基于深度学习的胸部常见病变诊断方法

摘要

胸透X射线广泛应用于多种胸部常见病变的筛查任务,由于不同类型的胸科疾病在病理形态、大小、位置等方面往往具有多样性以及较大的差异性,且疾病样本具有比例不平衡等问题,导致难以通过深度学习技术来检测并定位胸部疾病区域.针对该问题,提出一种基于深度学习的胸部疾病诊断算法.通过压缩激励模块实现自适应特征重标定,以提高网络的细粒度分类能力.采用全局最大-平均池化层增强网络病理特征的空间映射能力,使用焦点损失函数降低简单易分类样本的权重,使得模型在训练时更专注易错分样本的学习.在此基础上,通过梯度加权类激活映射实现弱监督病变区域的可视化定位,为网络预测结果提供相应的视觉解释.在ChestX-Ray14官方数据划分标准下进行训练与评估,结果表明,该算法对14种常见胸部疾病的诊断效果较好,平均AUC值达到0.83.