基于ConvNeXt网络的新冠肺炎X射线图像诊断方法
摘要
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，所提网络通过设计主干网络ConvNeXt、聚合注意力模块、长短期记忆网络，更加关注全局与局部信息的交互性。对公开访问的COVID-19 Radiography Database数据集图像分类，所提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1.60个百分点、1.23个百分点、1.76个百分点，且其在多项实验指标上优于Vision Transformer、Swin-Transformer，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%。另外选用Chest X-ray数据集进一步验证所提网络泛化能力，采用Score-CAM算法验证其有效性。实验结果表明，所提网络对新冠肺炎X射线图像具有较好的分类效果。
引用本文（GB/T 7714）
张帅 Zhang Shuai, 张俊忠 Zhang Junzhong, 曹慧 Cao Hui, 等. 基于ConvNeXt网络的新冠肺炎X射线图像诊断方法[J]. Laser & Optoelectronics Progress, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。