使用胸片检测新型冠状肺炎的深度集成网络

来源：计算机技术与发展杂志2023年第02期北京时间：

作者：朱万鹏;雷秀娟

摘要：随着新型冠状病毒的爆发,该病毒引起的疫情已成为全球医疗体系最大的威胁之一。 由于目前新型冠状肺炎的强传染性,导致感染人群较多,同时肺炎也成为了影响新型冠状病毒检测的主要因素之一,因而快速诊断检测已经成为主要的挑战。 胸部 X 光检测是一种安全、灵活、速度快和有利的检测方式。 该文提出了一种融合深度可分离网络、卷积自编码器和 VGG16 的深度集成网络,构建了一个强有力的分类模型,用于对新型冠状肺炎的检测与分类。 使用 Kaggle 存储库的 COVID-19 放射学标准数据集中的胸部 X 光图像进行验证。 实验结果表明,该模型对于 COVID-19、肺炎和正常的分类准确率为 96. 15% ,灵敏度为 98. 92% ,F1 评分为 94. 92% 。 最后,将该模型与现有的模型进行了实验性能对比,同时结合了基于梯度的鉴别定位来区分不同类型肺炎的 X 光图像的异常区域。 实验结果表明,提出的模型优于现有的模型,具有较好的鲁棒性,可以作为检测新型冠状肺炎的辅助工具。

关键词：深度学习;集成网络;新型冠状肺炎;深度可分离卷积;人工智能