10.3778/j.issn.1002-8331.2111-0345
融合频率域特征的双路网络模型诊断新冠肺炎
CT检查在新冠肺炎诊断中起着重要作用,为了能够在有限的CT胸部图像集中获得更多有关新冠肺炎的特征信息、建立更加敏感通用的诊断模型,提出了融合CT图像频域特征的双路网络模型(Dp-Net),该模型主干部分采用ResNet网络模型,并将卷积神经网络的训练过程分为两个部分,一部分提取CT图像空间域的特征,另一部分通过傅里叶变换提取频率域上的特征,将两者训练的结果按照一定的权重进行融合,融合后再由Layer4模块进行一次特征提取.在公开的COVID-CT数据集上与ResNet、VGG等传统的CNN模型进行了比较,也与Self-Trans和LA-DNN等一些改进的CNN模型进行了比较,并对不同权重的融合方案进行了比较,实验结果表明提出的Dp-Net模型在各种评价指标上取得了更好的结果.
新冠肺炎、CT图像、频率域、特征融合、卷积神经网络
59
TP391.7(计算技术、计算机技术)
福建省自然科学基金项目2019J01661
2023-03-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
321-327