检索结果-南通市图书馆

新冠肺炎CXR图像分类新模型COVID-SERA-NeXt

在线全文

学校读者我要写书评

暂无评论

太原理工大学学报 2022年第1期53卷 52-62页

作者：谢娟英夏琴陕西师范大学计算机科学学院西安710119

新型冠状病毒(COVID-19)感染者胸部X射线(Chest X-ray,cxr)图像不同于正常人,是诊断的有效依据。在ResNeXt模型基础上,加入交叉堆叠的通道注意力模块和残差注意力模块以及提出的维度降解模块,提出了针对COVID-19 CXR图像分类的COVID-SER... 详细信息

新型冠状病毒(COVID-19)感染者胸部X射线(Chest X-ray,cxr)图像不同于正常人,是诊断的有效依据。在ResNeXt模型基础上,加入交叉堆叠的通道注意力模块和残差注意力模块以及提出的维度降解模块,提出了针对COVID-19 CXR图像分类的COVID-SERA-NeXt模型。对公开访问的基准数据集COVIDx进行图像分类,实验结果显示,提出的COVID-SERA-NeXt模型在多项指标上优于其基础模型ResNeXt,其中准确率、宏召回率分别提高到96.11%、95.46%.经过ChestX-ray8医学图像预训练的COVID-SERA-NeXt模型对COVIDx数据集的分类性能更进一步提升。

关键词：新型冠状病毒肺炎计算机辅助诊断注意力机制深度卷积神经网络 CXR图像分类

基于XDense-RC-net的CXR图像分类算法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2022年第12期39卷 3803-3807页

作者：程文娟于国庆合肥工业大学计算机与信息学院合肥230601

卷积神经网络逐渐应用于胸部X射线(chset X-ray,cxr)图像分类领域,目前普遍使用迁移学习技术进行分类研究,但在快速构建网络时未能考虑CXR图像的特异性。针对上述问题,提出了一种新型的XDense-RC-net方法。该方法对DenseNet模型进行改进... 详细信息

卷积神经网络逐渐应用于胸部X射线(chset X-ray,cxr)图像分类领域,目前普遍使用迁移学习技术进行分类研究,但在快速构建网络时未能考虑CXR图像的特异性。针对上述问题,提出了一种新型的XDense-RC-net方法。该方法对DenseNet模型进行改进,在原密集连接层引入新提出的空间注意力机制,实现特征提取和特征融合,优化DenseNet的transition模块,同时使用两种不同的池化策略增强模型的抗扰动能力。实验使用chest X-ray14多标签14分类数据集和COVIDx单标签3分类数据集对XDense-RC-net进行验证。在多标签分类实验中,平均AUC值达到0.854,比基准方法提升了0.109。在单标签分类实验中,平均准确率达到96.75%,相较于基准方法提升了7.75%。结果显示,XDense-RC-net提升了CXR图像分类的精度,并能够泛化至多标签和单标签两种不同的分类任务中。

关键词： CXR图像图像分类 XDense-RC-net 注意力机制

在线全文

学校读者我要写书评

暂无评论

基于自注意力卷积的新冠肺炎CXR图像识别

安徽师范大学学报（自然科学版） 2023年第3期46卷 217-221页

作者：吕嫄芜湖职业技术学院基础教学部安徽芜湖241000

2019冠状病毒病(COVID-19)是近年来对世界经济发展影响最大的流行病。早期发现是治疗COVID-19患者的关键,而胸片作为一种快速有效的辅助诊断方法被广泛用于实际的医疗案例中。基于深度学习的图像识别方法能更快、更准确地诊断CXR图像,... 详细信息

2019冠状病毒病(COVID-19)是近年来对世界经济发展影响最大的流行病。早期发现是治疗COVID-19患者的关键,而胸片作为一种快速有效的辅助诊断方法被广泛用于实际的医疗案例中。基于深度学习的图像识别方法能更快、更准确地诊断CXR图像,可以取得较好的效果。然而,常见的深度学习模型在对数据进行特征提取时没有针对性。对此,本文提出基于卷积注意力的新冠肺炎图像识别网络,提升对COVID-19阳性样本的敏感性和特异性,并且增加的模型参数量和训练时间可以忽略不计。本文结合VGG16、MobileNet、InceptionV3、ResNet50等经典深度学习网络搭建了卷积注意力模型,并在COVIDRD公开数据库上进行了验证。实验结果表明本文提出的网络架构有效的提升了对新冠肺炎识别的准确性、敏感性和特异性。

