基于ResNet与分离注意力机制的肺部超声图像分类系统设计

目的为解决传统的深度学习模型在处理具有多样性图像质量和微妙病变区域差异的肺部超声图像方面性能不佳的问题,设计一种基于残差网络(Residual Network,ResNet)与分离注意力机制的肺部超声图像分类系统。方法采用ResNet152作为基础模型,结合分离注意力机制,通过对肺部超声图像进行预处理、数据增强和标准化处理,以提高模型的特征提取和分类能力。模型首先通过ResNet152进行深度特征提取,随后在各层引入分离注意力机制,增强模型对重要图像特征的关注,从而提高分类性能。结果实验结果表明,优化后模型与原始模型相比,分类准确度在A线、B线、胸腔积液和肺实变上分别提升了0.51%、0.95%、14.17%和6.29%。通过消融实验,当同时使用Mish函数和分离注意力机制时,混合模型达到了97.92%的准确度。结论本文提出的融合ResNet与分离注意力机制的肺部超声图像分类系统模型可为临床超声诊断提供较高的参考价值。