融合卷积注意力模块的EfficientNet网络的肺炎X射线图像分类

作者：黄敏^*; 马淑娅

来源：生物医学工程研究, 2023, 42(01): 50-57.

DOI：10.19529/j.cnki.1672-6278.2023.01.08

• 肺炎
• 图像分类
• EfficientNet
• 卷积注意力模块
• 迁移学习

为提高临床上对肺炎X射线图像诊断的效率及准确率，本研究基于EfficientNet网络模型，融合卷积注意力模块(convolutional block attention module, CBAM)提出了一种识别肺炎和正常图像的分类算法。首先，对数据进行增强以防止过拟合现象；其次，通过CBAM模块提升网络对肺炎病灶区的特征提取能力；最后，使用迁移学习加速网络训练，以提升分类性能。结果表明，该算法分类准确率、召回率、AUC分别达98.29%、98.03%、99.69%,可辅助医生高效、准确地实现肺炎诊断。

• 单位
  生物医学工程学院; 中南民族大学