基于DenseNet的儿童肺炎识别与多分类研究

摘要

针对儿童肺炎影像难以诊断的问题，提出一种基于DenseNet算法改进的儿童肺炎诊断模型，以提高诊断准确率。以DenseNet网络为基础模型融合空间和信道重构卷积，利用特征之间的空间和信道冗余对卷积神经网络进行压缩，提高推理效率。将空间组智能增强模块嵌入网络，利用注意力掩码对不同位置的特征向量进行缩放调整，从而提高各组特征在空间维度上的鲁棒性。同时，增大网络前期卷积核和池化核，提高模型的表达能力。引入A²-Nets双重注意力网络，通过高效的特征聚合与传播机制，显著提升图像识别性能。实验结果表明，提出的方法取得显著的效果，在正常和肺炎的二分类准确率为97.8%；在细菌性和病毒性肺炎的二分类实验中达到82.3%的准确率；在正常、细菌性肺炎和病毒性肺炎三分类中取得83.1%的准确率。

关键词

图像分类 / 医学图像处理 / 儿童肺炎 / 空间和信道重构卷积 / 空间组智能增强