基于轻量化方向Transformer模型的肺炎X光片辅助诊断

为满足轻量化卷积神经网络(CNN)对肺炎X光片中方向和语义信息提取的需求,提出一种基于轻量化方向Transformer的肺炎X光片辅助诊断模型。首先,构造CNN结合Transformer的密集连接架构,实现深浅层中局部和全局信息的结合;其次,设计方向卷积捕获不同大小、形状特征的空间和方向信息,并降低Transformer学习全局特征的计算复杂度;然后,为每个样本特征采用专门的卷积核,降低方向卷积参数量,并保持高效计算;最后,通过构造均衡聚焦损失函数来提高模型肺炎识别能力。在肺炎X光片数据集中,所提出模型以较低的模型参数量、计算量,以及较短的运行时间,获得了98.87%准确率和98.85%AUC值的最佳性能,在3个公共肺炎相关数据集中均获得较强的鲁棒性和较优的泛化能力。

基于密集双流聚焦网络的肺炎辅助诊断模型

X光片对肺炎疾病的诊断具有重要作用,但其成像时易受噪声污染,导致肺炎疾病的影像学特征不明显和病灶特征提取不充分。针对上述问题,提出密集双流聚焦网络DDSF-Net的肺炎辅助诊断模型。首先设计残差多尺度块,利用多尺度策略提高网络对医学影像中不同尺寸肺炎病灶的适应性,采用残差连接提高网络参数的传递效率;然后设计双流密集块,采用全局信息流和局部信息流并行结构的密集单元,其中Transformer对全局上下文语义信息进行学习,卷积层进行局部特征提取,利用密集连接方式实现两种信息流的深浅层特征融合;最后,设计具有中心注意操作和邻近插值操作的聚焦块,利用裁剪医学影像尺寸来过滤背景噪声信息,利用插值对医学图像进行放大,增强病灶的细节特征。在肺炎X光片数据集中与典型模型进行对比,本文模型的准确率、精确率、召回率、F1,AUC值和训练时间分别为98.12%,98.83%,99.29%,98.71%,97.71%和15729 s,准确率和AUC值较密集网络分别提升了4.89%和4.69%。DDSFNet能够有效缓解肺炎影像学特征不明显和病灶特征提取不充分的问题,通过热力图和三份公共数据集进一步验证了本文模型的有效性和鲁棒性。