基于改进DenseNet网络的脑部MRI图像分类模型

深度卷积网络模型逐渐应用于脑部磁共振成像(magnetic resonance imaging,MRI)等医疗图像的分类,基于此提出了一种改进的DenseNet网络模型,应用于帕金森病脑部MRI的分类。模型在原有的DenseNet模型基础上加入了注意力模块,解决深度卷积模型由于局部感受野的限制在捕捉脑部组织位置和内容信息时降低关键特征损失问题;此外,采用稀疏的连接方式,将原模型的连接方式进行了剪枝,从而去除不必要的、保留更有用的快速连接方式,缓解因帕金森数据集规模小和图像特性所带来的过拟合问题。训练时采用标签平滑交叉熵损失函数进行优化训练,使模型在样本数少的情况下仍有较强的泛化能力。实验结果表明,改进后的DenseNet网络模型在PPMI数据集上取得了85.44%的分类精确度,与DenseNet-77和ResNet-34相比,分别提高了8.99%和6.73%。