关键词:
图像分类
医学图像
深度学习
坐标注意力机制
空洞卷积
摘要:
医学影像是影像科医生诊断疾病的重要手段。影像科医生通过对患者活体组织的医学影像的分析与比较,判断疾病情况。然而,诊断准确率依赖于影像科专家的水平和精力和医疗设备水平。近年来,人工智能技术在计算机视觉、自然语言处理等领域有着出色的表现。人工智能技术应用于医学影像引起了临床专家和人工智能专家的关注。端到端的深度学习方法是人工智能技术的一种。相比传统图像处理技术,深度学习方法被证明具有强大的特征表示能力,在图像分析领域有着优异的成绩。为了提升疾病诊断正确率和缓解医护人员压力,应用深度学习方法定量分析医学影像辅助放射科专家诊断疾病。自新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)爆发以来,很多受灾国家或地区的疫情尚未得到有效控制。应用智能方法减少漏诊、误诊,并且提供安全的诊断环境是研究及时发现、隔离、治疗患者能有效阻止病毒的扩散,因此研发智能高效的诊断手段是当务之急。利用深度学习方法在医学影像中检测感染者是一种安全有效的途径。针对医院硬件设备较差以及医学图像特征较少的现象,提出下述两种轻量的自动识别COVID-19医学影像的智能方法。(1)面向COVID-19胸部XR图像识别的深度学习方法DD-CovidNet。由于XR图像具有同一类别样本特征相似度高且不同类别样本特征变异性低的特点,提出特征信息敏感的双路径多尺度特征融合(dual-path multi-scale fusion,DMFF)模块和密集空洞深度可分离卷积(dense dilated depthwise separable,D3S)模块,分别提取浅层特征与深层特征。基于此,提出一种轻量级卷积神经网络模型DD-CovidNet识别COVID-19胸部XR图像。方法在2个数据集上进行验证。实验结果表明,DD-CovidNet模型对COVID-19识别的灵敏度为96.08%,精度与特异性均为100.00%,且具有较少的参数量与较快的分类速度。同其他模型相比,DD-CovidNet模型的检测速度更快,检测结果更准确。(2)面向COVID-19胸部CT图像识别的深度学习方法PC-CovidNet。COVID-19胸部CT图像的整体特点为双肺多发斑片状渗出影为主,大部分病例呈磨玻璃影,部分严重者表现为局部肺实变。针对上述特点,提出强.感知的并行通道混洗(parallel channel shuffle)PCS模块。PCS模块分为PCS-D模块与PCS-S模块,PCS-D模块用于特征分辨率降维。在PCS-D模块与PCS-S模块中引入坐标注意力机制(Coordination Attention Mechanism,CA),得到PCS-D-CA模块和PCS-S-CA模块。基于PCS模块,提出一种轻量级卷积神经网络模型PC-CovidNet检测COVID-19胸部CT图像。PCS模块中引入最大模糊池化,缓解下采样导致的锯齿效应,增强模型的鲁棒性;引入通道混洗操作,关联通道信息,提升模型性能且降低计算成本;引入CA,关注特征的通道信息与坐标信息,提升模型分类效果。方法在开源数据集COVID-CT上进行了验证,实现了 92.31%的整体分类准确率以及92.48%的COVID-19的灵敏度。