计算机辅助设计与图形学学报

作者：王威, 黄文迪, 王新, 王珑润

关键词：肺炎, 胸部CT图像, 卷积神经网络, Transformer

肺炎常缺乏明显呼吸系症状, 症状多不典型, 易发生漏诊、错诊.利用深度学习技术辅助医务人员安全、高效地检测感染者是一种有效途径.针对COVID-19感染者CT图像的磨玻璃影、铺路石征、血管扩张等特点, 提出一种可有效地提取CT图像中的局部与全局特征的轻量级模型——DL-CTNet.输入预处理的CT图像后, 首先采用空洞卷积和动态双路径多尺度特征融合(D-DMFF)模块的2个支路提取浅层特征; 然后使用局部与全局特征拼接模块(LGFC)中的D-DMFF模块提取局部特征、Swin Transformer提取全局特征, 并通过拼接获得深层特征; 最后经过全连接层输出分类标签.实验结果表明, 在2个CT图像数据集上, 验证了LGFC模块以及DL-CTNet的低复杂度与有效性; DL-CTNet的分类准确率高达98.613%, 与其他方法相比, 其能更准确地识别肺炎的CT图像.

来源：2024年第1期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2024年第1期