基于高阶交互和噪声样本学习的肺炎X光影像分类

来源：计算机应用与软件杂志2026年第1期北京时间：

作者：肖振楠，张灵,

摘要：为提高神经网络在肺炎疾病诊断上的准确率，提出一种基于递归门控卷积改进的神经网络模型方法，以递归的角度实现特征之间的高阶空间交互，帮助网络以更全局的角度解释胸部X射线影像数据；在损失函数上借助泰勒展开式对多项式系数进行针对性改进，在加快收敛速度的同时实现精度和性能的提升；同时结合一种正则化函数，将神经网络提取的样本特征范数作为样本属性进行学习，根据特征范数的大小实现样本识别难度由简单到困难的样本分布，避免训练过程神经网络过度拟合低质量噪声样本，提高训练效率以及样本分布的合理性。实验结果表明，改进后的网络模型在肺炎数据集上，其准确率相比VGG11、EfficientNetV2_S、ResNet34等网络模型平均提升约1.5百分点。

关键词：肺炎X光影像, 深度学习, 递归门控卷积, 正则化, 泰勒展开式