基于细粒度的肺炎识别方法

[目的]针对肺炎识别案例中存在的数据集数量分配不均、数量少、类别间差异小等问题,提出一种基于卷积神经网络判别模块的肺炎识别方法.[方法]首先,将网络骨干设定为预训练的121层DenseNet网络,并冻结相关参数,以迁移学习的方式来解决数据量少的问题,再将网络的中间层定义一组额外的卷积滤波器,通过学习这组滤波器,可以捕获类别之间的高信号区域,而不需要额外的边框注释,以此解决肺炎识别中的类间样本差异小的问题.最后定义网络的损失函数为FocalLoss以解决数据集数量分配不均的问题.[结果]用提出的新方法在Chest-X-Ray Image数据集上进行实验.实验结果显示:该方法的准确率达到了95％,比传统的迁移学习准确率提升了10％,比未进行迁移学习的轻量级卷积神经网络的准确率则普遍提升了20％.[结论]该方法能够针对肺部X光片做出是否患有肺炎的判断,且定位出感染区域.