密集挤压激励网络的多标签胸部X光片疾病分类

发布时间：2022-01-15 16:33

　　目的 X射线光片是用于诊断多种胸部疾病常用且经济的方法。然而,不同疾病的位置及病灶区域大小在X光片上差异较大且纹理表现存在多样性,是胸部疾病分类任务面临的主要挑战。此外,样本数据类别不平衡进一步增加了任务的困难。针对以上挑战以及目前算法识别精度有待提升的问题,本文采用深度学习方法提出一种基于密集挤压激励网络的多标签胸部疾病分类算法。方法将挤压激励模块同样以密集连接的方式加入密集连接网络中作为特征通道高度注意模块,以增强对于网络正确判断疾病有用信息的传递同时抑制无用信息的传递;使用非对称卷积块增强网络的特征提取能力;采用焦点损失函数,增加难识别疾病的损失权重而减小易识别疾病的损失权重,以增强网络对难识别样本的学习。结果在ChestX-ray14数据集上的实验结果表明,本文算法对14种胸部疾病的分类精度较目前3种经典及先进算法有所提升,平均AUC（area under ROC curve）值达到0.802。另外本文将算法模型在诊断时依据的病灶区域进行可视化,其结果进一步证明了模型的有效性。结论本文提出的基于密集挤压激励网络的多标签分类算法,在胸部疾病识别上的平均AUC值较高,适用于胸部X光... 

【文章来源】：中国图象图形学报. 2020,25(10)北大核心CSCD

【文章页数】：11 页

【部分图文】：

胸部疾病诊断网络架构图

DenseNet是由Huang等人(2017)提出的一种新的CNN结构,在目标识别的基准任务中,其性能超过了当时最先进的结果达到最优。其核心思想是建立所有层之间的互联,将前面所有层的直接连接作为当前层的输入,因此网络不同层之间达到了最大的信息流。如图2所示,是一个具有5个卷积层x1、x2、x3、x4、x5和4个过渡层H1、H2、H3、H4的密集连接网络块。DenseNet 是由多个这样的密集网络块(dense block)和过渡层(transiton layer)组合而成的,一个L层的密集连接网络有L×(L+1)/2个连接。ResNet是通过将每个残差块中的一些层与前面的某层通过对应通道上元素级别的相加实现短路连接(skip connection),从而支持网络在前向传播时不断学习新的特征。而DenseNet网络是将每一层与前面的所有层在通道(channel)维度上相连后作为下一层的输入,实现网络的特征重用。DenseNet能在参数量和计算成本更低的同时获得比ResNet更优异的性能,因此本文采用DenseNet作为基础网络进行网络架构的设计。

SE模块作用于通道的原理图如图3所示。U=[u1,u2,…,uC]为经过卷积操作输出的多通道特征图,特征图的宽为W,高为H,通道数为C, X ? =[ x ? 1 , x ? 2 ,?, x ? C ] 为特征图U经过挤压激励操作后输出的加权特征图,通道数同为C。以下将介绍具体的操作过程。首先,挤压操作通过对C通道特征图U进行全局平均池化(global average pool),将H×W×C的特征图U压缩为1×1×C的向量Z

【参考文献】：
期刊论文
[1]改进的连续型最大流算法脑肿瘤磁核共振成像三维分割[J]. 任璐,李锵,关欣,马杰.  激光与光电子学进展. 2018(11)



本文编号：3590953