从CT图像中检测新型冠状病毒感染导致的肺炎：一种细节上采样和注意力引导的深度学习方法

摘要

目的 通过对细节信息的恢复并结合局部信息的挖掘，构建基于深度学习的目标检测方法以帮助放射科医生快速诊断新型冠状病毒感染导致的肺炎（novel coronavirus pneumonia, NCP）患者CT图像中的病灶。方法 提出一种细节上采样和注意力引导的深度学习方法。该方法使用一种基于三双线插值的线性上采样算法来增强特征图在上采样过程中细节信息的恢复能力，并在特征提取模块中嵌入基于垂直和水平空间的视觉注意力机制以增强目标检测算法对NCP病灶关键信息的表征能力。结果 在NCP数据集上的实验结果显示，使用基于细节上采样算法的检测方法与基线模型相比提升了1.07%的召回率，达到了85.14%的AP50。在特征提取模块中嵌入注意力机制后取得了86.13%的AP50和73.92%的召回率以及90.37%的精确率，优于流行的目标检测模型。结论 CT图像中基于深度学习的特征信息挖掘能够进一步提升病灶检测能力，所提出的方法有助于放射科医生快速检测CT图像中的NCP病灶，为NCP患者的早期干预和高强度监测提供重要的临床依据。

关键词

新型冠状病毒感染 / 目标检测 / 深度学习 / 注意力机制 / 肺炎