基于轻量级神经网络的新冠肺炎CT新型识别技术

作者：郭艺; 杜秋晨; 吴朦朦; 马鹏涛; 李冠华

来源：中国医学物理学杂志, 2022, 39(10): 1263-1269.

• 新冠肺炎
• 电子计算机断层扫描
• 轻量级网络
• 识别技术
• GhostNet

目的：为了满足临床新冠肺炎检测的实际需求，提出一种基于轻量级人工神经网络的新冠肺炎CT新型识别技术。方法：首先，选取目前公开的所有新冠肺炎CT图像数据集，经过图像亮度规范化和数据集清洗后作为训练数据，通过大样本提高深度学习的泛化能力；其次，采用GhostNet轻量级网络简化网络参数，使深度学习模型能够在医用计算机上运行，提高新冠肺炎CT诊断的效率；再次，在网络输入中加入肺部区域分割图像，进一步提高新冠肺炎CT诊断的准确性；最后，提出加权交叉熵损失函数减小漏诊率。结果：在本研究构建的数据集上进行测试，所提出方法的精确率、召回率、准确率和F1值分别为83%、96%、90%和88%，且在医用计算机上耗时为236 ms。结论：本研究提出方法的效率和准确性均优于其他对比算法，能较好地适应新冠肺炎诊断的需求。

• 单位
  北京航空航天大学; 电子信息工程学院