密集挤压激励网络的多标签胸部X光片疾病分类
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光片的疾病分类.
胸部X光片、多标签分类、密集连接网络、疾病诊断、医学图像处理
25
TP391.4(计算技术、计算机技术)
国家自然科学基金项目;天津市自然科学基金项目
2020-11-30（万方平台首次上网日期，不代表论文的发表时间）
共11页
2238-2248
