基于深度学习的COVID-19智能诊断系统

摘要：

针对2019年12月在全球爆发的新冠肺炎,传统的RT-PCR检测易出现假阴性或弱阳性并且检测时间长等问题,设计了一种基于深度学习对胸部X光片辅助诊断新冠肺炎的方法;采用UNet分割模型实现了肺部ROI区域的自动分割,对分割后的影像应用TrivialAugment数据增强策略,通过MBCA-COVIDNET模型实现胸部X光片三分类(新冠肺炎、其它肺炎、正常)任务,该模型以MobileNetV2作为骨干网络,并在其中加入坐标注意力机制(CA);利用Hugging Face和Flask开源软件搭建了COVID-19智能诊断系统;实验结果表明MBCA-COVIDNET模型在COVID-QU-Ex Dataset测试集上取得了高达97.98％的准确率,而模型的参数量和MACs仅有2.23 M和0.33 G,该智能诊断系统能够很好地辅助医生进行基于胸片的COVID-19诊断,提升诊断的准确率以及诊断效率.

关键词：胸片、新冠肺炎、深度学习、分类模型、坐标注意力机制

所属期刊栏目：31

分类号：TP183(自动化基础理论)

资助基金：内蒙古自治区高等学校科学研究项目;包头医学院研究基金项目

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：96-103