[发明专利]一种基于通道注意力残差网络的肺炎图像检测系统及方法

权利要求书

1.一种基于通道注意力残差网络的肺炎图像检测方法，其特征在于，所述基于通道注意力残差网络的肺炎图像检测方法包括：

将深度学习技术与医学影像-胸部X光片相结合，将预训练好的ResNet模型权重和参数迁移到残差网络模型，从通道维度将ECA注意力模块引入残差结构，构建基于通道注意力的残差网络模型ECA-XNet，用于从胸部X光片中检测肺炎；

使用ECA-XNet网络进行肺炎检测，有选择的强调胸片中重要的所含信息丰富的特征，并抑制胸片中无关噪声干扰；选用的分类网络是通过迁移学习进行预训练的ECA-XNet网络，用两个神经元替换最后一个全连接层，每个神经元使用Sigmoid激活。

2.如权利要求1所述的基于通道注意力残差网络的肺炎图像检测方法，其特征在于，所述深度迁移学习，包括：采用预训练好的网络结构和网络参数，在新任务训练时加载该模型；使用ImageNet数据集作为源域进行迁移训练，将ImageNet数据集上预训练好的ResNet模型权重和参数迁移到所述模型。

3.如权利要求1所述的基于通道注意力残差网络的肺炎图像检测方法，其特征在于，所述ResNet，包括：ResNet在普通网络前向传播基础上增加了跃层连接，残差块分为两部分，即恒等映射部分和残差部分，残差块表示为：

X_l+1＝F(X_l,W_l)+h(X_l)；

其中，F(X_l,W_l)代表残差映射，h(X_l)代表恒等映射部分，X_l代表网络中第l层残差块的输入，X_l+1代表残差单元的输出；当X_l与F维度相同时候，h(X_l)＝X_l，否则，需要进行升维或降维，即h(X_l)＝W_l'X_l。

4.如权利要求1所述的基于通道注意力残差网络的肺炎图像检测方法，其特征在于，所述通道注意力残差网络模型，包括：

ECA通过1D卷积完成的跨信道的信息交互，卷积核大小通过一个函数来自适应确定；将ECA模块引入高效的残差网络中用于肺炎疾病的检测；

ECA-XNet网络将ECA模块插入到残差模块后；ECA首先要进行挤压操作，使用全局平均池化(GAP)顺着空间维度进行特征压缩，将H×W×C的输入特征转换成1×1×C的输出，用于收集残差通道间的统计信息；对于残差通道统计量中第c个单元计算如下：

其中，u_c^res∈U^res，U^res＝[u₁^res,u₂^res,...,u_C^res]是残差模块对X_l降维后输出的特征图，c是残差映射的通道数，H,W代表通道高和宽，激活重新缩放残差特征图U获得。