临床上常通过观察胃部内窥镜图像判断幽门螺杆菌(Helicobacter Pylori,HP)感染,但是这种方式对医生的技术水平要求较高且可能会误诊。近年来,已有相关研究使用卷积神经网络对胃部内窥镜图像进行分类。然而,性能较好的模型也常伴随着巨大的参数量与计算量,难以部署在资源有限的医学辅助诊断设备中。针对以上问题,本文以胃部内窥镜图像幽门螺杆菌感染识别为研究目标,基于轻量化卷积神经网络设计和网络剪枝两种方法,围绕实现性能与规模均衡的分类模型展开研究。论文主要工作如下:(1)针对现有的ResNet18和MobileNet V3,提出了两种基于结构重参数化方法(Structural Re-parameterization)的轻量化模型:Rep ResNet18和Rep MobileNet V3,用于幽门螺杆菌内镜图像分类。在提出的Rep ResNet18和Rep MobileNet V3中,主要使用深度可分卷积提取特征,有效的降低了模型参数量,并为其引入了额外的1×1深度卷积分支和恒等映射分支,强化了模型特征提取能力。此外,针对训练后的Rep ResNet18和Rep MobileNet V3,利用结构multi-domain biotherapeutic (MDB)重参数化方法,将新增分支中的参数与主分支融合,进一步降低了模型参数量。在胃部内窥镜图像上的分类结果表明:Rep ResNet18可实现Accuracy和AUC均增加0.3%,而Params和FLOPs减少83%以上;Rep获悉更多 MobileNet V3可实现Accuracy增加0.5%,AUC增加0.1%,而Params减少0.05M,FLOPs减少10M。(2)提出了一种结合卷积核剪枝与权重剪枝的混合剪枝方法。在剪枝时模型的稀疏度随着迭代次数逐渐增加,并且在每次剪枝后都会进行一次微调,该方法缓解了以往一次性剪枝造成的模型精度快速下降的问题GSK2118436 NMR。混合剪枝首先使用几何中位数剪枝方法,移除卷积层中靠近几何中心的卷积核,其次使用基于权重的剪枝方法将不重要的参数置为0。为验证所提方法的有效性及泛化性,我们在公共医学图像Path MNIST上对VGG16进行混合剪枝,实验结果表明该方法可实现较高的模型压缩比且各指标不会出现较大的精度损失。(3)提出了一种基于去残差的混合剪枝方法。为解决ResNet中残差模块导致的推理速度变慢和不易于剪枝的问题,使用RM操作将其等效转换为不带残差的单路结构,再使用混合剪枝方法对其进行剪枝。在胃部内窥镜图像上的分类结果表明,使用混合剪枝的ResNet18可实现Accuracy增加0.2%,AUC增加0.1%,而Params和FLOPs减少48%,且权重稀疏度达到40%。本文提出的方法可对胃部内窥镜图像幽门螺杆菌感染进行识别,为在资源有限的医学辅助诊断设备中部署大型卷积神经网络提供了有效的解决方案。