馬 馳，胡 輝*，路生亮，布安旭，金海濱

（1.惠州學(xué)院 計(jì)算機(jī)科學(xué)與工程學(xué)院，廣東 惠州 516007；2.遼寧科技大學(xué) 計(jì)算機(jī)與軟件工程學(xué)院，遼寧 鞍山 114044）

肺炎是一種嚴(yán)重威脅人類(lèi)健康的呼吸系統(tǒng)疾病，通常肺部檢查是通過(guò)醫(yī)生對(duì)肺部X 光片的觀察，根據(jù)醫(yī)生豐富的經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)對(duì)疾病進(jìn)行診斷［1］，這種方式在一定程度上存在著缺陷，X 光片本身顏色較為單一、紋理信息較少且成像結(jié)果也會(huì)受到各種外界干擾影響，同時(shí)醫(yī)生診斷結(jié)果的準(zhǔn)確性會(huì)受經(jīng)驗(yàn)、專(zhuān)業(yè)程度和當(dāng)時(shí)的工作狀態(tài)等因素影響［2］。因此，有效的計(jì)算機(jī)輔助診斷模型，對(duì)提高醫(yī)生的診斷準(zhǔn)確性和診斷效率有很大幫助。

隨著計(jì)算機(jī)技術(shù)在醫(yī)學(xué)影像處理領(lǐng)域的應(yīng)用不斷加深，傳統(tǒng)的計(jì)算機(jī)圖像處理技術(shù)和深度學(xué)習(xí)等神經(jīng)網(wǎng)絡(luò)方法都在肺炎影像檢測(cè)領(lǐng)域得到了廣泛的應(yīng)用?；趥鹘y(tǒng)的圖像處理算法，張利紅等［3］將分水嶺算法應(yīng)用到醫(yī)學(xué)影像分割領(lǐng)域，提出了一種對(duì)肺炎病變區(qū)域進(jìn)行分割的算法，該方法存在對(duì)影像質(zhì)量要求較高、受噪聲影像較大的問(wèn)題。呂鯉志等［4］針對(duì)CT 等醫(yī)學(xué)影像顏色單一、紋理信息較少且由于拍攝過(guò)程中的噪聲干擾等問(wèn)題，提出了一種基于Laplacian 金字塔和小波變換的圖像增強(qiáng)算法，解決了傳統(tǒng)圖像增強(qiáng)方法可能會(huì)導(dǎo)致醫(yī)學(xué)影像細(xì)節(jié)丟失、邊緣信息減弱和對(duì)比度降低的問(wèn)題。與傳統(tǒng)圖像處理方法相比，深度學(xué)習(xí)可以通過(guò)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)影像特征，能夠同時(shí)自動(dòng)地完成特征提取及分類(lèi)定位任務(wù)［5］。為了解決在小數(shù)據(jù)樣本情況下網(wǎng)絡(luò)訓(xùn)練容易過(guò)擬合的問(wèn)題，劉長(zhǎng)征等［6］將卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到肺炎影像分類(lèi)任務(wù)中并針對(duì)肺炎影像分類(lèi)任務(wù)對(duì)卷積層結(jié)構(gòu)進(jìn)行改進(jìn)，使用彈性梯度下降方法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化同時(shí)加入了Dropout機(jī)制，該方法對(duì)肺炎影像的分類(lèi)取得了較好效果，但不能確定病變位置且對(duì)病變區(qū)域較小的肺炎影像分類(lèi)效果較差。張康［7］帶領(lǐng)團(tuán)隊(duì)聯(lián)合國(guó)內(nèi)外多家醫(yī)院及科研單位，開(kāi)發(fā)了一套基于X 光醫(yī)學(xué)影像的病變檢測(cè)模型。同濟(jì)大學(xué)和浙江大學(xué)共同針對(duì)深度學(xué)習(xí)醫(yī)學(xué)影像處理方法在肺炎診斷中的應(yīng)用進(jìn)行了深入研究，對(duì)目前深度學(xué)習(xí)算法在計(jì)算機(jī)輔助肺癌檢測(cè)取得的進(jìn)展進(jìn)行綜述［8］，黃亞平等［9］選用ResNet50作為特征提取網(wǎng)絡(luò)，并在卷積神經(jīng)網(wǎng)絡(luò)中引入Attention 機(jī)制，通過(guò)使特征提取過(guò)程關(guān)注病變位置使得肺炎影像分類(lèi)的準(zhǔn)確率有了很大提高。雖然提高了肺炎影像分類(lèi)的準(zhǔn)確率，對(duì)于小病變區(qū)域的肺部疾病分類(lèi)也有了顯著提高，但該方法仍不能確定病變位置。

