李 锵，武昱忻，关 欣，周 静

基于SRD感受野自调节的肺炎病灶检测

李 锵1，武昱忻1，关 欣1，周 静2

(1.天津大学微电子学院，天津 300072；2. 北京邮电大学国际学院，北京 100876)

随着深度学习的发展，采用卷积神经网络诊断肺炎的方法受到广泛关注，但对肺炎区域检测的研究还十分欠缺．现有方法的特征提取网络需要大量参数和计算，以及巨大的存储资源和算能，同时因其无法自动调节感受野的大小，导致难以适用于胸部X光片(chest X-ray，CXR)中病灶区域大小不一的问题．为解决这些问题，本文提出一种基于自调节密集网络(self-regulation DenseNet，SRD)的肺炎病灶检测方法．首先，设计了一种突出病灶技术对图像进行预处理，通过抑制肋骨区域排除肋骨干扰，并采用拉普拉斯变换锐化图像突出微弱病灶特征．其次，基于改进的RetinaNet网络对预处理后图像进行检测，其中特征提取网络采用本文提出的自调节密集网络结构SRD，来代替原RetinaNet中的特征提取网络ResNet．SRD结合密集连接和选择性核卷积的优势，具有参数量和计算量小、感受野可自适应调节的特点．最后，提出采用k-means++算法对数据集中的宽高信息进行聚类，选出具有代表性的先验框宽高比，代替RetinaNet中采取固定比例的先验框宽高比选取方法．在北美放射学会提供的CXR数据集上，与原RetinaNet算法相比，基于SRD-121的方法实现mAP提高0.4%，参数量减少52.2%，计算量减少51.8%．实验结果表明，本文提出的基于SRD感受野自调节的肺炎病灶检测方法具有参数量和计算量的减少及mAP提高的双重优势．

卷积神经网络；……