摘要
为快速准确地对正常肺部、普通肺炎、新冠病毒肺炎CT图像进行识别分类,提出了一种融合改进的卷积块注意力模块(convolutional block attention module,CBAM)机制和ResNet18 网络的新模型.对CBAM中的多层感知机(multilayer perceptron,MLP)进行升维改进,放大肺部CT图像关键特征;以ResNet18 作为基础模型,将改进的CBAM机制融入ResNet模块中,以加强对关键细节特征的提取,并将AlphaDropout和SeLU激活函数融入网络中,防止其网络的过拟合化,加速模型收敛效果.通过混淆矩阵计算得出模型的准确率、精确率、召回率、F1分数分别达到了99.33%、99.34%、99.33%和0.984 5,相比改进前的ResNet18 模型分别提高了 4.23%、4.88%、4.20%、0.042,且均高于GoogLeNet、ResNet50 和Xception对照模型.研究结果表明,改进的CBAM-ResNet18 模型对肺部CT图像具有良好的识别结果.
基金项目
江西省教育厅自然科学研究项目(GJJ2202030)
南昌师范学院自然科学研究项目(22XJZR02)
NETL
NSTL
万方数据