采用單激發(fā)多盒探測(cè)網(wǎng)絡(luò)（Single Shot MultiBox Detector，SSD）［10-11］作為肺炎檢測(cè)算法，并針對(duì)肺炎小發(fā)病區(qū)容易漏檢，或檢測(cè)準(zhǔn)確度低的特點(diǎn)提出了相應(yīng)的解決方案，創(chuàng)新點(diǎn)如下：

（1）通過(guò)改進(jìn)SSD 網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)化特征提取網(wǎng)絡(luò)，解決肺炎影像中小病變區(qū)域容易漏檢或檢測(cè)精度較低的問(wèn)題。

（2）針對(duì)肺炎影像，對(duì)SSD網(wǎng)絡(luò)不同卷積層的輸出進(jìn)行特征融合，在盡可能不影響網(wǎng)絡(luò)訓(xùn)練及檢測(cè)效率的同時(shí)，提高網(wǎng)絡(luò)準(zhǔn)確性。

1 基于SSD的檢測(cè)網(wǎng)絡(luò)

SSD物體檢測(cè)模型：是一種典型的單步檢測(cè)網(wǎng)絡(luò)，該模型將目標(biāo)的檢測(cè)識(shí)別功能整合在同一個(gè)網(wǎng)絡(luò)中，僅需要1 次計(jì)算就可以得到最終目標(biāo)的位置和種類(lèi)。SSD網(wǎng)絡(luò)的主要工作原理是在特征提取網(wǎng)絡(luò)中選定幾個(gè)卷積層的輸出特征圖用于目標(biāo)的檢測(cè)，由于選定的不同特征圖具有不同的像素尺寸，故而保證了不同尺寸的目標(biāo)都能很好地被檢測(cè)出來(lái)。針對(duì)每一個(gè)選中的用于檢測(cè)目標(biāo)的特征圖，相當(dāng)于將原圖片劃分為與特征圖分辨率相同的N×N個(gè)網(wǎng)格，以每個(gè)網(wǎng)格為中心檢測(cè)是否有目標(biāo)出現(xiàn)在該網(wǎng)格覆蓋的區(qū)域內(nèi)，通過(guò)將目標(biāo)檢測(cè)轉(zhuǎn)換為分類(lèi)和回歸問(wèn)題得到不同尺度特征圖對(duì)應(yīng)的目標(biāo)框，最終通過(guò)后續(xù)網(wǎng)絡(luò)對(duì)每個(gè)特征圖得到的目標(biāo)框進(jìn)行統(tǒng)一整合輸出，得到最終目標(biāo)檢測(cè)的結(jié)果。相比于基于區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network，RPN）的目標(biāo)檢測(cè)算法，SSD網(wǎng)絡(luò)通常檢測(cè)速度較快且對(duì)于不同尺寸的目標(biāo)都有較好的檢測(cè)效果，圖1為SSD網(wǎng)絡(luò)模型結(jié)構(gòu)圖［10］。

圖1 SSD 網(wǎng)絡(luò)模型結(jié)構(gòu)圖

從圖1 可以看出，SSD 網(wǎng)絡(luò)使用VGG16 作為特征提取網(wǎng)絡(luò)，黃色框的部分是對(duì)VGG16網(wǎng)絡(luò)最終輸出的特征圖進(jìn)一步進(jìn)行卷積，壓縮輸出特征圖尺寸，在更大的感受野（Receptive field）中對(duì)輸入圖片中的目標(biāo)進(jìn)行檢測(cè)。SSD 網(wǎng)絡(luò)模型與單步檢測(cè)網(wǎng)絡(luò)（You only look once，YOLO）系列網(wǎng)絡(luò)模型［12-14］最大的區(qū)別在于，YOLO 系列網(wǎng)絡(luò)只在特征提取網(wǎng)絡(luò)中使用提取到的最后一層特征圖進(jìn)行目標(biāo)檢測(cè)，而SSD 網(wǎng)絡(luò)則在特征提取網(wǎng)絡(luò)中選擇了多層特征圖進(jìn)行目標(biāo)檢測(cè)。

