基于多通道雙注意力網(wǎng)絡(luò)的COVID-19圖像分類

朱 玲,王明輝

(青島科技大學(xué) 數(shù)理學(xué)院,山東 青島 266061)

0 引言

2019年底爆發(fā)的新型冠狀病毒肺炎 (COVID-19)是由新型冠狀病毒(SARS-CoV-2)導(dǎo)致的傳染性肺炎,在2020年初迅速蔓延到全世界,目前全球總感染人數(shù)超過(guò)584 169 857人?，F(xiàn)有研究表明,新型冠狀病毒主要通過(guò)呼吸道飛沫傳播和接觸傳播,也可以通過(guò)氣溶膠和糞-口傳播,傳染能力較高[1]。由于新冠病毒蔓延迅速,常用的檢測(cè)方法如逆轉(zhuǎn)錄聚合酶鏈反應(yīng) (RT-PCR)耗時(shí)且存在一定的假陰性率,核酸檢測(cè)假陰性率高達(dá)17%～25.5%。

由于新冠肺炎是一種呼吸道疾病,病癥主要表現(xiàn)為肺部感染,所以醫(yī)生能夠通過(guò)觀察肺部圖像特征來(lái)診斷患者是否感染新型冠狀病毒。普通肺炎主要在肺部圖像顯示肺部紋理增粗,出現(xiàn)多發(fā)的小斑片陰影。而新冠肺炎肺部出現(xiàn)單發(fā)或多發(fā)的斑片狀磨玻璃影,并伴有小葉間隔增厚,在大部分患者的肺部能夠觀察到毛玻璃影渾濁以及血管擴(kuò)張,這些病癥都是新冠肺炎區(qū)別于其他肺炎的主要癥狀。因此,利用深度學(xué)習(xí)對(duì)新冠肺炎肺部圖像進(jìn)行輔助診斷能夠有效降低新冠肺炎的誤診率,緩解醫(yī)療資源的不足,能夠更加高效地進(jìn)行新冠肺炎患者的檢測(cè)。

隨著疫情的迅速蔓延,各國(guó)采取了不同的措施應(yīng)對(duì)疫情。由于新冠肺炎的癥狀主要出現(xiàn)在肺部,所以許多機(jī)構(gòu)開始通過(guò)深度學(xué)習(xí)對(duì)肺部影響進(jìn)行觀察,并在不同的模型上取得了不同的分類效果。Kumar等[2]提出的卷積神經(jīng)網(wǎng)絡(luò) CoroNet,在三分類和四分類任務(wù)的總體準(zhǔn)確率分別達(dá)到了95.00%和89.60%。孟琭等[3]利用AI診斷方法診斷COVID-19,取得了97.4% 的敏感性,92.2%的特異性。王威等[4]提出了輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)DD-CovidNet,對(duì)COVID-19識(shí)別,取得了96.08%的靈敏率,100.00%的精確率和特異性。謝娟英等[5]提出了圖像分類模型COVID-SERA-NeXt,并取得了96.11%的準(zhǔn)確率,95.46%的召回率。

卷積神經(jīng)網(wǎng)絡(luò)發(fā)展迅速,已經(jīng)廣泛地應(yīng)用到了不同的計(jì)算機(jī)視覺領(lǐng)域中,在醫(yī)學(xué)影像領(lǐng)域中廣泛應(yīng)用并取得了優(yōu)秀的表現(xiàn)。Guo等[6]利用ResNet-18網(wǎng)絡(luò)對(duì)甲狀腺超聲標(biāo)準(zhǔn)平面圖像進(jìn)行分類,取得了83.88%的準(zhǔn)確率。利用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)圖像的自動(dòng)分類,大大節(jié)省時(shí)間并提高準(zhǔn)確率。Souza等[7]使用2個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)肺部X射線圖像進(jìn)行肺分割,取得了96.79%的準(zhǔn)確率,97.54%的靈敏性,96.79%的特異性。隨著深度學(xué)習(xí)的快速發(fā)展,深度學(xué)習(xí)作為工具已經(jīng)在圖像處理等方面有效地輔助醫(yī)生對(duì)患者進(jìn)行診斷。這些研究表明深度學(xué)習(xí)在圖像分類、圖像分割等方面都表現(xiàn)出了巨大的潛力,能夠準(zhǔn)確高效地對(duì)患者進(jìn)行診斷。

