基于SRD感受野自调节的肺炎病灶检测

作     者：李锵 武昱忻 关欣 周静 Li Qiang;Wu Yuxin;Guan Xin;Zhou Jing

作者机构：天津大学微电子学院天津300072 北京邮电大学国际学院北京100876 

出 版 物：《天津大学学报（自然科学与工程技术版）》 (Journal of Tianjin University：Science and Technology)

年 卷 期：2021年第54卷第5期

页      面：508-516页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金资助项目(61471263) 天津市自然科学基金资助项目(16JCZDJC31100) 

主　　题：卷积神经网络 肺炎病灶检测 图像锐化 感受野 k-means++ 

摘      要：随着深度学习的发展,采用卷积神经网络诊断肺炎的方法受到广泛关注,但对肺炎区域检测的研究还十分欠缺.现有方法的特征提取网络需要大量参数和计算,以及巨大的存储资源和算能,同时因其无法自动调节感受野的大小,导致难以适用于胸部X光片(chest X-ray,CXR)中病灶区域大小不一的问题.为解决这些问题,本文提出一种基于自调节密集网络(self-regulation DenseNet,SRD)的肺炎病灶检测方法.首先,设计了一种突出病灶技术对图像进行预处理,通过抑制肋骨区域排除肋骨干扰,并采用拉普拉斯变换锐化图像突出微弱病灶特征.其次,基于改进的RetinaNet网络对预处理后图像进行检测,其中特征提取网络采用本文提出的自调节密集网络结构SRD,来代替原RetinaNet中的特征提取网络***结合密集连接和选择性核卷积的优势,具有参数量和计算量小、感受野可自适应调节的特点.最后,提出采用k-means++算法对数据集中的宽高信息进行聚类,选出具有代表性的先验框宽高比,代替RetinaNet中采取固定比例的先验框宽高比选取方法.在北美放射学会提供的CXR数据集上,与原RetinaNet算法相比,基于SRD-121的方法实现mAP提高0.4%,参数量减少52.2%,计算量减少51.8%.实验结果表明,本文提出的基于SRD感受野自调节的肺炎病灶检测方法具有参数量和计算量的减少及mAP提高的双重优势.