关键词：新冠肺炎 CXR图像深度学习卷积注意力

在线全文

学校读者我要写书评

暂无评论

改进全局上下文注意力新冠肺炎X光诊断方法

计算机工程与应用 2023年第21期59卷 222-230页

作者：吉旭瑞刘静吉辉张帅曹慧山东中医药大学智能与信息工程学院济南250355 陕西学前师范学院历史与文化旅游学院西安710100

在新型冠状病毒肺炎诊断任务中,胸部X射线(chest X-ray,cxr)的无关信息会影响模型分类决策,利用分割网络先将肺实质提取出来再进行分类是一种有效的途径。提出一种两阶段的分类模型Res-IgSa,使用ResUNet网络先提取CXR图像的肺实质,分类... 详细信息

在新型冠状病毒肺炎诊断任务中,胸部X射线(chest X-ray,cxr)的无关信息会影响模型分类决策,利用分割网络先将肺实质提取出来再进行分类是一种有效的途径。提出一种两阶段的分类模型Res-IgSa,使用ResUNet网络先提取CXR图像的肺实质,分类网络以ResNet50为基本框架,引入改进全局上下文模块(WGC)以及空间注意力模块(CSA)。WGC在全局上下文的基础上引入通道规范化以及门控自适应单元,以更好地调整通道间的关系;CSA引入分组卷积,通过分组数来控制模型的容量,WGC和CSA可以实现特征图间的互补。在COVID-19 Radiography DatabaseV5数据集上进行了大量的实验,与原论文采用相同的方法相比,Res-IgSa实现了更好的分类效果,准确率、精度、召回率以及F1值分别达到了94.154%、94.157%、94.154%以及94.139%,并进行消融实验以及结果可视化进一步证明了该模型的有效性。

关键词：新型冠状病毒肺炎深度学习分割分类注意力机制 CXR图像

融合Grad-CAM和卷积神经网络的COVID-19检测算法

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2022年第9期16卷 2108-2120页

作者：朱炳宇刘朕张景祥江南大学理学院江苏无锡214122

新型冠状病毒肺炎(COVID-19)检测中胸部X射线(CXR图像)和电子计算机断层扫描(CT)图像是两种主要技术手段,为医生诊断提供了重要依据。针对当前卷积神经网络(CNN)在医学放射性图像中检测COVID-19的准确率不高、算法复杂、无法标记特征区... 详细信息

新型冠状病毒肺炎(COVID-19)检测中胸部X射线(CXR图像)和电子计算机断层扫描(CT)图像是两种主要技术手段,为医生诊断提供了重要依据。针对当前卷积神经网络(CNN)在医学放射性图像中检测COVID-19的准确率不高、算法复杂、无法标记特征区域的问题,提出了一种融合梯度加权类激活映射(GradCAM)颜色可视化和卷积神经网络的算法(GCCV-CNN),对COVID-19阳性患者、COVID-19阴性患者、普通肺炎患者以及正常人的肺部CXR图像和CT扫描图像进行快速分类。通过定位到CXR图像和CT扫描图像中CNN进行分类的关键区域,再综合深度学习算法得到更准确的检测结果。为验证GCCV-CNN算法的有效性,分别在3个COVID-19阳性患者数据集上进行实验,并与已有算法进行比较。结果表明该算法对COVID-19阳性患者的CXR图像和CT扫描图像分类性能优于“新冠网络”(COVID-Net)算法及迁移学习新冠网络(DeTraCNet)算法,准确率最高达98.06%,速度更快的同时还具有较好的鲁棒性。

关键词： CXR图像 CT扫描图像 COVID-19 Grad-CAM 融合Grad-CAM颜色可视化和CNN的算法(GCCV-CNN)