摘要
胸部X光（ChestX-ray，CXR）作为诊断胸部疾病的重要依据通常需要放射科医生的人工诊断。随着新型冠状病毒肺炎（COVID-19）在全球肆意蔓延，这无疑加重了放射科医生的工作量，并且医生在诊断过程中由于疲劳或经验不足等原因导致胸部疾病误诊或漏诊。为了减少时间与人力资源的消耗，同时提升医生在诊断过程中的准确率，本文研究了使用深度学习方法对CXR图像中胸部疾病的自动分类。 针对CXR图像纹理特征复杂导致的特征提取不完整、网络识别能力差等问题。本文提出一种基于残差网络和深度连接注意力机制的新冠肺炎分类算法（DeepConnectedAttentionNetworkbasedonResNet,DCA-ResNet）。该算法将挤压激励模块引入到特征提取网络中，增强对疾病判断有用信息的传递，抑制无用信息的传递；在此基础上结合深度连接注意力机制，通过提取、转换和融合操作使注意力模块之间相互协作，提升了注意力模块的特征提取能力。实验结果表明，相较于目前多种新冠肺炎分类算法，本文所提算法的分类准确率和宏召回率有所提升，分类准确率可达94.73%，较ResNeXt提升0.49%。 针对现有方法中的注意力机制未进行特征通道之间的信息交互，导致所提取的特征信息未得到充分利用，同时数据集样本存在数据不平衡的问题，本文提出一种基于密集连接网络和高效通道注意力机制的CXR图像分类方法（EfficientChannelAttentionNetworkBasedonDenseNet，ECA-DenseNet）。所提方法在密集连接网络内引入高效通道注意力机制，能够充分提取特征信息将其用于通道间的信息交互，加强通道间的联系，提升模型性能。使用非对称卷积代替常用的方形卷积核，用于防止网络朝着非强化卷积核的参数方向优化，进一步增强分类网络的特征提取能力。为了解决多标签和数据不平衡问题，使用多标签损失函数代替交叉熵损失函数以强化网络对难识别样本的学习，能够有效增强模型的鲁棒性和泛化能力。实验结果表明，所提方法针对15种胸部疾病的CXR图像有较好的分类表现，平均AUC值可达0.8245，对单一疾病分类的AUC值最高可达0.9122。
NETL