基于注意力机制的ResNet18网络架构的眼疾识别

2024年 8月 11日 1090点热度 0人点赞 0条评论

内容目录

1 介绍

眼疾是一种常见的眼部疾病，若不及时发现和治疗，会对视力造成严重影响。而通过机器学习技术，我们可以建立一个眼疾识别系统，帮助医生快速准确地诊断眼部疾病，提高诊断效率和准确性。本项目旨在通过对眼底图像进行分类，实现眼疾的自动识别。数据集使用iChallenge-PM和眼病分类数据集，本文取上述两个数据集中的部分数据并已整理成*224224大小可直接使用。本文提出了基于注意力机制的ResNet18网络的眼疾识别算法**。主要使用了ResNet18和RenNet18_NAM两种卷积神经模型对患者眼底视网膜图像进行眼底疾病识别，对2种模型的损失函数值、模型参数量和准确率进行对比实验分析。

2 加载数据集

unzip -o -q -d dataset data/data220613/dataset.zip

2.1 分割数据集

from preproces_data import split_data
split_data(0.8)

2.2 加载数据到自定义的dataset

from dataset import MyDataset

train_dataset = MyDataset(csv_filepath='train.csv')
test_dataset = MyDataset(csv_filepath='test.csv')

3 模型构建

本文使用ResNet18和ResNet18-NAM两个模型进行实验

ResNet18-NAM是基于归一化的注意力机制的ResNet18模型，模型构建参考了【AI达人特训营】ResNet50-NAM：一种新的注意力计算方式复现
NAM是一种轻量级的高效的注意力机制，采用了CBAM的模块集成方式，重新设计了通道注意力和空间注意力子模块，这样，NAM可以嵌入到每个网络block的最后。对于残差网络，可以嵌入到残差结构的最后。对于通道注意力子模块，使用了Batch Normalization中的缩放因子，如式子（1），缩放因子反映出各个通道的变化的大小，也表示了该通道的重要性。为什么这么说呢，可以这样理解，缩放因子即BN中的方差，方差越大表示该通道变化的越厉害，那么该通道中包含的信息会越丰富，重要性也越大，而那些变化不大的通道，信息单一，重要性小。

其中 $\mu_B$ 和 $\sigma_B$ 为均值，$B$ 为标准差，$\gamma$ 和 $\beta$ 是可训练的仿射变换参数（尺度和位移）参考Batch Normalization.

通道注意力子模块如图(1)和式(2)所示：

其中$Mc$表示最后得到的输出特征，$\gamma$是每个通道的缩放因子，因此，每个通道的权值可以通过 $W\gamma =\gammai/\sum{j=0}\gamma_j$ 得到。我们也使用一个缩放因子 $BN$ 来计算注意力权重，称为像素归一化。像素注意力如图(2)和式(3)所示：

为了抑制不重要的特征，作者在损失函数中加入了一个正则化项，如式(4)所示。

import paddle
from train_and_test import train
from model import resnet18
from dataset import MyDataset
import warnings
warnings.filterwarnings("ignore")
net = resnet18(num_classes=6)
paddle.summary(net,(64,3,224,224))

4 模型训练

from train_and_test import train, test

save_path='./google/'

batch_size=32

train_loader = paddle.io.DataLoader(train_dataset, batch_size=batch_size)

eval_loader = paddle.io.DataLoader(test_dataset, batch_size=batch_size)

optim = paddle.optimizer.Adam(learning_rate=0.001, parameters=net.parameters())

train(
    model=net,
    opt=optim, 
    train_loader=train_loader, 
    valid_loader=eval_loader, 
    epoch_num=100, 
    save_path=save_path, 
    save_freq=20
)

output

图1 训练过程中的准确率

图2 训练过程中的损失函数

5 模型评估

from train_and_test import test
from model import resnet18;
net=resnet18(num_classes=6)
save_path='./resnet18-nam/'

test(
    model_path=save_path+'model/final.pdparams',
    net=net,
    test_dataloader=paddle.io.DataLoader(MyDataset(csv_filepath='test.csv'),
                                         batch_size=32),
    save_path=save_path
)

output

acc-> 0.9528
precision--> ([0.9221, 0.9828, 0.9032, 0.9649, 0.9636, 1.0], 0.9561000000000001)
recall--> ([0.9342, 0.9344, 0.9333, 0.9821, 0.9636, 0.9808], 0.9547333333333334)