基于有效通道注意力EfficientNet的肝硬化识别

针对传统卷积神经网络模型复杂度高、参数量大,网络分类的精度和效率不佳等问题,提出一种应用于医学超声图像中肝硬化识别的深度学习方法(E-EfficientNet).在 Effi-cientNet网络模型中,将模块 MBConv 中的注意力机制 SENet 模块替换为一种不降维的ECANet模块,避免降维操作导致的特征信息缺失,增强通道学习能力并降低模型复杂度;将可变形卷积融入EfficientNet网络,利用可变形卷积核能够依据目标形态自适应调整变化的特点,充分学习图像细节,提升算法的泛化能力和特征提取能力;对有限样本进行数据增强,避免训练过程中出现过拟合,并使用Leaky ReLU作为激活函数保留图像负值特征信息,提高对肝硬化的识别效果.实验结果表明,该模型复杂度低,在肝硬化识别中准确率为98.9％.