注意力特征融合VGG-16网络的胸透病理识别方法

美国国立卫生研究院发布了一个名为“Chest-ray8”的胸部X光图像数据库，这些图像共标记八种类型的疾病。从临床图像中识别病理，开发人工智能辅助诊断系统，帮助医生识别病理一直是一项具有挑战性的任务，为更好地解决这一问题，本文提出注意力特征融合VGG-16网络的胸透病理识别方法。首先，X光图像通过VGG-16特征提取网络得到特征向量；然后，特征向量分别通过通道注意力机制得到不同通道加权系数的特征向量A、空间注意力机制得到不同区域系数的特征向量B，将特征向量A和特征向量B以及第一层卷积层输出的特征向量C进行向量拼接；最后将拼接的向量输入全连接层输出分类结果。实验结果证明，本方法实现多分类正确率达到75.94%，相比基线VGG-16高3.75%；和其他使用“Chest-ray8”数据库进行二分类病理识别方法相比，本文模型实现了病理的多分类问题。为深度学习技术应用于胸部X光不同病理的计算机辅助诊断系统提供了可行性。

胸透X 光(即X 光检查)作为放射学中最常见的检查，是检测和可视化身体器官异常的有效诊断工具， 全球每天都有大量人肺部患病或因肺部出现问题而死亡，需要对大量患者进行肺部检测，胸透X 光和胸部CT 是诊断相关问题的有效成像技术。深度学习技术提供了有用的分析来研究大量胸透X 光图像，开发计算机辅助诊断系统(Computer Aided Diagnosis, CAD)对协助临床医生做出正确的判断有重要意义[1] [2]。

国内外以卷积神经网络(Convolutional Neural Network, CNN)为主的深度学习技术已经广泛应用于医学图像处理领域，如先后提出的两份胸透X 光数据集“Chest-ray14”[3]和“Chest-ray8”[4]。许多研究已提出用深度学习模型以检测肺癌和其他肺部疾病。

Bharati [5]等人提出VDSNet 的新混合深度学习框架， 用于从X 射线图像中检测肺部疾病。Que [6]和周[7]等人通过迁移学习，从NIH Chest-ray8 中二分类识别心脏肥大病理；Aviel [8]和王[9]等人利用深度卷积神经网络对NIH Chest-ray8 中进行二分类气胸病理识别，相关研究证明了图像分类方法在医学领域上也能适用[10]。但主要研究均为单个病理的二分类问题， 没有实现多分类研究。为此，本文受Tammina [11]等人通过深度卷积网络和VGG-16 迁移进行图像分类的迁移学习、Woo [12]的卷积块注意模块思想、Sitaula [13]等人在VGG-16 网络上施加注意力机制方法实现COVID-19 胸部X 射线的图像分类方法、以及特征融合思想[14] [15] [16]的启发，提出了基于注意力特征融合VGG-16 网络的胸透病理识别方法。

本文的重要贡献和创新如下：