基于注意力机制的两类改进胶囊网络及在肺部疾病医学图像分类中的应用

作     者：景岩强 

作者单位：北方民族大学 

学位级别：硕士

导师姓名：万仁霞

授予年度：2024年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0802[工学-机械工程] 10[医学] 

主      题：胶囊网络 注意力机制 医学图像分类 肺炎 肺癌 

摘      要：肺部疾病的计算机辅助诊断有助于医生更好地掌握病人所患肺部疾病类型,减少漏诊和误诊,提供定量分析和疾病监测数据。传统卷积神经网络(Convolutional Neural Network,CNN)在医学图像分类中存在一定的局限性,如计算量大、精度较低。为此,本文根据胶囊网络(Capsule Network,Caps Net)在医学图像处理中的优势,提出了两类改进的胶囊网络,并将其应用在肺炎和肺癌等肺部疾病的医学图像分类中,具体工作包括:1.在胶囊网络的基础上,在卷积层引入双卷积核卷积、替换动态路由算法和数字胶囊层为注意力胶囊模块和通道空间模块,建立一种通道空间重建注意力胶囊网络(Channel Space Reconstruction Attention Capsule Network,CSRA-Caps Net),并将其应用于肺炎医学图像分类中。实验结果表明,通过由卡塔尔大学、孟加拉国达卡大学的研究人员及巴基斯坦、马来西亚合作者共同创建的,包含新冠肺炎(Covid-19)、正常与病毒性肺炎的胸部X-ray图像数据集,采用准确率、召回率、精确率和F1值评价指标,其中CSRA-Caps Net在所有这些指标上均达到96.7%以上,相较于未改进的Caps Net(识别准确率为92.80%),该网络可有效压缩通道维度上的冗余特征,更好地捕捉关键信息,提高分类的精度。2.在胶囊网络的基础上,通过在卷积层增加可变形卷积、使用全局注意力代替动态路由算法、增加局部注意力模块等,建立了局部-全局注意力胶囊网络(Local Global Attention Capsule Network,LGA-Caps Net),并将其应用于肺癌医学图像分类中。实验结果表明,通过来自美国詹姆斯-海利退伍军人医院,包含4374例肺腺癌、肺鳞状细胞癌和良性肺组织的医学图像数据集,采用准确率、召回率、精确率和F1值评价指标,显示出随着全局与局部注意力胶囊模块的引入,LGA-Caps Net模型在这四项指标上分别取得了从6.05%至7.19%不等的提升,相较于原始Caps Net模型,在肺癌医学图像分类任务上实现了显著的性能提升,该方法能够有效提高对肺部肿瘤医学图像特征的精细捕捉和局部建模能,提高肺部肿瘤医学图像分类精度。3.运用Pyinstaller技术开发了一款适用于多平台操作系统的肺部疾病医学图像分类系统。在充分考虑其实际操作需求的基础上,系统展示了进行肺部疾病医学图像的操作流程,并通过严格的测试验证了其稳定性和准确性。该系统能显著提升在肺部疾病诊断上的精确度,有力地提高了诊疗效率与质量,确保患者能够及时获得精准的治疗方案。