[发明专利]可自适应调节感受野大小的肺炎图片检定装置与方法

权利要求书

1.一种可自适应调节感受野大小的肺炎图片检定装置，其特征是，包括X光机和计算机，X光机拍摄的图片输入计算机，计算机包括特征提取网络处理模块、特征金字塔模块、分类子分支和回归子分支模块；ResNet50和ResNet101分别与选择性核卷积结合形成SK-ResNet50和SK-ResNet101作为特征提取网络，ResNet50是50层的残差网络，ResNet101是101层的残差网络；所提取的特征输入特征金字塔模块进行处理，特征金字塔输出特征图；分类子分支模块为全卷积神经网络FCN模块，连接在特征金字塔网络输出的每个特征图上，输出预测框的检测分数；回归子分支模块也是全卷积神经网络FCN模块，也连接在特征金字塔网络输出的每个特征图上，输出预测框的位置，预测框是预测出的肺炎病灶区域。

2.一种可自适应调节感受野大小的肺炎图片检定方法，其特征是，建立选择性核卷积视网膜网络SK-RetinaNet，该网络包括三个部分：SK-ResNet、特征金字塔网络和子分支；其中SK-ResNet是在残差网络ResNet基础上残差块里加入自适应调整感受野大小的SK单元作为特征提取网络；特征金字塔网络的作用是利用SK-ResNet每层输出的特征图由上至下构建多尺度特征图集合；子分支由分类子分支和回归子分支构成，分类子分支是一个全卷积神经网络FCN，连接在特征金字塔网络输出的每个特征图上，回归子分支也连接在特征金字塔网络输出的每个特征图上，分类子分支和回归子分支实现在多个尺度上的检测与定位任务。

3.如权利要求2所述的可自适应调节感受野大小的肺炎图片检定方法，其特征是，以SK-ResNet50为特征提取网络检测所得结果和以SK-ResNet101为特征提取网络检测所得结果融合，检测结果包括预测框的左上角坐标和右下角坐标，以及该预测框的检测分数，融合方法为分别检测完成后，以检测分数作为权重，调整两模型检测的结果框的左上角点坐标和右下角点坐标。

4.如权利要求2所述的可自适应调节感受野大小的肺炎图片检定方法，其特征是，具体步骤：

将以SK-ResNet50和SK-ResNet101分别为特征提取网络检测所得结果融合。检测结果包括预测框的左上角坐标和右下角坐标，以及该预测框的检测分数。融合方法为分别检测完成后，以检测分数作为权重，调整两模型检测的结果框的左上角点坐标和右下角点坐标，对于左上角点横坐标为例，融合方法如式(7)所示：

其中t_lx为预测框左上角点横坐标，s₁为以SK-ResNet50为特征提取网络时的检测分数，s₂为以SK-ResNet101为特征提取网络时的检测分数，T_lx为融合后的左上角点横坐标；

右下角点横坐标为例，融合方法如式(8)所示：

其中t_rx1、s₃分别为以SK-ResNet50为特征提取网络时预测框右下角点横坐标和检测分数，t_rx2、s₄分别为以SK-ResNet101为特征提取网络时预测框右下角点横坐标和检测分数，T_rx为融合后的右下角点横坐标。

5.如权利要求4所述的可自适应调节感受野大小的肺炎图片检定方法，其特征是，SK单元包含三个操作：切片，融合和选择：

首先是第一个操作：切片，X是维度为(H′×W′×C′)的特征图，由不同的卷积核扩展到两个分支，两个操作分别为并且卷积后带有BN批标准化和ReLU激活函数；

其次是第二个操作：融合，对得到的两个特征图进行像素相加：

然后进行全局平均池化：

s∈R^C,得到一个一维的特征图，这个特征图具有全局的感受野，接着是使用一个全连接层进行一个非线性变换来降低维度：

式中，δ代表ReLU激活函数，β代表BN批标准化，W∈R^d×C，为了研究d对模型效率的影响，使用减小比率r去控制它的值：

其中L代表d的最小值；

最后是第三个操作：选择，首先对z进行一个进行一个softmax操作：

式中A,B∈R^C×d,A_c∈R^1×d是A的第c个通道的特征图，a_c是a的第c个元素。两个分支中B是冗余矩阵，因为a_c+b_c＝1。最终的特征图V由下式获得：

SK-RetinaNet中，切片操作中的不同大小的卷积核卷积得到的神经元的感受野不同，根据输入的目标大小不同自适应地调节感受野大小；另一方面，SK中的融合操作能够实现在不过多增加训练参数的情况下，根据不同通道的重要程度自动训练每个特征通道的权重，以达到更精确的结果。