基于改进Deformable+DETR的心脏病检测算法研究.pdfVIP

摘要

随着近年来深度学习技术的不断发展，该技术已在医疗行业展现出了广泛应

用的潜力，包括计算机视觉、自然语言处理等多个分支。在当今医疗领域中，医

学成像技术占据着核心地位，为临床医师的疾病诊断提供了不可或缺的信息依据。

随着医疗影像技术的快速推进，深度学习作为一种前沿技术，凭借其在图像特征

识别与分析上的卓越能力，正逐步应用于医学影像处理领域，成为医学科技探索

的前沿阵地。

医学影像展现出远高于自然界图像的复杂度，这种复杂性源于多种因素：密

集的干扰元素与噪声、细微的对比度差异，以及病变组织在尺寸与形状上的广泛

变异性。尽管通用的目标检测算法在众多视觉任务中表现出色，但面对医学影像

的独特性时，其效能常遭遇瓶颈。本研究聚焦于先天性心脏病诊断的特定场景，

旨在克服当前基于深度学习的心脏病检测算法中存在的两大难题：模型训练收敛

速度缓慢以及检测精度欠佳。在此背景下，本研究提出了基于DeformableDETR

改进的算法，具体工作如下：

1、针对原始DeformableDETR算法缺少全局信息以及空间信息的问题，通

过引入坐标注意力机制（CoordinateAttention，CA），提出CA_DeformableDETR

算法，增加了模型的空间理解能力，有助于编码层更好地理解输入数据的空间结

构。

2、针对原始DeformableDETR算法对心脏超声数据集收敛慢的问题，提出

了一种自适应的位置先验（AdaptiveLocationPrior，ALP）方法，在Deformable

DETR模型的解码层引入先验的位置信息，使query映射到特征图的不同区域，

并进行逐层微调，加快模型收敛的同时，提高回归边界框坐标值的迭代速度，并

通过自适应的方式增强模型的泛化性。

3、针对医学图像有大量干扰和噪声的特点，提出了一种粗粒度到细粒度的掩

coarsetofinemaskedattentionCTFMA

码注意力（，），实现图像前景和背景由粗

粒度到细粒度的分割，使query聚焦于特征图的前景部分，从而节省计算资源。

43CAC_DeformableDETR

、结合上述种改进方法提出了算法，实验结果表

明，改进后的算法仅仅增加了1M的参数量，在心脏超声数据集上只需训练50

epoch84.6mAPDeformableDETR100epoch

个就能达到，相较于算法在训练个

后的才能达到的79.7mAP提升了4.9个百分点。且优于常见的目标检测算法，如

YOLOv5YOLOv6YOLOv7DabDETRConditionalDETR

、、、、等算法。

：

关键词深度学习；心脏病检测；坐标注意力；先验位置信息；掩码注意力

I

Abstract

Withthecontinuousdevelopmentofdeeplearningtechnologyinrecentyears,this

technologyhasshownthepotentialforawiderangeofapplicationsinthemedical

industry,includingcomputervision,naturallanguageprocessingandotherbranches.

Intodaysmedicalfield,medicalimagingtechnologyoccupiesacentralposition,

providingclinicianswithindispensablei