10.3969/j.issn.1006-2475.2023.09.015
改进EfficientNet网络的COVID-19 X光分类
针对新冠感染蔓延速度快、新冠医学图像的人工诊断耗时长、压力大、医疗资源不平衡等诸多问题,在轻量级网络EfficientNet-B0 的基础上引入新的注意力模块ECBAM,提出一种EfficientNet-ECBAM网络.首先用此模块替换EfficientNet-B0网络结构中SE模块能够改善其因降维操作导致部分细节丢失的问题.其次,因为ECBAM模块能在通道和空间2个维度进行特征提取,亦能改善SE模块提取图片特征信息不充分的问题.在选用的COVID-19胸部X光数据集上进行的实验得出,基于EfficientNet-B0网络改进后的EfficientNet-ECBAM网络的准确率比经典卷积神经分类网络VGG16、ResNet-50分别提升了3.76个百分点和2.13个百分点,特异性及敏感性等指标也均有提升,模型参数量也分别降低了97.3%、85.6%,比轻量级网络SqueezeNet、MobileNet V1的准确率分别提升了2.97个百分点和2.44个百分点.在消融实验中,改进的 ECBAM模块的各项指标也优于其他注意力模块.实验结果表明,本文提出的EfficientNet-ECBAM网络模型具有分类性能好、参数量低、计算量小的优势,利于部署在经济欠发达地区的医疗机构.
新冠感染、深度学习、EfficientNet、注意力模块
TP391.7(计算技术、计算机技术)
河北省自然科学基金面上项目;河北省大学生科技创新能力培育专项项目;河北大学校长科研基金资助项目;四川省科技厅省院省校科技合作项目;人工智能四川省重点实验室开放基金资助项目;四川理工学院人才引进基金资助项目
2023-10-31(万方平台首次上网日期,不代表论文的发表时间)
共6页
94-99