论文部分内容阅读
随着新冠疫情的全球性蔓延，人们对于肺部疾病也愈加关注。肺部疾病种类繁多，肺炎、气胸、肿块等都是目前比较严重的肺部疾病。在肺部病变的检测方面，X射线是目前比较常见的诊断方法，但由于肺部X光图像的影像灰雾现象，肺部病变区域重叠等问题给医生诊断肺部疾病造成了一定程度的影响。随着科学技术的成熟与进步，计算机医疗辅助系统应运而生，它对于帮助医生提高肺部疾病诊断的精度以及速度起到了一定的作用。因此，针对肺部X光图像的病变区域在形态，大小，位置等方面的多样性以及差异性而造成的特征提取难问题，本文提出了一种基于深度注意力机制+DenesNet的肺部X光图像分类方法。主要研究工作如下。
(1)首先，使用直方图均值化对肺部X光图像进行预处理操作，来解决肺部X光图像的灰雾现象;然后，将肺部X光图像统一缩放为224×224像素，通过0.5概率的随机水平翻转进行数据增强;最后，使用ImageNet数据集的均值和方差对数据进行归一化。
(2)使用DenesNet作为基础网络来进行数据的训练和测试。针对DenesNet网络提取特征过程中会损失空间及通道之间的关联信息的问题，提出一种注意力机制+DenesNet网络算法，通过调整注意力机制模块的位置，更好的提取特征，用以提高算法的分类精度。通过实验结果的对比，证实了提出的算法可以有效地提高肺部X光图像的分类精度。
(3)针对数据集中正负样本不均衡以及困难样本难学习的问题，本文使用焦点损失函数(Focal loss)，其优势有两个，其一是可以通过调节Focalloss的γ参数加大困难学习样本的权重，使得网络能够更加重视困难样本的学习;其二是通过Focalloss的α参数调节能够更好的解决正负样本不均衡问题，并经过理论以及实验的结果证明修改损失函数的网络分类精度有了一定的提高。
(4)针对由于模型迁移造成的模型拟合过快问题，本文设计了一种保肺随机裁剪的预处理操作，该操作通过训练时将每次输入的肺部X光图像进行保护肺部结构的随机裁剪操作，使得网络每次训练时的数据不同来达到减缓模型拟合的作用。实验结果证实添加保肺随机裁剪操作后的网络训练拟合时间有一定的增加，网络模型分类精度有所提高。
(1)首先，使用直方图均值化对肺部X光图像进行预处理操作，来解决肺部X光图像的灰雾现象;然后，将肺部X光图像统一缩放为224×224像素，通过0.5概率的随机水平翻转进行数据增强;最后，使用ImageNet数据集的均值和方差对数据进行归一化。
(2)使用DenesNet作为基础网络来进行数据的训练和测试。针对DenesNet网络提取特征过程中会损失空间及通道之间的关联信息的问题，提出一种注意力机制+DenesNet网络算法，通过调整注意力机制模块的位置，更好的提取特征，用以提高算法的分类精度。通过实验结果的对比，证实了提出的算法可以有效地提高肺部X光图像的分类精度。
(3)针对数据集中正负样本不均衡以及困难样本难学习的问题，本文使用焦点损失函数(Focal loss)，其优势有两个，其一是可以通过调节Focalloss的γ参数加大困难学习样本的权重，使得网络能够更加重视困难样本的学习;其二是通过Focalloss的α参数调节能够更好的解决正负样本不均衡问题，并经过理论以及实验的结果证明修改损失函数的网络分类精度有了一定的提高。
(4)针对由于模型迁移造成的模型拟合过快问题，本文设计了一种保肺随机裁剪的预处理操作，该操作通过训练时将每次输入的肺部X光图像进行保护肺部结构的随机裁剪操作，使得网络每次训练时的数据不同来达到减缓模型拟合的作用。实验结果证实添加保肺随机裁剪操作后的网络训练拟合时间有一定的增加，网络模型分类精度有所提高。