圖1描述了SSD網(wǎng)絡(luò)如何利用多層卷積網(wǎng)絡(luò)輸出的特征圖進(jìn)行目標(biāo)檢測(cè)的過(guò)程，SSD 網(wǎng)絡(luò)使用VGG16網(wǎng)絡(luò)輸出特征作為檢測(cè)目標(biāo)的特征圖的同時(shí)，又增加了多層卷積結(jié)構(gòu)，對(duì)VGG16網(wǎng)絡(luò)輸出的特征圖進(jìn)一步特征提取，得到分辨率更低，具有更多高級(jí)語(yǔ)義特征及感受野的特征圖進(jìn)行目標(biāo)檢測(cè)，SSD 網(wǎng)絡(luò)后續(xù)添加的卷積網(wǎng)絡(luò)整體結(jié)構(gòu)與VGG16卷積層結(jié)構(gòu)保值一致。

2 模型改進(jìn)與分析

通常目標(biāo)檢測(cè)網(wǎng)絡(luò)分為單步檢測(cè)網(wǎng)絡(luò)和兩步檢測(cè)網(wǎng)絡(luò)，SSD為典型的單步檢測(cè)網(wǎng)絡(luò)，目標(biāo)分類(lèi)和目標(biāo)定位功能在同一網(wǎng)絡(luò)中實(shí)現(xiàn)。由于這一特性SSD網(wǎng)絡(luò)訓(xùn)練過(guò)程較為簡(jiǎn)單，且網(wǎng)絡(luò)的訓(xùn)練和檢測(cè)過(guò)程耗時(shí)較少，但原始SSD 網(wǎng)絡(luò)存在對(duì)小目標(biāo)檢測(cè)性能較差的問(wèn)題。針對(duì)原始SSD網(wǎng)絡(luò)存在的問(wèn)題，以及肺炎影像的特點(diǎn)，對(duì)SSD網(wǎng)絡(luò)進(jìn)行優(yōu)化。

由于部分肺部疾病發(fā)病初期病變區(qū)域通常較小，如能盡早發(fā)現(xiàn)對(duì)于后續(xù)治療有很大幫助。但不論是醫(yī)生還是目前常見(jiàn)的檢測(cè)算法，對(duì)于小病變區(qū)域的檢測(cè)效果都不夠理想。同時(shí)對(duì)數(shù)據(jù)集中各類(lèi)肺部病變的統(tǒng)計(jì)分析發(fā)現(xiàn)，小病變區(qū)域占比超過(guò)10%。所以對(duì)于小病變區(qū)域的檢測(cè)是肺炎影像檢測(cè)模型的一個(gè)重要挑戰(zhàn)。通過(guò)對(duì)數(shù)據(jù)集中病變區(qū)域的尺寸統(tǒng)計(jì)，得到的數(shù)據(jù)見(jiàn)表1。

表1 數(shù)據(jù)集分析表

通過(guò)表1中的數(shù)據(jù)可知，在整個(gè)數(shù)據(jù)集中，最小的病變區(qū)域?yàn)閷?0.20 像素，高12.14 像素。雖然也存在面積較大的病變區(qū)域，但在整個(gè)數(shù)據(jù)集中占比較小且對(duì)于檢測(cè)模型來(lái)說(shuō)也更容易準(zhǔn)確識(shí)別。在SSD網(wǎng)絡(luò)的特征提取過(guò)程中，通過(guò)卷積層的堆疊將輸入的原始圖片轉(zhuǎn)化為不同深度的特征圖，深層卷積網(wǎng)絡(luò)提取到的特征圖具有更多的高級(jí)語(yǔ)義特征和感受野，但對(duì)于小尺寸目標(biāo)的關(guān)注度會(huì)急劇下降。因此，針對(duì)肺炎影像識(shí)別任務(wù)，對(duì)SSD 網(wǎng)絡(luò)最好的改進(jìn)方法是對(duì)不同層次的特征圖進(jìn)行特征融合，充分利用低層次特征圖中對(duì)小尺寸目標(biāo)的關(guān)注以及紋理、邊緣等低級(jí)語(yǔ)義特征和高層次特征途中蘊(yùn)含的高級(jí)語(yǔ)義特征。通過(guò)由反池化和反卷積層組成的解碼器，將信息量較小的特征圖進(jìn)行擴(kuò)充，保證其學(xué)習(xí)到的高級(jí)語(yǔ)義特征的同時(shí)，提高對(duì)小尺寸目標(biāo)的關(guān)注度，然后將其與更深層次的特征圖進(jìn)行融合，充分利用不同卷積層提取到的特征信息，保證在不丟失高級(jí)語(yǔ)義特征的同時(shí)，將更多的底層語(yǔ)義特征傳遞到最終的檢測(cè)網(wǎng)絡(luò)當(dāng)中。SSD網(wǎng)絡(luò)特征提取網(wǎng)絡(luò)中包含大量卷積層，但直接將其輸出用于最終檢測(cè)的特征只有：第4、7、8、9、10和11層。這幾個(gè)卷積層輸出的特征圖尺寸分別為（38，38），（19，19），（10，10），（5，5），（3，3），（1，1）。

