基于空间通道挤压激励模块的肝硬化识别

王 倩，赵希梅，2

（1.青岛大学 计算机科学技术学院，山东 青岛 266071；2.山东省数字医学与计算机辅助手术重点实验室，山东 青岛 266071）

0 概述

目前肝硬化已成为常见的慢性疾病之一。在肝硬化临床诊断中，医生通常采用超声影像技术扫描患者肝脏病变区域获得超声影像［1］，再对其进行肉眼诊断［2］，由此得到的诊断结果具有较高的主观性和较低的可靠性。随着数字医疗设备、计算机图像处理［3］以及深度学习技术的深入发展，应用于医学图像识别分析的计算机辅助诊断［4］技术为肝脏疾病诊断提供了新方向，对肝硬化的识别研究具有重要的临床意义。

计算机辅助诊断技术对肝硬化的识别研究主要分传统机器学习［5］和深度学习［6］两种。在传统机器学习方面，文献［7］采用机器学习算法对慢性肝病进行降维处理，并结合神经网络，构建了一种有效的慢性肝病预测模型。文献［8］基于超限学习机训练方法提出一种改进的LBP算法，并结合二维Gabor变换方法得到95.4%的肝硬化识别率。在深度学习方面，文献［9］提出了一种基于局部二值模式特征提取和稀疏表示的肝病识别算法，取得了良好的效果。文献［10］采用基于中值滤波的图像去噪算法和直方图均衡化图像增强算法对数据库进行预处理，再以卷积神经网络CaffeNet 为主要框架进行识别，对肝脏病灶识别平均准确率达到96.67%。

在肝脏图像研究领域，基于深度学习的识别方法已得到广泛应用，并取得较多研究成果［11］。但是由于医学图像的特殊性，卷积神经网络的特征信息读取能力和识别分类精度仍受到限制，且随网络深度的不断增加，模型的运行效率逐步降低。……