组成)，聚合成一个node，然后以树的形式串接分支上的blocks与node，并不只是简单的将各个blocks单元和node沿着树向上路由聚合，本发明还将聚合节点(node)的输出作为下组blocks的输入来馈回主干以更好的保留空间信息。用公式表述为：
[0078][0079][0080]
其中，on(x)表示第n个节点的输出，n(x)为节点函数，和分别表示第n个节点下的两个blocks输出，b(x)代表卷积blocks。较之于连续的卷积操作得到的输出，bhda最终得到的输出将具有更加丰富的不同层次深度的特征信息。
[0081]
为了更加丰富健壮的高级语义信息为提升网络正确分类闭塞责任血管的最终性能提供保障。本发明采用了语义特征增强(sfe)模块，该模块会通过主动搜寻融合各个分支特征图上最有价值的特征来获取更为健壮的语义信息，进而提升网络最终的闭塞责任血管分类表现。sfe模块的本质是自注意力与交叉注意力的结合，具体结构如图3所示，该模块以低层次特征图x
l
为q去查询作为键k和值v的最高层次特征图xh，进而得到主动交互后的新特征图xf，其与x
l
同大小(当x
l
＝xh时，变为自注意力机制)。通过这种自顶向下的非局部交互，能够增强低层次中有价值的特征信息并将其融入高层次特征图中，有利于增强网络提取更高级语义信息的能力。用公式语言表述为：
[0082][0083]
其中，和分别表示低层次特征图x
l
上i位置上以及最高层次特征图xh上j位置上的特征值；则是由变换函数fq(*)，fk(*)，fv(*)变换得来的函数值。f
sim
为衡量相似度的函数(为矩阵相乘),f
mul
为权重聚合函数(为矩阵相乘)，f
norm
为规范函数softmax；则表示经特征交互变换后i位置上的输出值。完成所有变换后，需要将所有新特征统一到xh大小尺寸，最后经由1
×
1卷积得到最终的特征输出。
[0084]
常规学习分支与反向学习分支分别侧重于正常人与病人的血管特征信息，使用其中任一分支做结果预测都有失偏颇，而平衡分支的自适应融合(afm)模块能动态自适应的融合前两个分支的特征信息，使得该分支能很好的平衡正常人与病人间血管特征的学习重心，适合做最终的分类分支。该afm模块其具体结构如图4所示，与与分别表示平衡分支的特征fb经过其余两分支特有卷积层convc、convr得到的新的特征向量，两者进入模块后会沿着不同的路径分别完成在空间位置
与通道响应上的权重分配，然后根据各自的权重来自适应完成最终的特征融合。为求取空间位置上的权重，首先使用两个卷积核大小为1
×
1的卷积层conv
sq1
和conv
sq2
对特征与进行通道数减半的压缩，然后再进行按通道拼接操作得到接下来将其通过ex
sq
函数来提取两个输入特征在空间位置上的映射值：
[0085][0086]
其中，vw∈r2×h×w，它表示两个输入特征各点像素值在空间位置上的重要程度，同时为了捕捉两个特征对应空间位置上的依赖关系，本技术将vw送入softmax函数来获取和在空间位置上最终的权重与
[0087][0088][0089]
其中，表示vw在第k个通道中位置(i，j)上的像素值，和则分别表示特征与在空间位置(i，j)上的像素权重。通道位置上的权重获取，先将两个输入特征与进行对应通道对应位置元素相加操作得到融合特征然后经过全局平均池化层得到特定响应的通道全局信息f
gap
，最后利用全连接操作来完成特征的压缩，本技术采用了两个单独的提取函数来分别提取两个分支的通道映射：
[0090][0091]
其中，为全连接操作函数(j＝1，2)，w
ex-j
为其权重参数。为权衡两输入特征在通道维度上对最终输出的影响程度，本技术对f
ex-j
相应通道位置上的值也进行softmax操作，来获取各自的相对权重：
[0092][0093][0094]
其中，m表示当前为第m通道，m∈{1，2...c}，与则表示两个分支的通道权重集合，最终自适应权重分配模块的输出为经过空间位置与通道响应综合加权的与对应位置元素相加的融合结果。
[0095][0096][0097]
[0098]
通常在医学领域，传统的深度模型方法缺乏依赖先验知识的考虑，这导致模型对结果的可解释能力差，为此，本技术提供了一个辅助注意引导模块，该模块会指导模型更加关注责任血管区域，从而为做出的抉择给出更为合理的解释效果。其具体结构如图5所示，常规学习(branch c)和反向学习分支(branch r)的输入经过共享backbone得到高级语义特征向量fc与fr后，通过不断的上采样，拼接，卷积操作最终获得分割概率图假设分割真实标签为y
seg
，那么该辅助引导模块的损失函数可以表示为：
[0099][0100]
其中，bce(
·
)为二值交叉熵损失函数，分别表示常规分支、反向学习分支输入图像的真实分割标签。
[0101]
实施例2：实验部分
[0102]
1、数据来源
[0103]
本次实验所用原始数据由重庆医科大学第一附属医院提供，经过数据清洗以及患者信息隐去后，共获得375个样例，其中正常对照组254例，病人121例(右侧大脑中动脉闭塞47例，右侧颈内动脉闭塞23例，左侧大脑中动脉闭塞35例，右侧颈内动脉闭塞16例)。最终本技术所用数据集构建流程如附图6所示，首先利用cta和非对比计算机断层扫描(ncct)两种影像去除颅骨等多余信息对血管的干扰，然后利用最大密度投影处理操作得到颅内血管图，最后再由三位丰富临床经验的医生完成病例级的分类标签以及像素级的责任血管标注工作。为了更好评估本技术在责任血管上的分类效果，本实施例使用敏感度(sensitivity)，精确度(precision)，准确率(acc)以及macro-f1作为评价指标。其中敏感度与精确度是为了判断模型在每个分类中的表现，而acc与macro-f1则是评估模型的整体性能。
