基于改进型MobileNetV3的新冠肺炎X-Ray图像识别方法技术

本发明专利技术公开了一种基于改进型MobileNetV3的新冠肺炎X

【技术实现步骤摘要】
基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法


[0001]本专利技术涉及医学影像识别领域，具体涉及一种基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法。

技术介绍

[0002]目前主要的新冠肺炎检测方法是采用RT
‑
PCR方法在采集的呼吸道样本中检测是否存在新型冠状病毒核酸，这种核酸检测方法会受到样本采集的质量、内外源性干扰物的影响出现“假阴性”或“假阳性”，对检测人员、检测环境以及试剂质量都有较高的要求。鉴于核酸检测的弊端，将核酸检测和影像学检测结合进行综合判断，能够提高新冠肺炎检测的准确性。胸部X线(chest X
‑
Ray)和计算机断层扫描(CT)是适用于新冠肺炎诊断的两种医学影像技术。与CT相比较， X线成像操作更简便，在有效观察到新冠肺炎病变特征的前提下，对设备与检测环境的要求更低，更适合作为基层医院进行新冠病例大规模筛查中的辅诊手段。
[0003]人工对X
‑
Ray图像进行判断筛查需要耗费较多的精力与时间，在面对大量的样本时，容易出现误诊。采用智能识别的方式对X
‑
Ray图像进行筛查，能够提高检测的效率。现有技术中，对于新冠肺炎X
‑
Ray图像的识别模型难以兼顾高准确率与高效率，面对大规模的病例筛查，亟待出现更快速更准确的检测方法。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，用以克服目前针对新冠肺炎X
‑
Ray图像智能识别方法难以兼顾高准确率与高效率的问题。
[0005]为了实现上述目的，本专利技术所提出的技术方案如下：
[0006]一种基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，包括：
[0007]获取待识别X
‑
Ray图像，将其输入到训练好的新冠肺炎图像识别模型中，得到X
‑
Ray图像所属的类别；
[0008]所述新冠肺炎图像识别模型采用轻量级网络MobileNetV3
‑
small作为主干网络，并构建加权通道筛选模块，基于注意力机制与加权式通道丢弃方法，实现对输入的特征图在通道上的特征增强：将加权通道筛选模块与主干网络进行结合，加权通道筛选模块首先对来自MobileNetV3
‑
small的输入特征图进行高维与低维通道特征权重的提取，并重新分配各特征通道的分数；然后，采取加权随机抽样的策略生成高维与低维特征通道的掩膜，将高维、低维的权重融合，并利用掩膜对融合后的权重进行通道筛选；最后，将融合后的权重赋给输入特征图。
[0009]进一步地，所述新冠肺炎图像识别模型，是基于MobileNetV3
‑
small原有的框架，在MobileNetV3
‑
small中11层的bottleneck之后的1
×
1卷积层与平均池化层之间插入加权通道筛选模块，并对添加了加权通道筛选模块的MobileNetV3
‑ꢀ
small进行训练后得到。
[0010]进一步地，所述加权通道筛选模块对输入特征图的处理过程包括：
[0011]通过全局平均池化为输入特征图的每个通道分配初步的分数；
[0012]通过对包含C个通道的输入特征图，首先进行降维操作，将输入特征图的C 个通道压缩成C/r个通道，获得低维通道权重；对低维通道权重加入非线性后；再通过升维操作，将C/r个通道再次拉伸为C个通道，获得高维通道权重；其中 r为压缩倍数；
[0013]采取加权随机抽样的策略生成通道的掩膜，以进行通道的筛选，每个通道被选择的概率由其权重决定；
[0014]根据降维所获取的低维通道权重与升维所获得的高维通道权重，分别生成高维掩膜与低维掩膜，再通过拼接权重，将高维特征与低维特征融合；掩膜也以同样的方式进行拼接后，作用在权重上，进而将权重赋给扩维后的特征图，实现融合高、低维度特征信息加权的通道筛选，达到特征增强的目的。
[0015]进一步地，所述通过全局平均池化为输入特征图的每个通道分配初步的分数，包括：
[0016]设输入特征图F∈R
H
×
W
×
C
，输出的分数S∈R
C
，其中R表示实数域；全局平均池化操作可描述为公式：
[0017][0018]式中H为特征图长度，W为特征图宽度，C为通道数量，S
C
为第C个通道的分数，F
C
为输入特征图的第C个通道特征图，Fc(i,j)指的是第C个通道特征图中第i行第j列的像素值。
[0019]进一步地，所述低维通道权重、高维通道权重表示如下：
[0020]设降维后的通道权重为W1∈R
C/r
，升维后的通道权重为W2∈R
C
，降维与升维操作可描述为：
[0021]W1＝δ(Conv1(S))
[0022]W2＝Conv2(W1)
[0023]式中S为输入特征图的所有C个通道的分数集合，Conv1和Conv2为两个 1x1卷积，Conv1为降维操作，将输入的通道数量C压缩r倍；δ为ReLU激活函数，Conv2是升维操作，将大小为C/r的通道数重新拉伸成C。
