摘要
大数据、图形处理单元(GPU)和云计算促进了深度学习在各个科学领域的发展，医疗行业也不例外。各种优秀的医学图像分类和病灶识别的算法模型不断被提出，其分类和识别效果也越来越好。通过胸部X光图像对疾病进行分类与病灶识别是计算机在医疗行业的重要应用，具有重要的科研价值。胸部X光图像存在着病变区域小，多种疾病共存，背景复杂，难于区分不同疾病的病理特征，医生进行疾病诊断困难的问题。本文结合胸部X光图像特点，基于深度学习技术，提出了有效的胸部疾病分类和病灶识别算法。论文的主要研究工作阐述如下： 1.本文针对胸部X光图像中病变区域面积小，病变相似度高，多种疾病共存以及单个网络难以学习输入图像的全部细节的问题，提出一种由特征提取模块和融合分类模块组成的DualASNet神经网络分类算法。其中，特征提取模块由融合非对称卷积块和挤压激励块的两个非对称子网ResNet和DenseNet组成，通过非对称的网络协调从输入图像中学习到的互补特征；融合分类模块是基于统一损失函数的迭代训练策略进行优化，为缓解正负样本类别不均衡的问题，对损失函数进行修改。实验结果表明，该算法在ChestX-ray14数据集中综合指标平均AUC达到了0.820。 2.针对胸部X光图像中病灶识别的研究，本文提出了一种二阶段病灶识别算法。该算法通过DualASNet网络与YOLOv5网络相结合的方式进行构建。该算法先通过DualASNet网络对胸部X光图像进行初筛，将患病与健康的图像筛选出来；再通过YOLOv5网络对筛选出来的患病图像进行病灶识别，二阶段病灶识别算法提高了YOLOv5网络病灶识别的准确率。实验结果表明，该算法在VinDr-CXR数据集中综合指标平均精度均值达到了0.169。
NETL