在這輸出用于最終檢測(cè)的卷積層中，第10層和第11層輸出的特征圖分辨率差距較小，提取到的特征信息也較為接近，所以將這2 層進(jìn)行特征融合的意義不大。同時(shí)，由于SSD網(wǎng)絡(luò)模型中卷積網(wǎng)絡(luò)層數(shù)越深，其感受野也就越大，能夠檢測(cè)到的病變區(qū)域也就越大，但對(duì)小尺寸病變區(qū)域的特征會(huì)有所丟失。最亟需解決的問(wèn)題是，提高網(wǎng)絡(luò)對(duì)于肺部疾病小尺寸病變區(qū)域的檢測(cè)，根據(jù)卷積網(wǎng)絡(luò)對(duì)特征提取的特性可知，越低層次卷積網(wǎng)絡(luò)提取到的特征圖越能表示小尺寸的病變區(qū)域，因此，對(duì)SSD 網(wǎng)絡(luò)的特征融合主要針對(duì)第8 層以前的網(wǎng)絡(luò)。

通過(guò)對(duì)肺炎影像的分析以及對(duì)SSD網(wǎng)絡(luò)模型的分析，將原SSD網(wǎng)絡(luò)的第3層和第6層輸出特征圖進(jìn)行特征融合；將第7 層和第9 層輸出的特征圖進(jìn)行特征融合。并根據(jù)2 次特征融合的特點(diǎn)，選用不同的特征融合算法。對(duì)第3 層和第5 層輸出的特征圖進(jìn)行池化融合；對(duì)第5 層和第7 層的特征融合，首先將第5 層特征圖經(jīng)過(guò)一個(gè)由反卷積和反池化構(gòu)成的解碼器進(jìn)行特征增強(qiáng)后與第7 層輸出的特征圖通過(guò)element-sum 算法進(jìn)行特征融合。由于第8 層和第9 層輸出的特征圖分辨率較小，具有較大的感受野，提取到的特征不能很好的表達(dá)小尺寸病變區(qū)域，因此，不需要融合第8層和第9層輸出的特征圖。經(jīng)過(guò)對(duì)SSD網(wǎng)絡(luò)模型分析，將第3層與第6層進(jìn)行特征融合，同時(shí)將第5層與第7層進(jìn)行特征融合，具體特征融合方法如下。

2.1 轉(zhuǎn)置卷積融合

element-sum 融合方法［15］用于尺寸相同的，2 個(gè)特征圖進(jìn)行融合，通過(guò)對(duì)應(yīng)元素相加的方法將2 個(gè)特征圖融合為一個(gè)新的特征圖，在融合過(guò)程中2 個(gè)特征圖所占權(quán)重相同，具體的流程如圖2。

圖2 element-sum計(jì)算過(guò)程

將SSD 網(wǎng)絡(luò)的第5 卷積層輸出的特征圖，經(jīng)過(guò)一個(gè)由反池化層和反卷積層組成的解碼器轉(zhuǎn)化為19×19×512 大小的特征圖。通過(guò)解碼器，增大特征圖分辨率，增強(qiáng)其表達(dá)小尺寸病變區(qū)域特征的能力。然后通過(guò)一個(gè)1×1的卷積層將其調(diào)整為與第7層輸出特征圖相同的分辨率和通道數(shù)，最后使用element-sum方法將2 個(gè)特征圖進(jìn)行特征融合，得到的特征圖用于最終檢測(cè)和進(jìn)一步特征提取。圖3是該部分特征融合的詳細(xì)流程。

