科研之友
微信
新浪微博
Facebook
分享链接
摘要
新型冠状病毒肺炎在全球范围迅速蔓延，为快速准确地对其诊断，进而阻断疫情传播链，提出一种基于深度学习的分类网络DLDA-A-DenseNet。首先将深层密集聚合结构与DenseNet-201结合，对不同阶段的特征信息聚合，以加强对病灶的识别及定位能力；其次提出高效多尺度长程注意力以细化聚合的特征；此外针对CT图像数据集类别不均衡问题，使用均衡抽样训练策略消除偏向性。在中国胸部CT图像调查研究会提供的数据集上测试，所提方法较原始DenseNet-201在准确率、召回率、精确率、F1分数和Kappa系数提高了2.24%、3.09%、2.09%、2.60%和3.48%;并在COVID-CISet图像数据集上测试，取得99.50%的最优准确率。结果表明，对比其他方法，提出的新冠肺炎CT图像分类方法充分提取了CT切片的病灶特征，具有更高的精度和良好的泛化性。
- 单位
