改进卷积神经网络的COVID-19CT影像分类方法研究

• 作者: 吴辰文 梁雨欣 田鸿雁
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 新型冠状病毒 深度学习 CT影像 条件生成对抗网络 U-Net
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 图形图像处理|Graphics and Image Processing
• 页码范围: 225-234
• 页数: 10页
• 分类号: TP391.7
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2106-0289

摘要

针对2019年12月在中国武汉发现的新型冠状病毒,由于RT-PCR检测具有假阴性率过高且得出结果会花费大量时间等问题,研究证明计算机断层扫描(CT)已经成为了辅助诊断和治疗新型冠状病毒肺炎的重要手段之一.由于目前公开的COVID-19 CT数据集较少,提出利用条件生成对抗网络进行数据增强以获得更多样本的CT数据集,以此降低发生过拟合风险;另外提出一种基于BIN残差块的改进U-Net网络来进行图像分割,再结合多层感知器进行分类预测.通过与AlexNet、GoogleNet等网络模型进行比较,得出提出的BUF-Net网络模型性能最优,达到了93％的准确率.利用Grad-CAM技术对系统的输出进行可视化,能够更加直观地说明CT影像对于诊断COVID-19的重要作用.将深度学习技术应用到医学影像中有助于协助放射科医生获得更为有效的诊断.