融合Grad-CAM和卷积神经网络的COVID-19检测算法

作者：朱炳宇; 刘朕; 张景祥

来源：计算机科学与探索, 2021, 1-18.

• CXR图像
• CT扫描图像
• COVID-19
• Grad-CAM
• GCCV-CNN算法

新型冠状病毒肺炎（Coronavirus Disease 2019，COVID-19）检测中胸部X射线（CXR图像）和电子计算机断层扫描（CT）图像是两种主要技术手段，为医生诊断提供了重要依据。针对当前卷积神经网络（Convolutional Neural Networks，CNN）在医学放射性图像中检测COVID-19的准确率不高、算法复杂、无法标记特征区域的问题，提出了一种融合梯度加权类激活映射（Grad-CAM）颜色可视化和卷积神经网络的算法（Combine Grad-CAM Color Visualization and Convolutional Neural Network，GCCV-CNN），对COVID-19阳性患者、COVID-19阴性患者、普通肺炎患者以及正常人的肺部CXR图像和CT扫描图像进行快速分类。通过定位到CXR图像和CT扫描图像中CNN进行分类的关键区域，再综合深度学习算法得到更准确的检测结果。为验证GCCV-CNN算法的有效性，分别在3个COVID-19阳性患者数据集上进行实验，并与已有算法进行比较。结果表明该算法对COVID-19阳性患者的CXR图像和CT扫描图像分类性能优于“新冠网络”（COVID-Net）算法及迁移学习新冠网络（DeTraC-Net）算法，准确率最高达98.06%，速度更快的同时还具有较好的鲁棒性。

• 单位
  江南大学