基于ConvNeXt网络的新冠肺炎X射线图像诊断方法

作者：张帅; 张俊忠; 曹慧; 仇大伟; 吉旭瑞

来源：激光与光电子学进展, 2022, 1-18.

• X射线图像
• 新冠肺炎
• 注意力机制
• 长短期记忆网络

卷积神经网络（CNN）在新冠肺炎X射线图像分类中取得诸多成果，但卷积结构只能学习到特征图相邻空间位置的上下文信息。为了更好地结合胸部X射线图像全局信息，除了提高CNN的深度，本文提出的GlstNet网络通过设计主干网络ConvNeXt，聚合注意力模块与长短期记忆网络加关注全局与局部信息的交互性。实验对公开访问的COVID-19Radiography Database数据集图像分类，所提出的网络在三分类实验中相较于基础模型ConvNeXt在准确率、精确率、召回率上分别提高了1.60%,1.23%,1.76%。实验多项指标优于Vision Transformer、Swin-Transformer，其中准确率、精确率、召回率、特异度分别提高到95.6%,96.03%,95.76%,97.53%。另外实验选用Chest X-ray数据集进一步验证GlstNet网络泛化能力，采用Score-CAM算法验证该方法的有效性。实验证明本文所提出的GlstNet对新冠肺炎X射线图像具有较好的分类效果。

• 单位
  山东中医药大学; 第一临床医学院