融合Grad-CAM和卷积神经网络的COVID-19检测算法

摘要：

新型冠状病毒肺炎(COVID-19)检测中胸部X射线(CXR图像)和电子计算机断层扫描(CT)图像是两种主要技术手段,为医生诊断提供了重要依据.针对当前卷积神经网络(CNN)在医学放射性图像中检测COVID-19的准确率不高、算法复杂、无法标记特征区域的问题,提出了一种融合梯度加权类激活映射(Grad-CAM)颜色可视化和卷积神经网络的算法(GCCV-CNN),对COVID-19阳性患者、COVID-19阴性患者、普通肺炎患者以及正常人的肺部CXR图像和CT扫描图像进行快速分类.通过定位到CXR图像和CT扫描图像中CNN进行分类的关键区域,再综合深度学习算法得到更准确的检测结果.为验证GCCV-CNN算法的有效性,分别在3个COVID-19阳性患者数据集上进行实验,并与已有算法进行比较.结果表明该算法对COVID-19阳性患者的CXR图像和CT扫描图像分类性能优于"新冠网络"(COVID-Net)算法及迁移学习新冠网络(DeTraC-Net)算法,准确率最高达98.06％,速度更快的同时还具有较好的鲁棒性.

关键词：CXR图像、CT扫描图像、COVID-19、Grad-CAM、融合Grad-CAM颜色可视化和CNN的算法(GCCV-CNN)

所属期刊栏目：16

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-09-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：2108-2120