基于CNN的新冠肺炎胸部X射线影像检测方法研究

作     者：彭曦晨 

作者单位：安徽理工大学 

学位级别：硕士

导师姓名：葛斌

授予年度：2022年

学科分类：12[管理学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 100106[医学-放射医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 100602[医学-中西医结合临床] 

主      题：新冠肺炎 胸部X射线 CNN 图像分类 特征融合 注意力 轻量级网络 

摘      要：新冠肺炎(Corona Virus Disease 2019,COVID-19)的控制迫在眉睫,干扰人类正常生活,威胁人类生命健康。COVID-19传播性强,快速隔离、确诊、治疗是控制疫情的首要任务,利用胸部X射线(Chest X-Ray,CXR)影像判断病状是辅助检测COVID-19的方法之一,随着深度学习的不断发展,CNN已经应用于医学影像领域,利用图像分类的方法能够识别COVID-19 CXR影像,实现计算机自动辅助检测COVID-19,缩减大量的人力、物力、时间成本。本文的研究工作如下:(1)针对提升图像分类网络的分类精度的问题,提出基于高层语义加权融合的COVID-19 CXR影像检测方法,构建一种图像分类中的梯形金字塔融合网络。通过元素级级联结浅层与深层网络,再获取相邻深层网络的高层语义信息,加权到融合网络的分支中,强化深层中语义性强的特点,复用浅层的特征图,利用这种方法构建出梯形金字塔融合VGG(Trapezoid Pyramid Fusion-VGG,TP-VGG),将VGG中深层网络的一层卷积移入梯形金字塔融合分支中,以聚合高层特征的加权信息,利用全局平均池化,减小分类器的参数量。比较TP-VGG和VGG,TP-VGG参数量更小,分类精度也得到了显著的提升,最后应用于COVID-19二分类和三分类数据集。(2)针对图像分类网络识别COVID-19 CXR影像的问题,提出了注意力引导梯形金字塔融合网络(Attention Steered Trapezoid Pyramid Fusion Network,ASTPNet),该网络可以附加在不同的CNN上。首先通过空间、通道注意力的并行,强调空间、通道中的有效语义信息,弱化空间、通道中干扰信息的影响,利用注意力的引导构建梯形金字塔特征融合结构,其次提出了注意力引导块(Attention Steered Block,AS Block)高效地聚合加权信息。通过实验表明,将ASTPNet附加在VGG16/19、Res Net34/50和Res Ne Xt上,性能得到了提升,并且应用于识别COVID-19 CXR影像,二分类和三分类准确率分别达到了98.40%和97.10%,ASTPNet与其它的识别COVID-19 CXR影像的方法相比具有较好的识别效果。(3)针对识别COVID-19 CXR影像时需要注重模型结构的问题,引入参数量和计算量(Floating Point Operations,FLOPs)作为评估标准之一,需要满足移动端和嵌入式设备,提出了基于轻量级网络的COVID-19 CXR影像检测方法。通过轻量级注意力(Lightweight Attention,LWA)对融合分支进行引导,能够高效地特征提取,构建出轻量级注意力引导的Shuffle Net(Lightweight Attention Steered-Shuffle Net,LWAS-Shuffle Net)网络模型,再利用迁移学习的方式获取源域上的权重,最终得到LWAS-Shuffle Net0.5和LWAS-Shuffle1.0。通过实验表明,LWA模块的有效性,LWAS-Shuffle Net0.5的性能更好,在二分类和三分类数据上识别精度达到98.40%和97.46%,参数量和FLOPs达到1.6282M和65.1892M,在保证精度的同时,参数量和FLOPs更低,优化了模型结构。图[39]表[16]参[81]