文献类型：期刊文章

作　　者：苏华强[1] 雷海军[1] 雷柏英[2]

SU Huaqiang;LEI Haijun;LEI Baiying(College of Computer Science and Software Engineering,Shenzhen University,Guangdong Provincial Key Laboratory of Popular High Performance Computers,Shenzhen,Guangdong 518060,China;Department of Biomedical Engineering,School of Medicine,Shenzhen University,Guangdong Key Laboratory for Biomedical Measurements and Ultrasound Imaging,Shenzhen,Guangdong 518060,China)

机构地区：[1]深圳大学计算机与软件学院,广东省普及型高性能计算机重点实验室,广东深圳518060 [2]深圳大学医学部生物医学工程学院,广东省生物医学信息检测和超声成像重点实验室,广东深圳518060

出　　处：《信号处理》

基　　金：国家自然科学基金(62276172);广东省自然科学基金(2023A1515011378);深圳市基础研究专项(JCYJ20230808105602005)。

年　　份：2025

卷　　号：41

期　　号：2

起止页码：253-266

语　　种：中文

收录情况：BDHX、BDHX2023、核心刊

摘　　要：COVID-19是由新型冠状病毒引起的一种传染性疾病,给全球公共卫生带来了巨大的挑战。在临床实践中,胸部X射线(Chest X-ray,CXR)检查是识别COVID-19感染和其他常见肺部疾病的重要手段,然而放射科医生对COVID-19患者进行检查需要耗费大量时间和精力,而且增加医生感染的风险。因此,能够从胸部X射线的图像中,自动识别COVID-19的算法显得尤为重要。本文提出了一种基于深度学习的CXR图像分类框架,该框架能够在有限的训练数据下生成更具判别力的特征。具体而言,首先通过残差神经网络(ResNet34和ResNet50)和Transformer组成多分支分类网络,其中ResNet分支通过深度残差结构,有效地提取丰富的语义信息和细腻的纹理信息;而Transformer分支则通过自注意力机制,捕捉图像的全局语义特征。随后,利用特征交互模块将ResNet分支提取丰富的语义信息和纹理信息,与Transformer提取的全局语义特征进行特征交互。最后,再通过特征融合模块来提取图像的多尺度语义特征。该方法能够在有限训练数据的条件下提取多尺度特征表示,以对COVID-19感染区域进行特征提取和定位。实验在公开DLAI3和COVIDx数据集上与15种方法进行了比较,相比于ResNet50的模型,准确率分别提高了1.37%和0.76%。本文提出的分类方法,结合ResNet和Transformer网络在特征提取上的优点,使得网络对CXR图像的识别结果更加准确。

关 键 词：胸部X射线检查  特征交互模块  多分支分类网络  残差神经网络  TRANSFORMER

分 类 号：TP301.6]