使用胸片检测新型冠状肺炎的深度集成网络

摘要：

随着新型冠状病毒的爆发,该病毒引起的疫情已成为全球医疗体系最大的威胁之一.由于目前新型冠状肺炎的强传染性,导致感染人群较多,同时肺炎也成为了影响新型冠状病毒检测的主要因素之一,因而快速诊断检测已经成为主要的挑战.胸部X光检测是一种安全、灵活、速度快和有利的检测方式.该文提出了一种融合深度可分离网络、卷积自编码器和VGG16的深度集成网络,构建了一个强有力的分类模型,用于对新型冠状肺炎的检测与分类.使用Kaggle存储库的COVID-19放射学标准数据集中的胸部X光图像进行验证.实验结果表明,该模型对于COVID-19、肺炎和正常的分类准确率为96.15％,灵敏度为98.92％,F1评分为94.92％.最后,将该模型与现有的模型进行了实验性能对比,同时结合了基于梯度的鉴别定位来区分不同类型肺炎的X光图像的异常区域.实验结果表明,提出的模型优于现有的模型,具有较好的鲁棒性,可以作为检测新型冠状肺炎的辅助工具.

关键词：深度学习、集成网络、新型冠状肺炎、深度可分离卷积、人工智能

所属期刊栏目：33

分类号：TP751(遥感技术)

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：2023-03-07（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：153-160