期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
融合Grad-CAM和卷积神经网络的COVID-19检测算法 被引量:19
1
作者 朱炳宇 刘朕 张景祥 《计算机科学与探索》 CSCD 北大核心 2022年第9期2108-2120,共13页
新型冠状病毒肺炎(COVID-19)检测中胸部X射线(CXR图像)和电子计算机断层扫描(CT)图像是两种主要技术手段,为医生诊断提供了重要依据。针对当前卷积神经网络(CNN)在医学放射性图像中检测COVID-19的准确率不高、算法复杂、无法标记特征区... 新型冠状病毒肺炎(COVID-19)检测中胸部X射线(CXR图像)和电子计算机断层扫描(CT)图像是两种主要技术手段,为医生诊断提供了重要依据。针对当前卷积神经网络(CNN)在医学放射性图像中检测COVID-19的准确率不高、算法复杂、无法标记特征区域的问题,提出了一种融合梯度加权类激活映射(GradCAM)颜色可视化和卷积神经网络的算法(GCCV-CNN),对COVID-19阳性患者、COVID-19阴性患者、普通肺炎患者以及正常人的肺部CXR图像和CT扫描图像进行快速分类。通过定位到CXR图像和CT扫描图像中CNN进行分类的关键区域,再综合深度学习算法得到更准确的检测结果。为验证GCCV-CNN算法的有效性,分别在3个COVID-19阳性患者数据集上进行实验,并与已有算法进行比较。结果表明该算法对COVID-19阳性患者的CXR图像和CT扫描图像分类性能优于“新冠网络”(COVID-Net)算法及迁移学习新冠网络(DeTraCNet)算法,准确率最高达98.06%,速度更快的同时还具有较好的鲁棒性。 展开更多
关键词 CXR图像 CT扫描图像 COVID-19 grad-cam 融合grad-cam颜色可视和cnn的算法(gccv-cnn)
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部