关键词：
新冠肺炎
NSNP系统
轻量级网络
多任务对抗网络
摘要：
新冠肺炎的迅速传播,已经严重威胁到全球健康。基于深度学习的计算机辅助筛查,如:新冠肺炎CT图像的感染区域分割,已经引起了人们的广泛关注。然而,公开的新冠肺炎图像数据集有限,很容易导致对传统深度学习方法的过度适应,即过拟合。并且,传统深度学习方法需要数以百万的庞大网络参数来满足对数据需求。因此,快速的训练、测试以及降低计算成本是快速部署和开发新冠肺炎筛查系统所必需的。
由于网络上数据集的保存方式存在多样性,其本身也可能会存在含有混合伪影的低质量图像,这可能降低分割模型的准确性,影响最终分割结果。因此,对低质量图像进行恢复,如:图像去模糊、去噪和曝光校正等,对于医学诊断具有至关重要的作用。
针对上述问题,本研究内容如下:
1.针对新冠肺炎CT图像中的病变区域特征,本研究设计了一个基于SNP神经元的轻量级深度网络(LDN-SNP)用于新冠肺炎CT图像的分割。由于非线性脉冲神经P(NSNP)系统是由神经元放电的非线性机制抽象而来的类神经计算模型之一,它可以表现出丰富的动态行为。与传统的分割方法相比,LDN-SNP模型具有几个显著的优点:1)参数少,它只有不到90K的参数,因此不容易过度拟合;2)它的计算效率高,因此便于实际部署;3)与现有深度学习模型不同的一个明显特征是,使用了脉冲神经元,具有不同于现有网络模型的状态更新和输出方程。实验结果表明,提出的网络模型在多尺度模块、编解码结构的约束下既降低了网络参数又提升了模型的准确性。
2.针对新冠肺炎X光图像会存在含有“混合伪影”的低质量图像,本研究提出并设计了一个处理新冠肺炎X光图像的多任务对抗网络MAE-Net。MAE-Net有两个不同于LDN-SNP模型的任务:1)将低质量图像转化为高质量图像的同时,保留了图像疾病的分类标签;2)对新冠肺炎的X光图像进行分类。MAE-Net是一种图像恢复和分类的联合模型。MAE-Net的对抗性结构使用两个生成器和两个鉴别器,并引入了两个新的损失函数来指导网络的优化,在四个新冠肺炎CXR图像(便携式胸部X光成像)数据集上进行了测试,并与八个深度学习模型进行了比较。实验结果表明,提出的MAE-Net网络能够提高图像分类结果的转换质量和准确率。此外,MAE-Net减少了网络深度,进一步提高了恢复和分类性能。
综上所述,针对新冠肺炎这两大难题,本文基于非线性脉冲神经P(NSNP)系统构建了两个网络模型LDN-SNP、MAE-Net分别对新冠肺炎CT图像进行病变区域分割和新冠肺炎X光图像的质量提升以及图像分类任务。
欢迎来到三峡大学图书馆！
