摘要
新冠病毒感染性极强，尽早的诊断和治疗是减少疫情造成损失的关键因素。疫情伊始，逆转录聚合酶链式反应被作为诊断新冠病毒感染的“金标准”，但存在检测周期长和敏感性不够高等问题，因此专家提出对出现相应症状患者采用CT影像检测与核酸检测相互辅助的方式进行检测，但采用CT影像检测将大幅增加医学影像数量，而且放射科医生人力不足，医生长时间超负荷工作易造成漏诊和误诊。基于深度学习的医学辅助诊断技术，可以辅助医生完成疾病筛查，有效提升工作效率，降低误诊率和漏诊率。 针对新冠肺炎病灶边缘模糊、U-Net网络易忽略边缘局部特征和小目标等问题，设计了多尺度融合注意力网络MSANet。通过全局池化层和设置空洞卷积的采样率，增大网络感受野，捕获多尺度信息，实现对大目标的有效分割；使用通道注意力与空间注意力，在通道维度上对特征信息进行选择，在空间维度上对空间病灶特征的相关性建模，实现信息的有效流动，提高了网络的表征能力；引入Dice损失函数，从全局的角度逐像素拉近的同时解决了收敛慢的问题；采用LeakyReLU激活函数解决原始网络零梯度问题。实验表明：MSANet一定程度上提升了分割精度和准确度，减少了编码器和解码器之间的语义差距，与U-Net网络相比，分割的平均交并比提升了2.9%，平均像素准确率提升了2.11%，准确率提升了1.79%。 针对新冠肺炎病灶纹理特征复杂、ResNet50网络存在空间冗余、许多卷积层未被有效利用、网络对信息的感受野与模型层数不匹配等问题，设计并提出融合坐标注意力的新冠肺炎分类网络FCANet。将位置信息嵌入通道注意力，在避免大开销的同时，获得精确的位置信息和长期依存性，增强了移动网络中的特征表达能力，提升了网络定位和识别目标区域的能力；采用SiLU激活函数进一步减少ResNet50网络出现零梯度问题。实验表明：FCANet有效利用更多信息，一定程度上提升了分类准确率，改进后的算法与ResNet50网络相比，分类的平均准确率提升了2.66%，准确率提升了2.37%，查准率提升了4.59%，F1-Score提升了2.44%，误诊率降低了4.4%。 综上所述，针对当前新冠肺炎辅助诊断技术面临的困难与挑战，本文针对医学辅助诊断中的关键技术展开研究工作，具有一定的临床意义。
NETL