检索历史 清除

摘要胸部疾病发病率高且种类复杂，严重威胁人类健康。在医学领域中，需要快速诊断患者是否患有胸部疾病，并准确判断疾病类别，以提高临床治愈率。胸片是诊断胸部疾病的首选方式之一，但胸片中疾病位置、大小、形态、密度、纹理等性状复杂多样，差异较大，使得诊断难度较高，同时医师的主观决策存在不确定性，易造成误诊、漏诊。因此，本文提出基于注意力机制的深度卷积神经网络算法，实现对14种常见胸片疾病自动分类识别，达到高效、精确辅助医师诊断的目的。<br>　　本文提出两种基于双重注意力机制的单路经胸片疾病分类算法A2-ResNet及A2-DenseNet。分别将残差网络和密集连接网络作为基本网络，为增强模型在通道域和空间域的特征提取能力，加入通道注意力模块和空间注意力模块。在ChestX-ray14数据集上进行对比实验、消融实验、复杂度实验、注意力可视化实验验证提出算法的有效性，实验结果表明两种算法对14种疾病分类的平均AUC达到0.8095和0.8107，分类结果超过目前6种较为先进的算法。<br>　　为进一步提升胸片疾病分类算法准确度，本文提出一种基于三重注意力机制的双路径胸片疾病分类算法A3-DPN。首先，该算法使用将残差网络和密集连接网络结合的双路径网络作为基本网络，有效实现特征重用和特征发掘；然后使用空间分组增强注意力模块提取特征图通道和空间注意力信息，使用选择性卷积核自适应调节感受野大小；然后使用软池化层替换平均池化层用于减少特征图映射信息丢失；最后在训练时使用锚损失函数缓解疾病样本类别不均衡及分类难度差距过大造成损失函数失衡的问题。在ChestX-ray14数据集上的实验结果表明，A3-DPN对14种疾病分类的平均AUC达到0.8213，超过目前另外4种较为先进的算法，并通过消融实验、复杂度实验、注意力可视化实验验证本文算法的先进性和有效性。另外，本文开发一款基于卷积神经网络的胸片疾病辅助诊断软件，将本文提出的算法内嵌至诊断软件中，达到辅助医师临床诊断的效果。