计算机科学与探索

作者：朱炳宇, 刘朕, 张景祥

单位：江南大学 理学院,江苏 无锡 214122

关键词：CXR图像,CT扫描图像,COVID-19,Grad-CAM,融合Grad-CAM颜色可视化和CNN的算法（GCCV-CNN）

基金：国家自然科学基金(61772239);国家自然科学基金(11804123)

新型冠状病毒肺炎（COVID-19）检测中胸部X射线（CXR图像）和电子计算机断层扫描（CT）图像是两种主要技术手段,为医生诊断提供了重要依据。针对当前卷积神经网络（CNN）在医学放射性图像中检测COVID-19的准确率不高、算法复杂、无法标记特征区域的问题,提出了一种融合梯度加权类激活映射（Grad-CAM）颜色可视化和卷积神经网络的算法（GCCV-CNN）,对COVID-19阳性患者、COVID-19阴性患者、普通肺炎患者以及正常人的肺部CXR图像和CT扫描图像进行快速分类。通过定位到CXR图像和CT扫描图像中CNN进行分类的关键区域,再综合深度学习算法得到更准确的检测结果。为验证GCCV-CNN算法的有效性,分别在3个COVID-19阳性患者数据集上进行实验,并与已有算法进行比较。结果表明该算法对COVID-19阳性患者的CXR图像和CT扫描图像分类性能优于“新冠网络”（COVID-Net）算法及迁移学习新冠网络（DeTraC-Net）算法,准确率最高达98.06%,速度更快的同时还具有较好的鲁棒性。

来源：2022年第9期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第9期