基于原始肺音的端到端深度学习肺炎辅助诊断

摘要

提出一种基于双路径不同卷积核的DCL-Net的端到端肺炎辅助诊断方法。该方法无需进行特征工程，将原始肺音信号直接输入模型，利用卷积核分别为1*3和1*5的双路径卷积网络，每个路径包含3个残差块，以便模型自动学习肺音信号不同尺度的特征，同时避免模型退化问题。为验证端到端方法的性能，将其与信号分析领域常用的梅尔倒谱图、短时傅里叶变换和小波变换这3种特征提取方法进行比较。结果显示，四分类任务（正常、普通、病重、病危）诊断准确率为61.4%，相比3种特征工程方法分别提高1.6%、5.0%和3.7%；二分类任务（正常、异常）诊断准确率为89.7%，相比3种特征工程方法分别提高11.0%、5.1%和11.2%。实验结果表明该方法可为肺炎病情评估提供更有效的诊断工具。

关键词

原始肺音 / 肺炎 / 智能辅助诊断 / 端到端学习 / DCL-Net