基于注意力机制和迁移学习的COVID-19深度学习诊断方法

摘要：

目的:结合2019新型冠状病毒(COVID-19)肺炎患者肺CT影像学特征,提出一种多级空间注意力机制(ML-SAM)下的肺CT图像自动诊断模型,探讨该模型在COVID-19辅助诊断上的价值.方法:收集目前公开的COVID-19患者肺CT数据样本,在深度迁移学习框架下引入空间注意力多级聚焦策略,将数据样本、注意力机制与深度迁移学习卷积神经网络相结合,构建可在肺CT图像上自动诊断COVID-19肺炎的融合模型.结果:本文建立的融合模型对肺CT图像具有较好的分类性能,模型对COVID-19的正确识别率可达95％,同时实现了弱监督条件下肺CT图像关键特征的有效聚焦和提取.结论:本文建立的融合模型可被放射科医生或医疗保健专业人员作为COVID-19爆发期间快速、有效筛查COVID-19病例的智能辅助工具.

关键词：COVID-19、ML-SAM、深度迁移学习、肺CT

所属期刊栏目：30

分类号：TP183(自动化基础理论)

在线出版日期：2021-08-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：477-486