融合卷积注意力模块的EfficientNet网络的肺炎X射线图像分类
黄敏
马淑娅
中南民族大学 生物医学工程学院,武汉 430074
摘要：为提高临床上对肺炎X射线图像诊断的效率及准确率,本研究基于EfficientNet网络模型,融合卷积注意力模块(convolutional block attention module,CBAM)提出了一种识别肺炎和正常图像的分类算法.首先,对数据进行增强以防止过拟合现象;其次,通过CBAM模块提升网络对肺炎病灶区的特征提取能力;最后,使用迁移学习加速网络训练,以提升分类性能.结果表明,该算法分类准确率、召回率、AUC分别达98.29％、98.03％、99.69％,可辅助医生高效、准确地实现肺炎诊断.
关键词：肺炎图像分类EfficientNet卷积注意力模块迁移学习
分类号：R318(医用一般科学)R445(诊断学)TP183(自动化基础理论)
资助基金：湖北省自然科学基金资助项目(2020CFB837)中央高校基本科研业务费专项资金资助项目(CZZ21006)
论文发表日期：2023-03-25
在线出版日期：2026-09-11（本平台首次上网日期，不代表文献的发表时间）
页数：8( 50-57 )
英文信息