注意力機(jī)制已經(jīng)成為深度卷積神經(jīng)網(wǎng)絡(luò)中的一個(gè)重要指標(biāo),在不同的領(lǐng)域中得到了廣泛的應(yīng)用。注意力機(jī)制能夠使模型通過(guò)不同的權(quán)重對(duì)圖像中的不同特征進(jìn)行選擇,并對(duì)權(quán)重較大的特征進(jìn)行學(xué)習(xí)。注意力機(jī)制能夠過(guò)濾掉無(wú)關(guān)信息,解決信息過(guò)載的問(wèn)題,提高任務(wù)處理的效率和準(zhǔn)確性。大量基于注意力機(jī)制的模型已經(jīng)廣泛應(yīng)用于圖像領(lǐng)域,基于卷積神經(jīng)網(wǎng)絡(luò)的注意力機(jī)制在圖像分割、物體檢測(cè)和圖像分類等領(lǐng)域中都表現(xiàn)出了巨大的潛力。

本文利用深度學(xué)習(xí)對(duì)COVID-19進(jìn)行輔助診斷,對(duì)不同的肺部圖像進(jìn)行識(shí)別和分類。由于收集到的肺部圖像數(shù)量有限,所以本文將遷移學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,彌補(bǔ)圖像數(shù)據(jù)量的不足。首先,多通道雙注意力模塊能夠提高對(duì)重點(diǎn)區(qū)域較為復(fù)雜的圖像特征的提取能力。其次,MDA模塊能夠獲取不同尺度的感受野,提取不同尺度的圖像特征信息,并獲得每組通道的特征權(quán)重。MDA-Net將不同通道的特征進(jìn)行拼接,獲取更全面的特征權(quán)重信息。最后,驗(yàn)證MDA-Net在不同數(shù)據(jù)集上的分類性能,證明MDA-Net具有良好的泛化性和魯棒性。

1 方法

1.1 遷移學(xué)習(xí)

遷移學(xué)習(xí)[8]能夠找出不同數(shù)據(jù)域之間相關(guān)聯(lián)的特征,實(shí)現(xiàn)不同數(shù)據(jù)之間的知識(shí)遷移,所以又名領(lǐng)域自適應(yīng)學(xué)習(xí),是遷移學(xué)習(xí)中的一個(gè)重要的研究方向。傳統(tǒng)的機(jī)器學(xué)習(xí)通常是依賴各自領(lǐng)域的訓(xùn)練樣本建立分類模型,但遷移學(xué)習(xí)是通過(guò)其他領(lǐng)域訓(xùn)練樣本進(jìn)行學(xué)習(xí),從中抽取相關(guān)知識(shí)用于目標(biāo)域?qū)W習(xí)。由于遷移學(xué)習(xí)中的被遷移的對(duì)象的不同,遷移學(xué)習(xí)也可以分為4類：基于實(shí)例的遷移學(xué)習(xí),基于特征表示的遷移學(xué)習(xí),基于參數(shù)的遷移學(xué)習(xí)和基于關(guān)系的知識(shí)遷移學(xué)習(xí)。

接下來(lái)給出遷移學(xué)習(xí)的定義,給定源域和源域?qū)W習(xí)任務(wù),以及目標(biāo)域和目標(biāo)域?qū)W習(xí)任務(wù)。遷移學(xué)習(xí)的最終目標(biāo)是根據(jù)源域和源域中的權(quán)重表現(xiàn),提升目標(biāo)域和目標(biāo)域任務(wù)中的預(yù)測(cè)函數(shù)的性能[9]。

傳統(tǒng)機(jī)器學(xué)習(xí)在應(yīng)對(duì)數(shù)據(jù)分布、維度以及模型的輸出變化等任務(wù)時(shí),往往會(huì)出現(xiàn)模型不夠靈活、輸出結(jié)果不夠好等問(wèn)題,而遷移學(xué)習(xí)能夠解決這些不足。遷移學(xué)習(xí)利用源域中訓(xùn)練得到的結(jié)果能夠使目標(biāo)域中的模型展現(xiàn)出更高的性能。遷移學(xué)習(xí)能夠在其他數(shù)據(jù)的基礎(chǔ)上,對(duì)模型部分參數(shù)進(jìn)行調(diào)整,使模型表現(xiàn)出更好的效果。在圖像領(lǐng)域中,遷移學(xué)習(xí)作為一種新型的機(jī)器學(xué)習(xí)方法,在很多領(lǐng)域中得到了廣泛應(yīng)用,比如圖像檢測(cè)、圖像分類以及圖像識(shí)別[10-13]。

