基于深度神经网络的肺炎图像识别模型

摘要：

当前的肺炎图像识别算法面临两个问题:一是肺炎特征提取器使用的迁移学习模型在源数据集与肺炎数据集上图像差异较大,所提取的特征不能很好地契合肺炎图像;二是算法使用的softmax分类器对高维特征处理能力不够强,在识别准确率上仍有提升的空间.针对这两个问题,提出了一种基于深度卷积神经网络的肺炎图像识别模型.首先使用ImageNet数据集训练好的GoogLeNet Inception V3网络模型进行特征提取;其次,增加了特征融合层,使用随机森林分类器进行分类预测.实验在Chest X-Ray Images肺炎标准数据集上进行.实验结果表明,该模型的识别准确率、敏感度、特异度的值分别达到96.77％、97.56％、94.26％.在识别准确率以及敏感度指标上,与经典的GoogLeNet Inception V3+Data Augmentation(GIV+ DA)算法相比,所提模型分别提高了1.26、1.46个百分点,在特异度指标上已接近GIV+ DA算法的最优结果.

关键词：肺炎图像分类、迁移学习、深度卷积神经网络、随机森林、敏感度、特异度

所属期刊栏目：39

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61273225,61702381

在线出版日期：2019-07-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1680-1684