《基于通道注意力与空洞卷积的胸片肺气肿检测算法》论文解析

《基于通道注意力与空洞卷积的胸片肺气肿检测算法_李策》

论文核心背景与问题聚焦

肺气肿作为一种高发且危害严重的肺部疾病，其及时准确检测对临床诊断至关重要。传统检测算法存在明显局限，如依赖手工提取的HOG、SIFT等特征，对目标的表征能力不足，导致检测精度低、泛化性差；而现有深度学习算法应用于胸片肺气肿检测时，面临三大核心问题：一是缺乏特征通道筛选能力，无法有效区分含病灶信息的关键通道与冗余通道；二是特征图感受野小，易受胸片中重叠组织产生的局部噪声干扰；三是难易样本不均衡，简单负样本主导训练过程，影响模型性能。此外，胸片图像的特殊性（如重叠投影、病灶对比度要求高、尺度特殊等）也对检测算法提出了针对性要求。

算法创新点深度解析

网络结构的突破性设计

• 通道注意力机制的深度融合：通过在主干特征提取网络ResNet中加入通道注意力模块，构建SE-ResNet，该模块能对不同特征通道进行加权，增强关键病灶通道信息并抑制冗余信息，使网络具备主动筛选特征的能力；同时，将通道注意力模块引入特征金字塔网络（FPN），形成SE-FPN，进一步强化多尺度特征融合过程中的通道选择能力。
• 空洞卷积的高效应用：在SE-ResNet的残差块中，将3×3普通卷积替换为空洞率为3的空洞卷积，构建SED-ResNet。此举在不降低特征图空间分辨率的前提下，显著扩大了卷积核的感受野，有效减少了局部组织噪声对肺气肿特征提取的干扰，提升了特征的鲁棒性。

损失函数的针对性优化

• 分类损失函数：采用焦点损失（Focal Loss），通过引入调节参数α和缩放因子γ（文中分别设为0.25和2），降低简单样本的损失权重，使网络更专注于困难样本的训练，缓解了样本不平衡问题。
• 回归损失函数：选用Balanced L1Loss，