huxiaowan / graduation-project

This is my graduation project including the source code and paper,which is named Differential recognition of lesions in thoracic X-ray images based on deep learning。

Graduation-Project

This is my graduation project including the source code and paper,which is named Differential recognition of lesions in thoracic X-ray images based on deep learning。

医学X光图像是一种根据不同组织对X射线的不同吸收程度来反映人体内部结构的成像方式，可以显示多种复杂的病理特征，是目前最常用的放射学检查手段之一。本文研究的胸部X光图像主要用于检测多种常见胸肺部疾病，但与传统的图像分类相比，X光图像在灰度值上的对比度很小，小的病理区域很难被发现，而成像过程中所引起的伪影和畸变很容易淹没临床特征，这给胸部X光图像的疾病检测带来了许多困难。 在胸部X光图像分类上，目前仅使用某种单独的学习策略通常不足以训练参数量大、层数多的复杂深度网络，限制了网络训练速度以及分类效果的提升。因此，本文利用深度学习技术，提出了一种基于双通道分离网络（Dual Channel Split Network，DCSN）的胸部病变的差异性识别方法。该方法在特征提取过程中，舍弃了单网络结构，而是将输入图像进行多个网络的并行处理，在通道方向上将特征图分离，使其分别通过上下分支的不同网络进行特征学习，并最终将双通道的输出进行融合，用于分类和定位任务。本文提出的网络模型不仅能有效缓解深层模型的负担，同时证实了不同分支的信息共享和集成策略有助于改善网络信息流，加速网络收敛。此外，本文对该网络的性能与多种胸部疾病分类算法进行比较，验证了本文所提出的双通道分离网络框架在十四种胸部疾病的识别任务中，得到的AUC（Area Under Curve）分数更高，表明该网络对胸部病变的识别准确率更高，同时在可视化任务中可以对疾病位置完成较为精准的定位，可作为一种高效的医疗辅助手段，为放射科医生提供可靠的诊断参考。