圖3 通過(guò)反池化、反卷積對(duì)特征進(jìn)行融合的流程

2.2 池化融合

通過(guò)對(duì)SSD網(wǎng)絡(luò)結(jié)構(gòu)分析，對(duì)SSD網(wǎng)絡(luò)的第3卷積層和第6卷積層進(jìn)行池化特征融合。首先，將第3卷積層的輸出特征圖經(jīng)過(guò)一個(gè)池化層將其分辨率壓縮為19×19。然后通過(guò)卷積核大小為1×1 的卷積層調(diào)整其通道數(shù)，使其轉(zhuǎn)化為形狀是19×19×1 024 的特征圖；然后，通過(guò)element-sum 融合方法與第6 卷積層輸出的特征圖進(jìn)行特征融合。最后，將得到的特征融合后的特征圖經(jīng)過(guò)LeakyRelu 激活函數(shù)激活后，作為第7層的輸入送入到后續(xù)網(wǎng)絡(luò)中進(jìn)行進(jìn)一步特征提取。圖4是該部分特征融合的詳細(xì)流程。

圖4 通過(guò)池化對(duì)特征進(jìn)行融合的流程

3 實(shí)驗(yàn)結(jié)果及分析數(shù)據(jù)集介紹

數(shù)據(jù)集由2 部分組成，一部分肺部影像圖片取自Chest X-ray 數(shù)據(jù)集，另一部分通過(guò)整理目標(biāo)檢測(cè)競(jìng)賽平臺(tái)提供的公共競(jìng)賽數(shù)據(jù)集得到，將2 部分?jǐn)?shù)據(jù)存儲(chǔ)及標(biāo)注形式進(jìn)行了統(tǒng)一，生成了一個(gè)綜合數(shù)據(jù)集。

ChestX-ray數(shù)據(jù)集和整理的公共競(jìng)賽數(shù)據(jù)集都是包含14類(lèi)肺部疾病的X射線影像，幾乎涵蓋了包括肺不張、變實(shí)、浸潤(rùn)、氣胸、水腫、肺氣腫等在內(nèi)的常見(jiàn)肺部疾?。▓D5）。由于構(gòu)成數(shù)據(jù)集的2 部分?jǐn)?shù)據(jù)存在尺寸和標(biāo)注方式不同的問(wèn)題，通過(guò)幾何變換，修改標(biāo)準(zhǔn)文件的方式，將2 個(gè)數(shù)據(jù)集的圖片和標(biāo)注統(tǒng)一成相同尺寸及存儲(chǔ)格式。

圖5 數(shù)據(jù)集部分影像

3.1 評(píng)價(jià)指標(biāo)及結(jié)果

3.1.1 平均準(zhǔn)確率（Average Precision，AP）與平均準(zhǔn)確率均值（mean average precision，mAP）

在影像分類(lèi)問(wèn)題中，通常使用平均準(zhǔn)確率作為衡量模型對(duì)于某一種類(lèi)影像的分類(lèi)能力。要想計(jì)算某一分類(lèi)的AP，首先要根據(jù)實(shí)驗(yàn)結(jié)果計(jì)算出準(zhǔn)確率（Precision Rate，P）和召回率（Recall Rate，R）并繪制PR曲線，PR曲線下方的面積就代表了該分類(lèi)的AP值。具體計(jì)算過(guò)程如下：

其中，TP 表示真正例即判斷正確的正樣本數(shù)量；FP 表示假正例即判斷錯(cuò)誤的正樣本數(shù)量；FN表示假反例即判斷錯(cuò)誤的負(fù)樣本數(shù)量。計(jì)算出準(zhǔn)確率、召回率值后，將其繪制成PR 曲線，并對(duì)R求積分，得到對(duì)應(yīng)種類(lèi)的AP值。由于實(shí)驗(yàn)過(guò)程中計(jì)算出的準(zhǔn)確率、召回率值都是離散的，故時(shí)機(jī)計(jì)算中通過(guò)離散的點(diǎn)擬合AP值。

通常AP 用來(lái)衡量整個(gè)檢測(cè)任務(wù)中某一類(lèi)的準(zhǔn)確度，平均準(zhǔn)確率均值則是對(duì)所的AP 值求平均，用來(lái)表示模型在該圖像檢測(cè)任務(wù)中的整體準(zhǔn)確度。

