基于注意力机制和迁移学习的COVID-19深度学习诊断方法

• 作者: 魏东旭 阎丽华 史军强
• 来源期刊: CT理论与应用研究
• 关键词: COVID-19 ML-SAM 深度迁移学习 肺CT
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 医学成像与图像分析|Medical Imaging and Image Processing
• 页码范围: 477-486
• 页数: 10页
• 分类号: TP183
• 语种: 中文
• DOI: 10.15953/j.1004-4140.2021.30.04.08

摘要

目的:结合2019新型冠状病毒(COVID-19)肺炎患者肺CT影像学特征,提出一种多级空间注意力机制(ML-SAM)下的肺CT图像自动诊断模型,探讨该模型在COVID-19辅助诊断上的价值.方法:收集目前公开的COVID-19患者肺CT数据样本,在深度迁移学习框架下引入空间注意力多级聚焦策略,将数据样本、注意力机制与深度迁移学习卷积神经网络相结合,构建可在肺CT图像上自动诊断COVID-19肺炎的融合模型.结果:本文建立的融合模型对肺CT图像具有较好的分类性能,模型对COVID-19的正确识别率可达95％,同时实现了弱监督条件下肺CT图像关键特征的有效聚焦和提取.结论:本文建立的融合模型可被放射科医生或医疗保健专业人员作为COVID-19爆发期间快速、有效筛查COVID-19病例的智能辅助工具.