• 山东中医药大学 智能与信息工程学院(济南 250355);
导出 下载 收藏 扫码 引用

新型冠状病毒肺炎肆虐全球,为了更加快速地诊断新型冠状病毒肺炎(COVID-19),本文提出一种深度可分离稠密网络 DWSDenseNet,以 2 905 例 COVID-19 胸部 X 线平片影像作为实验数据集,在网络训练前使用限制对比度自适应直方图均衡化(CLAHE)算法对图像进行预处理,增强图像的对比度,将预处理之后的图像放入训练网络中,采用 Leaky ReLU 作为激活函数,调整参数以达到最优。本文引入 VGG16、ResNet18、ResNet34、DenseNet121 和 SDenseNet 模型进行比较,所提出的网络在三分类实验中相较于 ResNet34 在准确率、灵敏度和特异性上分别提高了 2.0%、2.3%、1.5%。相对于改进前的 SDenseNet 网络,本文模型的参数量减少了 43.9%,但分类效果并未下降。通过对比实验可以发现,本文所提出的深度可分离稠密网络对 COVID-19 胸部 X 线平片影像数据集具有良好的分类效果,在保证准确率的情况下,深度可分离卷积能够有效地降低模型参数量。

引用本文: 冯毅博, 仇大伟, 曹慧, 张俊忠, 辛在海, 刘静. 基于深度可分离稠密网络的新型冠状病毒肺炎 X 线图像检测方法研究. 生物医学工程学杂志, 2020, 37(4): 557-565. doi: 10.7507/1001-5515.202005056 复制

  • 下一篇

    新型冠状病毒肺炎防控现场消毒技术研究