基于注意力机制的双分支肺炎图像分类网络

目前许多肺炎图像分类网络大多采用单分支网络对输入图像进行特征提取,这在一定程度上忽略了图像不同维度的特征信息。为了优化这种问题,提出一种融入注意力机制的双分支肺炎图像分类网络,利用VGG16网络和加入可分离卷积以及融入卷积注意力模块(convolution block attention module,CBAM)的CNN卷积神经网络进行双分支特征提取,能够关注到肺炎图像不同层次的特征信息,将2种网络分支的特征进行不同维度的融合,最后输入全连接层进行分类判决。结果表明,该网络在正常肺部、病毒性肺炎、新型冠状病毒肺炎(COVID-19)X-ray图像组成的测试集上取得了95%的平均准确率。经过消融试验证明,该网络加入的可分离卷积模块、注意力模块和特征融合对减少网络参数、提高网络分类的准确率起到明显作用。与其他网络的性能对比也表明该网络在肺炎图像分类上表现出较高的准确率和较强的鲁棒性。

基于简化VGG模型的肺炎图像识别方法的研究

肺炎是一种广泛存在于全球的呼吸传染病,它会严重影响人们的生命和健康。因此,及时、准确地诊断肺炎对于预防和治疗疾病具有重要意义。目前,基于深度学习的肺炎图像识别方法已被广泛研究,并取得了较好的效果。本文提出了一种基于简化VGG模型的肺炎图像识别方法。该方法通过对VGG模型的简化,使得模型训练更快、耗费更少的资源,并且在准确率上并未大幅降低。实验结果表明,所设计的模型在训练时,每个epoch的训练时间大约为原VGG模型的1/3,同时,在测试数据集上的准确率也高达90%以上,表明该方法在肺炎图像识别方面具有很大的应用潜力。

基于注意力机制改进CNN的肺炎图像识别研究

肺炎X射线图像相似度较高、对比度低、且各种脏器重叠,导致病变区域并不突出。针对以上问题,对一种基于注意力机制改进卷积神经网络的肺炎图像识别方法进行研究。首先使用限制对比直方图均衡化(CLAHE)方法增强肺炎图像对比度,使得肺部更加突出。然后在卷积神经网络中加入注意力机制模块提高模型对肺炎区域特征提取的权重,抑制无关特征。实验在Chest X-Ray Images胸部X光影像数据集上进行,不仅实现了对数据集有无肺炎的识别,还实现了对肺炎类型的识别,判断是细菌性肺炎还是病毒性肺炎。识别准确率为90.57%,比未加入注意力机制的模型高出了8.20个百分点。实验表明加入注意力机制模块的卷积神经网络能够提高肺炎图像识别模型的性能。

基于深度学习的肺炎图像目标检测

肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查。肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难。深度学习能够模仿人脑的机制准确高效地解释医学图像数据,在肺炎图像检测方面获得了广泛应用。构建了3种基于深度学习的图像目标检测模型,单发多框探测器(SSD)、faster-RCNN和faster-RCNN优化模型,对来自Kaggle数据集的26 684张带标签的肺部X光图像进行研究。原始X光图像经预处理后输入3种深度学习模型,分别对单处和两处病灶区域进行目标检测。随机选取500张测试图像,利用损失函数、分类准确率、回归精度和误检病灶数等指标对各模型的性能进行评估。结果表明,faster-RCNN的性能指标优于SSD;Faster-RCNN优化模型的性能指标均优于其他两种模型,其损失函数值小且可快速达到稳定,平均分类准确率为93.7%,平均回归精度为79.8%,且误检病灶数为0。该方法有助于肺炎的准确识别和诊断。

基于深度神经网络的肺炎图像识别模型

当前的肺炎图像识别算法面临两个问题:一是肺炎特征提取器使用的迁移学习模型在源数据集与肺炎数据集上图像差异较大,所提取的特征不能很好地契合肺炎图像;二是算法使用的softmax分类器对高维特征处理能力不够强,在识别准确率上仍有提升的空间。针对这两个问题,提出了一种基于深度卷积神经网络的肺炎图像识别模型。首先使用ImageNet数据集训练好的GoogLeNet Inception V3网络模型进行特征提取;其次,增加了特征融合层,使用随机森林分类器进行分类预测。实验在Chest X-Ray Images肺炎标准数据集上进行。实验结果表明,该模型的识别准确率、敏感度、特异度的值分别达到96.77%、97.56%、94.26%。在识别准确率以及敏感度指标上,与经典的GoogLeNet Inception V3+Data Augmentation(GIV+DA)算法相比,所提模型分别提高了1.26、1.46个百分点,在特异度指标上已接近GIV+DA算法的最优结果。

基于改进VGG19卷积神经网络的肺炎图像分类(特邀)