[0104]
2、实现细节
[0105]
本次实验基于pytorch框架，在geforce gtx 2070 super,8gb内存环境下完成实验，输入图片大小为256
×
256，batchsize为16,选择adam为网络优化器，动量设置为0.9，初始学习率为0.0001，在前10个训练期学习率以预热的策略进行增长，在第80，120个训练时期以0.1的衰减比率进行衰减，总训练时期为150epoch。为扩充病例数据，本实施例采用线下数据增强方式，仅对病人实施水平翻转操作，并对病人的分类标签以及像素标签进行更改，该类扩充数据仅在训练阶段使用。由于不同类中样本数量相差很大，存在严重的数据不平衡问题，所以在本次实验中对正常人与病人的训练与测试数据划分为8：2与6：4。在训练阶段，三个分支将输入不同采样策略的图片，按照附图1中的流程完成训练过程，所有的模块都会起作用，而在推理阶段，仅平衡分支正常工作，其余部分以及各类超参数均不会对结果产生任何影响。
[0106]
3、网络主干选择
[0107]
表1、主干网络选取对比试验
[0108] resnet18res2net18resnext18densenet121mobilenetv3shuffienetv2hrnet参数量13.96m13.84m15.44m6.96m6.04m6.36m6.39macc58.8262.7453.9260.7854.9055.8861.76
f130.1744.0425.2239.7429.5523.5342.30
[0109]
首先，就hr-net作为本实验的基础backbone作出相应的解释，因为考虑到自身医学数据集样本少的情况，所以选取参数量较少的典型分类网络来做了初步的实验(单分支，对数据集不做任何调整策略)，结果如表1所示，虽然hr-net只取得次佳acc 61.76％，比res2net-18的取得的acc 62.74％低了0.98个百分点，但是hr-net的参数量只有res2net-18参数量的一半，综合考量，所以本实施例选取hr-net作为后续实验的基础backbone。
[0110]
4、对于医学数据的类严重不均衡问题，为了证明本技术提出的网络的有效性，本实施例在私有的lvo数据集上与其余处理类不平衡问题的最先进方法进行了性能评估比较。
[0111]
cdb:该方法提出了一种损失函数，该函数根据样本所属类别的难度，动态地将权重分配给每个样本。
[0112]
ldam-drw:它提出了一种理论上有原则的标签分布，即通过最小化基于边缘的泛化界来实现边缘损失。
[0113]
cb-focal:该方法设计的是加权方案，使用每个类别的有效样本数来重新平衡损失函数。
[0114]
bbn:本文针对不同的学习任务选择了不同的数据采样策略，以获得更好的性能。
[0115]
表2、对比方法比较
[0116][0117]
如表2所示(红线加粗表示最优结果，蓝线加粗表示次优结果)，在不加入辅助注意引导模块时，较之于其余算法，本技术的网络取得的各类的分类效果虽然在敏感度与精确度上并未取得最好效果，但是也占据了大部分的次优结果，其次，在总的衡量指标来看，本技术的模型取得了最好的acc 79.41％和最好的f1-ma 71.53％，较之于baseline分别提升了10.78％和11.68％。而在加入注意引导模块后，模型的性能进一步提升，acc提升2.94个百分点到达82.35％，f1-ma则提升6.38个百分点到达77.91％，占据绝大多数指标的最佳与次佳效果，表明本技术提出的模型方法在解决数据类严重不均衡的大血管闭塞分类数据集上具有更明显的优势。
[0118]
为了让深度模型做出的决策使人信服，本实施例采取类激活图可视化的方式来解释模型的决策行为，并且通过加入辅助引导模块前后的实际效果图对比进一步说明该模块不仅能提升模型的分类精度，也能提高模型的可解释能力。如图8所示，每一行图片为所有算法在同一分类下的可视化情况，第一列为原始图像，并在图中用红线圈出了闭塞的责任血管区域。从可视化的热力图来看，虽然对比的算法和未加注意引导模块的算法(第二到第七列)关注的区域都在责任血管区域附近，但是这些区域过于宽泛，针对不同的血管闭塞情
况没有明显的差异所以无法使人信服。而加入辅助注意引导模块后(最后一列)，对于发生闭塞的样本，模型能很精准的定位到闭塞区域，而对于正常的样本，模型关注的区域也会更加聚焦，由此可见，辅助注意引导模块是有效的。
[0119]
5、消融实验
[0120]
表3、消融实验
[0121][0122]
u.s.均匀采样器
[0123]
通过消融实验以评估本技术的网络各模块对最终结果的重要程度，详情如表3所示。可以观察到随着不同采样策略分支的增加，模型的预测效果会变得更好，将acc从原本的61.76％提升到了73.53％，这是因为不同分支着重学习的信息不完全一致，组合起来后会得到更为丰富的特征信息，所以会提升最终的分类效果。此外，从表3中也能表明本技术改进的网络主体模块、自适应融合模块以及辅助注意引导模块的有效性，无论是单独使用还是组合使用各个模块时，都会提升最终的分类效果。值得注意的是，单独使用辅助注意引导模块取得的增益效果与同时使用其余两模块取得的增益相当，这也更加凸显我们加入该模块的合理性。最终所有策略组合在一起实现的效果最好，达到82.35％的最佳acc。