融合多尺度注意力机制的冠状病毒肺炎CT诊断方法

摘要

人工智能诊断是肺部感染的重要辅助诊断方法之一.然而，现有的方法大多基于深度学习，具有模型稳定性不足、复杂度高、准确率低的问题.提出融合多尺度注意力机制的浅层模型，实现了准确率高并且结构简单的新型冠状病毒肺炎CT诊断.首先，将收集到的两个新型冠状病毒肺炎数据集融合成一个数据集，解决了因数据集不足导致训练的模型不稳定.其次，通过在浅层网络ResNet18后3层中引入多尺度注意力，弥补了模型特征提取能力的不足.最后，搭建了一个具有3层全连接层的分类器，改进模型的分类能力，进而提高了肺部CT的分类准确率.结果表明，所提模型准确率达到95.41%，性能超过ResNet50,ResNet101,VGG16,DenseNet169等网络，并且模型参数数量仅有12.24×10～6，比ResNet50和VGG16等网络低50%左右.

关键词

肺炎 / 深度学习 / 多尺度注意力 / CT / 分类器