基于深度可分离稠密网络的新型冠状病毒肺炎X线图像检测方法研究

作者：冯毅博; 仇大伟; 曹慧; 张俊忠; 辛在海; 刘静^*

来源：生物医学工程学杂志, 2020, 37(04): 557-565.

• 卷积神经网络
• 新型冠状病毒肺炎
• 深度可分离稠密网络
• 医学图像分类

新型冠状病毒肺炎肆虐全球,为了更加快速地诊断新型冠状病毒肺炎(COVID-19),本文提出一种深度可分离稠密网络DWSDenseNet,以2 905例COVID-19胸部X线平片影像作为实验数据集,在网络训练前使用限制对比度自适应直方图均衡化(CLAHE)算法对图像进行预处理,增强图像的对比度,将预处理之后的图像放入训练网络中,采用Leaky ReLU作为激活函数,调整参数以达到最优。本文引入VGG16、ResNet18、ResNet34、DenseNet121和SDenseNet模型进行比较,所提出的网络在三分类实验中相较于ResNet34在准确率、灵敏度和特异性上分别提高了2.0%、2.3%、1.5%。相对于改进前的SDenseNet网络,本文模型的参数量减少了43.9%,但分类效果并未下降。通过对比实验可以发现,本文所提出的深度可分离稠密网络对COVID-19胸部X线平片影像数据集具有良好的分类效果,在保证准确率的情况下,深度可分离卷积能够有效地降低模型参数量。

• 单位
  山东中医药大学