基于级联特征正交融合网络的小儿肺炎分类

为提高儿童肺炎的临床诊断准确率,进一步为肺炎治疗精准用药提供依据,本研究提出了一个级联的特征正交融合网络模型对小儿胸片图像进行自动分类,将预处理的图像输入到网络A用来诊断是否患肺炎,然后将网络A的输出作为网络B的输入,判断肺炎的病原体类型.网络A和网络B均以深度残差网络(ResNeXt-50)为基础网络,首先将压缩-激励模块(squeeze-and-excitation networks,SE-Net)融合到ResNeXt-50中,然后利用空洞卷积获取多尺度特征,并通过自注意力机制获得网络中具有代表性的局部特征,从局部特征中提取与全局特征正交的分量.最后将正交分量与全局特征进行融合,形成最终的特征表征并完成分类.实验结果表明,该模型在二分类模型的分类准确率达到97.78％,在三分类的准确率达到85.13％.该模型具有良好的分类效果,可帮助医生实现对儿童肺炎快速有效的临床诊断.