[发明专利]一种基于通道注意力残差网络的肺炎图像检测系统及方法

说明书

本发明属于肺炎诊断技术领域，公开了一种基于通道注意力残差网络的肺炎图像检测系统及方法，所述基于通道注意力残差网络的肺炎图像检测方法包括：将深度学习技术与医学影像‑胸部X光片相结合，将预训练好的ResNet模型权重和参数迁移到残差网络模型，从通道维度将ECA注意力模块引入残差结构，构建基于通道注意力的残差网络模型ECA‑XNet，用于从胸部X片中检测肺炎。本发明将预训练好的ResNet模型权重和参数迁移到本文模型上，提高模型的训练速度。为了对有用的残差特征进行增强并抑制噪声的干扰，本发明从通道维度将ECA注意力模块引入残差结构，所提出的模型已经在Chest X‑Ray Images数据集上得到验证。

技术领域

本发明属于肺炎诊断技术领域，尤其涉及一种基于通道注意力残差网络的肺炎图像检测系统及方法。

背景技术

目前，肺炎是全球的十大死亡原因之一，肺炎类传染病已经成为全球老人和儿童死亡的主要原因。胸部X光片是诊断和检测肺炎疾病的最有效方式。目前，学者们开始探索将深度学习等技术与医学影像相结合作为辅助诊断工具，用于从胸部X光片中检测与诊断肺炎，辅助医生进行决策，有效提高医生的诊断效率，并有助于肺炎的早期诊断和治疗，在医学临床领域具有重要的应用价值。

当前，机器学习和深度学习等技术已经被有效的应用到医学影像领域，并取得显著的效果。深度学习技术通过学习大量患病的胸部X片的特征，能够成功的从X光片中准确的识别出肺炎患者。2017年吴恩达团队在中就已提出了用于胸部X片检测的121层的卷积神经网络-CheXNet，在公开的数据集 ChestX-Ray14上训练，可以识别对包括肺炎在内的14种肺部疾病，其准确率甚至超过了已经和人类放射科医生的水平持平甚至更高。研究基于深度学习和人工智能的辅助诊断系统可有效减轻医护人员的负担，同时提高诊断效率。

众所周知，深度学习模型的准确性和可解释性依赖大量的数据。在生物医学影像等领域构造标准的、高质量的大数据集会极其的困难。小样本的数据又会导模型出现过拟合，模型泛化程度低等问题。迁移学习是深度学习领域中解决训练数据不足问题的重要工具，迁移学习能够将某个中已经学到的知识应用到另一个不同但相关的领域。例如，现有技术使用的VGGNet-16和ResNet-50 在ImageNet图像数据集上进行了预训练，保留了图像中的通用特征，并通过数据增强等方式在两个医学图像数据集中分别取得了76.87％和87.37的准确率。由于目前诊断的胸部X片图像严重不足，Shukla等人在基于源域为 chest X-Ray数据集上进行迁移训练，使用深度迁移学习构建了基于ResNet50的分类模型。但是它们的预测准确度和模型学习能力还有提高的空间。

利用深度学习等技术来进行X射线图像诊断的关键是提出图片中的有效特征。VDSNet、CheXNet等深度学习的模型已经证明了从胸部X光图片中检测肺炎的有效性，这些模型从空间角度增加网络深度来提高模型的准确度。然而网络模型过深又会导致一系列问题，如过拟合、梯度爆炸(消失)和网络退化等，从而使得模型训练难度增加。Wang等人重新考虑了卷积网络中通道之间的关系，首次提出了挤压和激励网络SENet，并应用在多种医学影像等分类任务中。 Junsang等人提出了SE ResNet网络用于心电信号的分类，该网络在残差网络中引入SE注意力模块，用来提取卷积特征通道之间的重要信息，加入的SE注意力模块比基准模型的准确率提高了1.4％。Gong等人将二维SE块和残差块扩展到三维形式，提出了用于肺部结点自动检测的3D SE ResNet结构，通过SE模块特征重新校准策略，充分利用了肺结节的三维空间上下文信息，有效提高了肺部结点自动检测效率。

以上研究表明可以通过CNN等深度学习模型从胸部X射线图像中进行肺炎诊断，并取得显著成果。除了利用通道注意力模块等特征提取技术可以有效提高模型的性能以外，迁移学习技术也被用来预训练模型，优化网络学习效率。因此，亟需一种使用经迁移学习预训练残差网络的肺炎诊断系统。

通过上述分析，现有技术存在的问题及缺陷为：