将VGG19卷积神经网络与机器学习算法结合,构建了基于SVM(linear)和XGBoost的两种VGG19改进模型,并且分别利用VGG19模型和两种改进的VGG19模型对细菌性肺炎和病毒性肺炎图像进行分类。对三种网络模型的性能进行评估和比较,结果显示三种模型的平均准确率均在85.9%以上。改进的VGG19模型在准确率的稳定性方面优于传统VGG19模型,基于XGBoost的VGG19模型的综合性能最好,验证了深度学习模型结合机器学习模型的有效性。

融合改进CBAM机制和ResNet网络的肺炎CT图像分类研究

为快速准确地对正常肺部、普通肺炎、新冠病毒肺炎CT图像进行识别分类,提出了一种融合改进的卷积块注意力模块(convolutional block attention module,CBAM)机制和ResNet18网络的新模型。对CBAM中的多层感知机(multilayer perceptron,MLP)进行升维改进,放大肺部CT图像关键特征;以ResNet18作为基础模型,将改进的CBAM机制融入ResNet模块中,以加强对关键细节特征的提取,并将AlphaDropout和SeLU激活函数融入网络中,防止其网络的过拟合化,加速模型收敛效果。通过混淆矩阵计算得出模型的准确率、精确率、召回率、F1分数分别达到了99.33%、99.34%、99.33%和0.9845,相比改进前的ResNet18模型分别提高了4.23%、4.88%、4.20%、0.042,且均高于GoogLeNet、ResNet50和Xception对照模型。研究结果表明,改进的CBAM-ResNet18模型对肺部CT图像具有良好的识别结果。

基于DenseNet模型优化的新冠肺炎CT图像检测算法

提出了一种基于DenseNet模型优化的新冠肺炎CT图像检测算法。首先,分析并实现了ResNet、EfficientNet和DenseNet 3种网络模型,完成了在FlyAI平台上对新冠肺炎CT图像检测训练及分类任务。通过对技术原理、分类准确率等参量的分析和对比,表明DenseNet具有优越的自适应能力和分类能力。进一步针对该模型改用Focal Loss损失函数模型,在新冠肺炎CT图像数据集上的识别和分类达到94.57%的准确率,相比原来交叉熵损失函数下的模型,提升2.26%的精度,同时也高于其他检测方法,证明了所提算法的有效性。

基于卷积神经网络的新冠肺炎CT图像识别系统

新型冠状病毒肺炎具有以其传播速度快、传染率高的特点,使其成为全世界发病率和死亡率都极高的急性呼吸道传染病,肺部肺结节异常状态的正确识别和新冠肺炎是否感染的准确判别对于全世界医学发展与计算机算法逻辑都具有极其重要的发展意义。本项目所使用的卷积神经网络(CNN)就是通过计算机算法神经网络模拟大脑的学习分辨过程,先从识别图像数据基层初步提取特征,再用神经网络对基层特征进行概括与再聚合。系统以新冠肺炎CT图像为例,采用COVID-19 CHEST X-RAY DATABASE数据集,包含阳性1710张、阴性1345张。为提高检测精度采取了迁移学习的方法进行卷积神经网络的二次深度学习。通过实验得到,构建的模型可以完成是否患有新冠肺炎的分类判断,新冠患者CT影像的平均识别率可达92%,非新冠患者CT影像的平均识别率可达96%。

基于多目标神经网络架构搜索的COVID-19图像分类

COVID-19的流行在全球范围内造成巨大影响,对于这种突发的流行性疾病,如何有效和准确地对其诊断是后续医治的关键。近年来,基于卷积神经网络(Convolutional Neural Networks,CNN)的医学图像分类技术被广泛应用于COVID-19的诊断和识别。然而,针对特定问题设计出CNN网络架构,需要丰富的先验知识和高额的试错成本,影响CNN在实际问题中的适用性。因此,神经网络架构搜索(Neural Architecture Search,NAS)技术作为一种能够在特定数据集中自动搜索高性能网络架构的方法,已成为深度学习领域的一个热门研究领域。提出了一种基于多目标进化算法的神经网络架构搜索框架(MOEvoNAS),以分类准确率、召回率以及网络复杂度为优化目标,设计出轻量化、高性能的CNN,用于COVID-19计算机断层扫描图像的分类和识别。实验结果表明,相比于其他对比网络,所提出的MOEvoNAS在小型COVID-CT数据集以及更复杂的大型COVIDx-CT和COVIDx-CT 2A数据集上均表现出较好的性能。

引入抑制增长损失函数的肺炎目标检测

为提高对肺炎图像目标检测算法的平均精度,针对肺炎图像中病灶的轮廓模糊、通道单一的缺点,提出抑制增长损失函数(inhibition growth loss function,IG Loss)。根据损失函数数值的变化特征自适应调整其权值,使损失函数值随step增大的项得到增强,损失函数值随step减小的项不变,引入激活函数Mish代替ReLU,减少信息的丢失。实验结果表明,在没有增加时间开销的情况下,基于该抑制增长损失函数的Faster R-CNN和R-FCN算法的AP分别提升3.8%和2.8%,验证了该抑制增长损失函数的有效性。