基于多分辨率特征融合的深度卷积神经网络从薄血涂片图像自动诊断疟疾

疟疾是一种威胁生命的疾病，每年感染全球数百万人，要求在发生任何损害之前进行更快的诊断以妥善治疗。本文提出一种基于端到端深度学习的方法，通过对来自不同感受野提取的特征进行有效优化，从薄血涂片图像快速诊断疟疾。首先，提出一种高效、高度可扩展的深度神经网络 DilationNet，其通过改变卷积的膨胀率从大范围频谱中融入特征，以从不同感受区域提取特征。接着，将原始图像重采样至多种分辨率，以在感受野中引入变化，用于独立优化针对不同图像分辨率缩放的不同形式 DilationNet。之后，提出一种采用 DeepFusionNet 架构的特征融合方案，用于联合优化这些在不同观测层级上运行的独立训练网络的特征空间。各种形式 DilationNet 中所有用于从图像不同分辨率提取空间特征的卷积层被直接迁移，以提供来自任意图像的多样化特征空间。随后，在 DeepFusionNet 中对这些空间特征进行联合优化，以提取样本图像最相关的表示。该方案通过变化观测层级广泛探索特征空间，从而准确诊断异常。在公开数据集上的大量实验显示出超过 99.5% 的准确率，优于其他 SOTA 方法。