ConvOS:一种具有可解释性的新冠肺炎X光影像诊断模型

摘要：

为了提高深度学习模型在新冠肺炎X光影像诊断中的诊断精度,改善模型可解释性不足,设计了一种融合双边扰动综合梯度显著图优化(IGOS++)算法和改进的ConvNeXt网络模型的新冠肺炎可视化诊断(ConvOS)模型.在ConvNeXt网络模型的残差块中引人一种高效通道注意力(ECA)模块,利用IGOS++对改进的ConvNeXt网络模型的输出特征进行扰动分析,得到最优的插入损失超参数,生成高精细度显著图,提高新冠肺炎X光影像可视化解释诊断性能.在COVIDx数据集上实验结果与其它诊断模型相比,分类性能指标更优,显著图的感兴趣区域(ROI)更为精准,模型的诊断置信度更高.实验结果表明:ConvOS模型诊断的准确率、召回率、精确度和F1-score分别达到了 93.7％、92.6％、96.2％和94.4％,与其它诊断模型相比,分类性能指标更优,显著图的感兴趣区域更为精准,模型的诊断置信度更高.

关键词：计量学、新冠肺炎、X光影像、ConvOS模型、IGOS++算法、ConvNeXt网络、可解释性、深度学习模型

所属期刊栏目：44

分类号：TB99(计量学)

资助基金：国家自然科学基金11774017

在线出版日期：2023-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1303-1309