AMFP-net: Adaptives Multi-Scale-Feature-Pyramidenetzwerk zur Diagnose von Pneumokoniose anhand von Röntgenbildern des Brustkorbs

Die frühzeitige Erkennung von Pneumokoniose durch routinemäßige Gesundheitsuntersuchungen von Arbeitern in der Bergbauindustrie ist entscheidend, um das Fortschreiten dieser unheilbaren Krankheit zu verhindern. Die automatisierte Klassifikation von Pneumokoniose in Röntgenbildern des Brustkorbs ist herausfordernd aufgrund des geringen Kontrasts der Opazitäten, der Ähnlichkeit zwischen den Klassen, der Variation innerhalb der Klassen und dem Vorhandensein von Artefakten. Im Vergleich zu traditionellen Methoden haben Convolutional Neural Networks signifikante Verbesserungen bei den Klassifikationsaufgaben zur Pneumokoniose gezeigt, dennoch bleibt die genaue Klassifikation aufgrund der Unfähigkeit, sich auf semantisch bedeutungsvolle Läsionsopazitäten zu konzentrieren, herausfordernd. Die meisten bestehenden Netzwerke konzentrieren sich auf abstrahierte Informationen auf hoher Ebene und ignorieren detaillierte Objektinformationen auf niedriger Ebene. Im Gegensatz zu natürlichen Bildern, in denen ein Objekt großen Raum einnimmt, hängt die Klassifikation von Pneumokoniose von der Dichte kleiner Opazitäten in der Lunge ab. Um dieses Problem anzugehen, schlagen wir ein neuartiges zweistufiges adaptives Multi-Scale-Feature-Pyramidenetzwerk namens AMFP-Net vor, um Pneumokoniose aus Röntgenbildern des Brustkorbs zu diagnostizieren. Das vorgeschlagene Modell besteht aus 1) einem adaptiven Multi-Scale-Kontextblock zur Extraktion reichhaltiger kontextueller und diskriminierender Informationen und 2) einem gewichteten Merkmalsfusionmodul, um effektiv detaillierte Informationen auf niedriger Ebene mit globalen semantischen Informationen auf hoher Ebene zu kombinieren. Dieses zweistufige Netzwerk segmentiert zunächst die Lungen, um sich stärker auf relevante Bereiche zu konzentrieren, indem es irrelevante Teile des Bildes ausschließt, und nutzt dann die segmentierten Lungen, um Pneumokoniose in verschiedene Kategorien zu klassifizieren. Umfassende Experimente an öffentlichen und privaten Datensätzen zeigen, dass der vorgeschlagene Ansatz in der Lage ist, die aktuellen Methoden sowohl in der Segmentierung als auch in der Klassifikation zu übertreffen.