3.1.2 交并比（Intersection-over-Union，IoU）

IoU通常用來(lái)衡量目標(biāo)檢測(cè)任務(wù)中，確定目標(biāo)的位置及大小是否準(zhǔn)確。IoU的計(jì)算過(guò)程如圖6所示，用檢測(cè)結(jié)果區(qū)域和實(shí)際目標(biāo)區(qū)域的交除檢測(cè)結(jié)果區(qū)域和實(shí)際目標(biāo)區(qū)域的并，得到的結(jié)果即為IoU。當(dāng)IoU的值達(dá)到最大值1 時(shí)，表示檢測(cè)區(qū)域與實(shí)際目標(biāo)區(qū)域完全重合，IoU的值越接近1表示檢測(cè)結(jié)果越準(zhǔn)確。

圖6 交并比圖形表示

3.2 結(jié)果對(duì)比

現(xiàn)有的肺炎影像檢測(cè)網(wǎng)絡(luò)還包括基于Faster RCNN的兩步檢測(cè)網(wǎng)絡(luò)和基于YOLO的單步檢測(cè)網(wǎng)絡(luò)等多種網(wǎng)絡(luò)模型，基于Faster R-CNN 的檢測(cè)網(wǎng)絡(luò)具有更高的精度，基于YOLO 的網(wǎng)絡(luò)具有更高的檢測(cè)速度。為了證明肺炎影像檢測(cè)網(wǎng)絡(luò)的有效性，選擇了幾個(gè)典型的網(wǎng)絡(luò)與網(wǎng)絡(luò)模型進(jìn)行對(duì)比實(shí)驗(yàn)。通過(guò)對(duì)比mAP和每秒鐘檢測(cè)影像張數(shù)（Frames Per Second，F(xiàn)PS）來(lái)比較模型的準(zhǔn)確率和檢測(cè)速度。表2為最終實(shí)驗(yàn)結(jié)果對(duì)比。

表2 4種肺部疾病檢測(cè)模型效果對(duì)比

由表2 可知，改進(jìn)后的網(wǎng)絡(luò)模型在檢測(cè)精度和檢測(cè)速度上都優(yōu)于Faster R-CNN 網(wǎng)絡(luò)和YOLO 網(wǎng)絡(luò)，相比于原始SSD 網(wǎng)絡(luò)檢測(cè)精度也有明顯提升，但由于特征融合及對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的修改增加了網(wǎng)絡(luò)的復(fù)雜度，故檢測(cè)速度有所下降。雖然檢測(cè)速度由原SSD網(wǎng)絡(luò)的每秒68張下降到每秒58張，仍然是一個(gè)可以接受的檢測(cè)速度。

4 結(jié)論

結(jié)合肺炎影像檢測(cè)過(guò)程中，小缺陷較多且較難檢測(cè)的特點(diǎn)，對(duì)SSD網(wǎng)絡(luò)模型進(jìn)行了相應(yīng)的改進(jìn)，解決了對(duì)于小缺陷識(shí)別準(zhǔn)確率低的問(wèn)題。為了減小模型對(duì)小尺寸病變區(qū)域的漏檢率，對(duì)SSD 網(wǎng)絡(luò)模型的特征提取層進(jìn)行了融合。首先，將SSD 網(wǎng)絡(luò)第3 層的輸出經(jīng)過(guò)卷積、池化操作調(diào)整為與第6 層輸入相同的尺寸；然后，將調(diào)整過(guò)尺寸的第3層網(wǎng)絡(luò)輸出特征圖與第6層網(wǎng)絡(luò)輸入的特征圖進(jìn)行融合，該特征融合使用elementsum算法；最后，將特征提取層種第5層的輸出，通過(guò)一個(gè)由反池化、反卷積等操作構(gòu)成的解碼器，調(diào)整到與第7層特征圖相同尺寸進(jìn)行特征融合。

為了檢測(cè)提出網(wǎng)絡(luò)的性能，通過(guò)實(shí)驗(yàn)對(duì)比了提出網(wǎng)絡(luò)和基于原始SSD 網(wǎng)絡(luò)對(duì)肺炎影像檢測(cè)的準(zhǔn)確性，同時(shí)與YOLO、Faster-RCNN等常見(jiàn)網(wǎng)絡(luò)也進(jìn)行了對(duì)比試驗(yàn)。從實(shí)驗(yàn)結(jié)果可以看出：提出網(wǎng)絡(luò)在整體準(zhǔn)確性上優(yōu)于對(duì)比網(wǎng)絡(luò)，同時(shí)在一定程度上解決了小病變區(qū)域漏檢率較高的問(wèn)題。