[0024]进一步地，所述采取加权随机抽样的策略生成通道的掩膜，以进行通道的筛选，每个通道被选择的概率由其权重决定，包括：
[0025]①
对输入特征图的C个通道，分别生成一个随机数u
i
∈(0,1)，计算每个通道的特征值其中，w
i
表示低维通道权重W1或高维通道权重W2中，第 i个通道的权重；
[0026]②
设定通道保留比例α∈(0,1)，取M＝C
·
α个通道放入一个集合中，并计算出该集合中所有通道的特征值中的最小值k
min
；
[0027]③
将集合外C
‑
M个通道的特征值分别与k
min
进行比较，当集合外的第j个通道的特征值k
j
大于k
min
时，便将k
j
对应的通道放入集合，k
min
对应的通道从集合中取出，再重新计算集合中的k
min
，此操作直至C
‑
M个通道都进行了特征值比较后结束；
[0028]④
步骤
③
选出了特征值最大的前M个通道，将这M个通道对应的掩膜设为 1，剩下的C
‑
M个通道对应的掩膜设为0，mask＝1代表该通道被选择，mask＝0 代表该通道被忽略。
[0029]进一步地，所述实现融合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，其特征在于，包括：获取待识别X
‑
Ray图像，将其输入到训练好的新冠肺炎图像识别模型中，得到X
‑
Ray图像所属的类别；所述新冠肺炎图像识别模型采用轻量级网络MobileNetV3
‑
small作为主干网络，并构建加权通道筛选模块，基于注意力机制与加权式通道丢弃方法，实现对输入的特征图在通道上的特征增强：将加权通道筛选模块与主干网络进行结合，加权通道筛选模块首先对来自MobileNetV3
‑
small的输入特征图进行高维与低维通道特征权重的提取，并重新分配各特征通道的分数；然后，采取加权随机抽样的策略生成高维与低维特征通道的掩膜，将高维、低维的权重融合，并利用掩膜对融合后的权重进行通道筛选；最后，将融合后的权重赋给输入特征图。2.根据权利要求1所述的基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，其特征在于，所述新冠肺炎图像识别模型，是基于MobileNetV3
‑
small原有的框架，在MobileNetV3
‑
small中11层的bottleneck之后的1
×
1卷积层与平均池化层之间插入加权通道筛选模块，并对添加了加权通道筛选模块的MobileNetV3
‑
small进行训练后得到。3.根据权利要求1所述的基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，其特征在于，所述加权通道筛选模块对输入特征图的处理过程包括：通过全局平均池化为输入特征图的每个通道分配初步的分数；通过对包含C个通道的输入特征图，首先进行降维操作，将输入特征图的C个通道压缩成C/r个通道，获得低维通道权重；对低维通道权重加入非线性后；再通过升维操作，将C/r个通道再次拉伸为C个通道，获得高维通道权重；其中r为压缩倍数；采取加权随机抽样的策略生成通道的掩膜，以进行通道的筛选，每个通道被选择的概率由其权重决定；根据降维所获取的低维通道权重与升维所获得的高维通道权重，分别生成高维掩膜与低维掩膜，再通过拼接权重，将高维特征与低维特征融合；掩膜也以同样的方式进行拼接后，作用在权重上，进而将权重赋给扩维后的特征图，实现融合高、低维度特征信息加权的通道筛选，达到特征增强的目的。4.根据权利要求3所述的基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，其特征在于，所述通过全局平均池化为输入特征图的每个通道分配初步的分数，包括：设输入特征图F∈R
H
×
W
×
C
，输出的分数S∈R
C
，其中R表示实数域；全局平均池化操作可描述为公式：式中H为特征图长度，W为特征图宽度，C为通道数量，S
C
为第C个通道的分数，F
C
为输入特征图的第C个通道特征图，Fc(i,j)指的是第C个通道特征图中第i行第j列的像素值。5.根据权利要求3所述的基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，其特征在于，所述低维通道权重、高维通道权重表示如下：设降维后的通道权重为W1∈R
C/r
，升维后的通道权重为W2∈R
C
，降维与升维操作可描述为：W1＝δ(Conv1(S))
W2＝Conv2(W1)式中S为输入特征图的所有C个通道的分数集合，Conv1和Conv2为两个1x1卷积，Conv1为降维操作，将输入的通道数量C压缩r倍；δ为ReLU激活函数，Conv2是升维操作，将大小为C/r的通道数重新拉伸成C。6.根据权利要求3所述的基于改进型MobileNetV3的新冠肺炎X
‑
Ray图像识别方法，其特征在于，所述采取加权随机抽样的策略生成通道的掩膜，以进行通道的筛选，每个通道被选择的...

【专利技术属性】
技术研发人员：潘晴，彭心睿，田妮莉，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：