基于深度残差网络的新冠肺炎CT影像分类系统

作者：金哲毅; 杨晓玲^*

来源：信息技术与信息化, 2021, (10): 114-116.

• ResNet50
• 数据增强
• 新冠肺炎CT影像

在全球新冠疫情常态化的背景下,为加快诊断进度,CT筛选或将成为诊断新型冠状病毒感染的临床首选方法。首先,采用获取的一个开源COVID-CT数据集,其包含新冠照片阳性361张、阴性397张;然后利用深度残差网络ResNet系列网络泛化性能强、分类能力强等优点,在系统中应用改进的ResNet网络,使用ResNet50作为预训练模型开发一个可以实现对新冠肺炎CT影像分类的系统;为加快网络训练速度、提高检测精度采用了冻结网络层数、数据增强的方法。实验结果表明,构建的模型可以完成是否患有新冠肺炎的分类判断,新冠患者CT影像的平均精确率可达98.7%,非新冠患者CT影像的平均精确率可达99.1%。

• 单位
  电子信息工程学院; 吉林大学珠海学院