基于改进焦点损失与图像特征融合的CT图像分类方法

摘要

【目的】针对医学图像临床应用场景下样本类别失衡问题，提出一种以混合交叉注意力为核心的双分支特征融合网络。【方法】在网络输入端对输入图像进行特征融合与重要性评分，促使模型聚焦提取感兴趣区域，缓解图像前景与背景的失衡，并且提出一种用于二分类任务的改进焦点损失函数，该损失函数利用三次幂函数的中心对称特性，通过改进焦点损失加权因子，优化错误分类惩罚项的同时减少超参数的引入；其次，针对样本数量不足问题，采用针对CT图像的数据增强方法与样本替换策略，有效提升可用样本数。【结果】在公开数据集与真实医学临床数据集上的实验结果表明，改进的焦点损失提高了分类模型稳定性，所提方法能够在门静脉高压患者术前筛选任务中取得超过82%的正确率，在多个公共数据集中也可稳定提升任务表现。

关键词

类不平衡 / 特征融合 / 改进焦点损失 / 医学图像 / 数据增强