针对目前胸部X光图像分类方法存在X光特异性特征表达不充分、高频图像特征提取效果差、疾病样本数量不平衡等问题,提出一种基于改进ResNet的多标签胸部X光图像分类方法(multi-label chest X-ray image classification based on improved...
详细信息
针对目前胸部X光图像分类方法存在X光特异性特征表达不充分、高频图像特征提取效果差、疾病样本数量不平衡等问题,提出一种基于改进ResNet的多标签胸部X光图像分类方法(multi-label chest X-ray image classification based on improved ResNet, MLC-ResNet)。首先,设计一个多尺度特征提取和融合模块,以获取更丰富的特征信息;其次,将八度卷积替换为残差结构中的普通卷积,解决X光特异性特征表达不充分问题;再次,为改善高频特征提取效果,在ResNet中引入改进后的多层感知器(multilayer perception, MLP),更好地揭示图像的细节和整体结构,增加分类性能;最后,使用加权交叉熵损失函数增加样本数较少的类别权重,改善样本分布不平衡问题。在ChestX-Ray14和CheXpert数据集上进行实验测试,其平均AUC分别是0.858 7和0.844 7,相较于ResNet分类算法分别提高了4.47%和3.20%。通过与现有方法的对比实验,进一步证明MLC-ResNet模型具有更好的性能。
暂无评论