發(fā)布時(shí)間：2022-01-15 16:33

　　目的 X射線光片是用于診斷多種胸部疾病常用且經(jīng)濟(jì)的方法。然而,不同疾病的位置及病灶區(qū)域大小在X光片上差異較大且紋理表現(xiàn)存在多樣性,是胸部疾病分類(lèi)任務(wù)面臨的主要挑戰(zhàn)。此外,樣本數(shù)據(jù)類(lèi)別不平衡進(jìn)一步增加了任務(wù)的困難。針對(duì)以上挑戰(zhàn)以及目前算法識(shí)別精度有待提升的問(wèn)題,本文采用深度學(xué)習(xí)方法提出一種基于密集擠壓激勵(lì)網(wǎng)絡(luò)的多標(biāo)簽胸部疾病分類(lèi)算法。方法將擠壓激勵(lì)模塊同樣以密集連接的方式加入密集連接網(wǎng)絡(luò)中作為特征通道高度注意模塊,以增強(qiáng)對(duì)于網(wǎng)絡(luò)正確判斷疾病有用信息的傳遞同時(shí)抑制無(wú)用信息的傳遞;使用非對(duì)稱(chēng)卷積塊增強(qiáng)網(wǎng)絡(luò)的特征提取能力;采用焦點(diǎn)損失函數(shù),增加難識(shí)別疾病的損失權(quán)重而減小易識(shí)別疾病的損失權(quán)重,以增強(qiáng)網(wǎng)絡(luò)對(duì)難識(shí)別樣本的學(xué)習(xí)。結(jié)果在ChestX-ray14數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文算法對(duì)14種胸部疾病的分類(lèi)精度較目前3種經(jīng)典及先進(jìn)算法有所提升,平均AUC（area under ROC curve）值達(dá)到0.802。另外本文將算法模型在診斷時(shí)依據(jù)的病灶區(qū)域進(jìn)行可視化,其結(jié)果進(jìn)一步證明了模型的有效性。結(jié)論本文提出的基于密集擠壓激勵(lì)網(wǎng)絡(luò)的多標(biāo)簽分類(lèi)算法,在胸部疾病識(shí)別上的平均AUC值較高,適用于胸部X光... 

【文章來(lái)源】：中國(guó)圖象圖形學(xué)報(bào). 2020,25(10)北大核心CSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

胸部疾病診斷網(wǎng)絡(luò)架構(gòu)圖

DenseNet是由Huang等人(2017)提出的一種新的CNN結(jié)構(gòu),在目標(biāo)識(shí)別的基準(zhǔn)任務(wù)中,其性能超過(guò)了當(dāng)時(shí)最先進(jìn)的結(jié)果達(dá)到最優(yōu)。其核心思想是建立所有層之間的互聯(lián),將前面所有層的直接連接作為當(dāng)前層的輸入,因此網(wǎng)絡(luò)不同層之間達(dá)到了最大的信息流。如圖2所示,是一個(gè)具有5個(gè)卷積層x1、x2、x3、x4、x5和4個(gè)過(guò)渡層H1、H2、H3、H4的密集連接網(wǎng)絡(luò)塊。DenseNet 是由多個(gè)這樣的密集網(wǎng)絡(luò)塊(dense block)和過(guò)渡層(transiton layer)組合而成的,一個(gè)L層的密集連接網(wǎng)絡(luò)有L×(L+1)/2個(gè)連接。ResNet是通過(guò)將每個(gè)殘差塊中的一些層與前面的某層通過(guò)對(duì)應(yīng)通道上元素級(jí)別的相加實(shí)現(xiàn)短路連接(skip connection),從而支持網(wǎng)絡(luò)在前向傳播時(shí)不斷學(xué)習(xí)新的特征。而DenseNet網(wǎng)絡(luò)是將每一層與前面的所有層在通道(channel)維度上相連后作為下一層的輸入,實(shí)現(xiàn)網(wǎng)絡(luò)的特征重用。DenseNet能在參數(shù)量和計(jì)算成本更低的同時(shí)獲得比ResNet更優(yōu)異的性能,因此本文采用DenseNet作為基礎(chǔ)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)架構(gòu)的設(shè)計(jì)。

SE模塊作用于通道的原理圖如圖3所示。U=[u1,u2,…,uC]為經(jīng)過(guò)卷積操作輸出的多通道特征圖,特征圖的寬為W,高為H,通道數(shù)為C, X ? =[ x ? 1 , x ? 2 ,?, x ? C ] 為特征圖U經(jīng)過(guò)擠壓激勵(lì)操作后輸出的加權(quán)特征圖,通道數(shù)同為C。以下將介紹具體的操作過(guò)程。首先,擠壓操作通過(guò)對(duì)C通道特征圖U進(jìn)行全局平均池化(global average pool),將H×W×C的特征圖U壓縮為1×1×C的向量Z

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的連續(xù)型最大流算法腦腫瘤磁核共振成像三維分割[J]. 任璐,李鏘,關(guān)欣,馬杰.  激光與光電子學(xué)進(jìn)展. 2018(11)



本文編號(hào)：3590953