基于DenseNet_ECA的儿童异常胸片筛查

胸片是筛查儿童肺部异常最常见、最容易获得的低成本成像方式。然而,在部分医疗资源匮乏地区,由于有经验的放射科医生数量稀少,导致胸片的解读效率低下,易造成对肺部异常患儿的漏诊、误诊。因此以儿童健康及异常胸片为研究对象,通过使用ECA注意力机制及PReLU激活函数对DenseNet进行改进,提出一种用于儿童异常胸片筛查任务的DenseNet_ECA模型。实验结果表明,上述模型对于儿童健康、异常胸片的分类效果优于常用卷积神经网络模型,分类准确率、灵敏度、特异性分别可达93.57%,91.47%,95.83%,参数量仅为6.96M。上述模型能够帮助医生进行儿童异常胸片的预先筛查,可有效降低临床阅片压力,提高医生诊断效率。