胸部疾病高发,且有些疾病种类的癌症转变率很高,因此基于卷积神经网络的胸部X光图像疾病自动检测分类方法是计算机辅助诊断的研究热点之一.然而,目前的自动分类方法仍面临胸部病灶的X光图像特异性特征表达不充分、不同胸部疾病发病率不...胸部疾病高发,且有些疾病种类的癌症转变率很高,因此基于卷积神经网络的胸部X光图像疾病自动检测分类方法是计算机辅助诊断的研究热点之一.然而,目前的自动分类方法仍面临胸部病灶的X光图像特异性特征表达不充分、不同胸部疾病发病率不平衡、卷积神经网络参数量过大等问题.针对上述问题,提出了一种端到端的基于八度卷积的ResNet(octave convolution based residual network,OC-ResNet)结构.首先,利用八度卷积改进ResNet中的普通卷积,将高低频特征分离,增强对高频信息的提取,以更好地表达胸部病灶的特异性特征,降低模型计算复杂度.其次,利用渐进式迁移学习,将OC-ResNet在ImageNet数据集进行预训练,获得网络的初始参数,然后固定网络浅层参数,在ChestX-Ray14数据集上微调网络深层参数.最后,为改善样本不平衡问题,网络训练时,采用了焦点损失函数,增加样本数较少类别的权重.在ChestX-Ray14数据集上的实验结果表明,OC-ResNet对14种胸部疾病分类的平均AUC值达到0.856,与目前先进的深度学习方法相比,其中13种疾病分类的AUC值达到最优,同时,计算复杂度相比基础网络降低了44.77%.展开更多
文摘胸部疾病高发,且有些疾病种类的癌症转变率很高,因此基于卷积神经网络的胸部X光图像疾病自动检测分类方法是计算机辅助诊断的研究热点之一.然而,目前的自动分类方法仍面临胸部病灶的X光图像特异性特征表达不充分、不同胸部疾病发病率不平衡、卷积神经网络参数量过大等问题.针对上述问题,提出了一种端到端的基于八度卷积的ResNet(octave convolution based residual network,OC-ResNet)结构.首先,利用八度卷积改进ResNet中的普通卷积,将高低频特征分离,增强对高频信息的提取,以更好地表达胸部病灶的特异性特征,降低模型计算复杂度.其次,利用渐进式迁移学习,将OC-ResNet在ImageNet数据集进行预训练,获得网络的初始参数,然后固定网络浅层参数,在ChestX-Ray14数据集上微调网络深层参数.最后,为改善样本不平衡问题,网络训练时,采用了焦点损失函数,增加样本数较少类别的权重.在ChestX-Ray14数据集上的实验结果表明,OC-ResNet对14种胸部疾病分类的平均AUC值达到0.856,与目前先进的深度学习方法相比,其中13种疾病分类的AUC值达到最优,同时,计算复杂度相比基础网络降低了44.77%.
