[发明专利]基于注意力机制的循环一致性对抗网络的肺炎检测方法

说明书

本发明提供了一种基于注意力机制的循环一致性对抗网络的肺炎检测方法，包括图像合成和图像检测步骤；合成模块由AttenCycleGAN构成，包括：随机数据增强单元、注意力引导合成的生成器和判别器；检测模块包括：自动数据增强单元、特征提取单元、基于注意力引导的数据增强单元、BAP特征融合单元；利用图像模型对肺炎X光射线进行合成以实现数据集的扩充：将正常的图像输入合成模块中，经生成器得到合成的肺炎X光射线图像，并增加到肺部医学原始图像得到扩充后的肺部医学数据集；然后输入至检测模块，得到最终的肺部X射线图像。本发明极大地提高了基于注意力卷积神经网络的肺炎X射线图像检测模型的性能，同时提高了肺炎检测的精度和效率。

技术领域

本发明涉及医学图像处理领域，尤其涉及一种基于注意力机制的循环一致性对抗网络的肺炎检测方法。

背景技术

生成对抗网络(GAN)因其合成图像的速度快、质量高等优点而被广泛用于小样本图像扩充中。循环一致性生成对抗网络(AttenCycleGAN)是改进GAN的一类，它很巧妙地将两个传统GAN进行镜像而得到一个循环一致性网络实现无配对图像情况下图像域间的转换，极大地降低了图像转换的门槛，其图像转换模式也成了无监督图像转换的一种范式。但因其是在无配对图像的情况下完成合成转换的，是无监督学习的过程，网络并不知道图像中的哪些区域要转换，索性将图像的每一部分都进行了合成。例如马的图像转换合成斑马的图像，如果马背上有一个人，有可能就会出现将人一起合成了“斑马”，得到的是“斑马人”的斑马图像。所述情况将会降低合成图像的质量和多样性。本发明通过在生成器中加入注意力网络，将图像的前景——“马”和背景——除了马之外的其他要素分离开来，并进行单独的合成，之后再将这两部分的合成图像进行融合得到最终的合成图像。添加注意力网络旨在最小化源域和目标域中整个图像的底层数据生成分布之间的差异，以寻求得到的合成图像越接近真实图像的分布。注意力加入图像翻译网络显著提高了翻译图像的质量。

基于注意力机制的计算机视觉会让系统学会注意力，根据信息权重去度量不同信息特征的重要性，可以解决检测样本间差异性小的问题。同时也可以很好地克服人工检测速度较慢、效率低且在检测的过程中容易出错的问题。但一个性能良好的深度学习模型是建立在大量的训练数据上的，即便在检测模型中加入了注意力机制以识别图像中可判别区域，但数据量比较少的时候也会降低模型准确性，甚至出现过拟合的情况。医学图像检测是分析医学图像的关键，其检测准确程度一定程度影响相关评估过程，所以如何较好的解决所述问题成为了医学图像分析的关键。

发明内容

本发明将视觉注意力机制引入到CycleGAN，充分利用两者的优势，不仅可解决小样本的检测问题，还能解决正常样本和非正常样本间的差异性小的问题，以提高医学图像检测准确率。

本发明属于基于计算机视觉技术的图像检测技术。利用计算机视觉模拟人类视觉的功能，从具体的实物进行采集图像的扩充、最终进行实际检测、控制和应用。本发明提出一种基于注意力机制的循环一致性对抗网络的肺炎检测方法(AXCGAN)，利用AttenCycleGAN和基于注意力指导的数据增强对原始图像进行扩充，大大地提高了检测模型的性能。

一种基于注意力机制的循环一致性对抗网络的肺炎检测方法，包括以下步骤：

S1：构建检测模型，所述检测模型包括：肺炎X光射线图像合成模块和肺炎X射线图像检测(XCCNN网络)模块；所述肺炎X光射线图像合成模块由基于注意力机制的循环一致性对抗网络(AttenCycleGAN)组成，包括随机数据增强模块、生成器(G_Ax和F_Ay)和判别器(Dx和Dy)；所述肺炎X射线图像检测(XCCNN)模块包括自动数据增强单元、特征提取单元、基于注意力引导的数据增强单元、BAP特征融合单元；

S2：利用检测模型实现对肺炎X光射线图像的检测：将肺部医学原始图像输入至肺炎X光射线图像合成模块，得到合成的肺炎X光射线图像，并增加到肺部医学原始图像得到扩充后的肺部医学数据集；