小儿肺炎的症状和体征在早期并不十分明显,而且该疾病容易和其他疾病混淆,因而针对肺炎的快速检测和诊断在提高患儿的存活率和生活质量方面具有重要意义。作为儿科肺炎的常用检测手段,胸部X线检查可以帮助医生观察胸部的结构和器官。然而,由于医疗资源分配的不平衡,我国各级医院儿科医生的医学影像诊断经验以及知识储备相差较大。此外,五岁以下的幼童在胸片投照时难以自觉配合医生的指示,与成人相比,儿童胸片的成像质量会相对较差。这些因素对当前的人工诊断结果的可靠性和稳定性造成了十分不利的影响。有鉴于此,为了分担儿科医生的工作压力,提高医生分析临床医学影像的效率和质量,开发一种基于X光胸片的儿科肺炎计算机辅助诊断系统就显得尤为重要。随着深度学习算法在计算机视觉领域不断取得突破性的进展,研究人员开始拓展这种人工智能算法在医学图像分析领域的应用。然而大部分的深度学习算法仅仅关注于精度的提升,忽略了医疗检测设备对于计算能力和内存空间的限制,这对于深度学习相关技术在医疗诊断领域的产品化应用带来了较大的挑战。本文基于上述存在的问题,提出了一种具有较小规模的应用于儿科肺炎辅助诊断任务的深度学习算法,通过该算法将儿童X光胸片分类为肺炎影像或正常影像。具体的贡献和创新包括:(1)从扩大深度模型中感受野的角度出发,本论文提出一种新的用于儿科肺炎辅助诊断任务的扩张卷积神经网络模型(DCNET)。本文在模型设计过程中引入扩张卷积以代替部分普通卷积层,并通过堆叠的卷积层从像素级别的原始数据到抽象的语义概念逐层提取信息,以实现在不增加模型计算复杂度的前提下,获取更广泛的输入视图,而这使得所设计的模型可以更好地聚合图像上下文信息。实验结果表明,这种深度模型以2.08MB的模型大小在测试样本上的分类准确率达到了89.10%。(2)从增强特征图判别能力的角度出发,本论文提出结合特征融合与注意力机制的方法改进DCNET网络的结构,以提升其分类性能,改进后的网络被命名为RES-SE-DCNET。所提出的方法通过多层特征融合的方式增强模型对于底层细节特征的利用,并引入注意力机制使模型更好的聚焦与目标任务相关的特征信息,最终使模型学习到的特征具有更强的判别性。实验对比结果表明,本文所设计的RES-SE-DCNET模型的大小为2.09MB,在仅仅增加少量参数的情况下在测试样本上的分类准确率进一步提高到89.74%。(3)从网络参数初始化的角度出发,本论文提出利用迁移学习方法来进一步提升RES-SE-DCNET网络的分类性能。与常见的使用ImageNet数据集上预训练的模型不同,本文利用迁移学习技术在其他大规模的胸部X光图像数据集上学习的权重参数来初始化RES-SE-DCNET网络。实验结果表明这种基于迁移学习的优化方法能够有效解决数据规模相对不足对模型性能的影响,并且在测试样本上的分类准确率进一步提高到90.71%。本文每一章所提出的分类方法都是以前面章节的方法为基础进行改进的,各个算法之间是有机联系的。每一次对分类方法的改进都获得了更好的分类性能。