1.2 多通道注意力

注意力機(jī)制已經(jīng)成為深度卷積神經(jīng)網(wǎng)絡(luò)中的一個(gè)重要指標(biāo),在不同的領(lǐng)域得到了廣泛的研究。注意力機(jī)制的作用原理是模型通過(guò)不同的權(quán)重對(duì)圖像中的不同特征進(jìn)行選擇并聚焦權(quán)重較大的特征進(jìn)行學(xué)習(xí)。注意力機(jī)制能夠過(guò)濾掉無(wú)關(guān)信息,解決信息過(guò)載的問(wèn)題,提高任務(wù)處理的效率和準(zhǔn)確性。

以往的基于注意力機(jī)制的圖像分類模型中,注意力與特征融合的過(guò)程中使用的均為通道數(shù)為一的注意力權(quán)重,或使用由其他信息提供的注意力,但是沒有使用多通道注意力。這會(huì)限制對(duì)于重點(diǎn)區(qū)域較為復(fù)雜的圖像的特征提取能力。多通道雙注意力模塊如圖1所示,本文中提出了多通道注意力機(jī)制,在網(wǎng)絡(luò)中提取多通道的注意力權(quán)重,用于提供更豐富的注意力信息[14]。在多通道注意力中,我們希望不同通道所對(duì)應(yīng)的注意力關(guān)注圖像的不同位置,以便提取多樣的信息。為達(dá)到這一效果,可以釆用特殊方法將注意力初始化,或者對(duì)注意力的通道維度進(jìn)行softmax操作。這樣在模型中只有某一通道的注意力權(quán)重取得最大值,而其他通道的注意力權(quán)重受到抑制,達(dá)到了每一通道注意力關(guān)注于不同位置的效果。

圖1 多通道雙注意力模塊

1.3 多通道雙注意力MDA

目前比較常用的通道注意力機(jī)制[15]僅考慮了通道注意力,沒有考慮到空間注意力。而模塊注意力機(jī)制[16]考慮了通道注意力和空間注意力,但并不能捕獲不同尺度的空間信息來(lái)豐富特征空間。為了提取到更豐富的圖像特征信息,減少信息的損失,提出了由多面通道注意力模塊和金字塔多樣注意力模塊組合而成的多通道雙注意力模塊MDA,結(jié)構(gòu)如圖1所示。

多通道雙注意力在特征圖輸入之后,首先通過(guò)基于特征圖的寬度和高度進(jìn)行全局平均池化,將空間特征維度降維到1×1,并使用2個(gè)全連接層和非線性激活函數(shù)建立通道間的連接。經(jīng)過(guò)sigmoid激活函數(shù)獲得歸一化權(quán)重,然后通過(guò)乘法對(duì)每一個(gè)通道進(jìn)行加權(quán)。同時(shí)對(duì)不同權(quán)重進(jìn)行多通道處理,保證模型能夠?qū)Σ煌瑓^(qū)域的特征信息進(jìn)行讀取,防止遺漏邊緣特征。最后經(jīng)過(guò)全局平均池化,獲得全局感受野。通過(guò)2次全連接層,降低特征圖的維度,減少參數(shù)和計(jì)算量,完成通道間相關(guān)性的建立。

1.4 多通道雙注意力網(wǎng)絡(luò)MDA-Net

Mobile Net V3是一種輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)。以深度可分離卷積代替了傳統(tǒng)卷積,降低了模型的參數(shù),將參數(shù)量降低到原參數(shù)量的1/5,但在降低模型訓(xùn)練消耗的同時(shí)降低對(duì)模型性能的影響?；贛obile Net V3-Large[15],本文中提出了一種全新的輕量級(jí)的多通道雙注意力網(wǎng)絡(luò)MDA-Net。

多通道雙注意力網(wǎng)絡(luò)每層由不同的模塊構(gòu)成,不同模塊能夠?qū)Σ煌妮斎胩卣鬟M(jìn)行升維和降維的操作,修正模型梯度,多通道雙注意力網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。首先,多通道雙注意力能夠提高對(duì)較為復(fù)雜的圖像特征的提取能力,增強(qiáng)對(duì)全局特征的提取能力。其次,多通道雙注意力模塊能夠獲取不同尺度的感受野,融合不同尺度的圖像特征,提取不同尺度的圖像特征信息。最后,多通道注意力網(wǎng)絡(luò)通過(guò)全局平均池化和全連接層將結(jié)果進(jìn)行輸出。

當(dāng)模型訓(xùn)練時(shí),一個(gè)在ImageNet數(shù)據(jù)集上經(jīng)過(guò)訓(xùn)練的Mobile Net V3-Large預(yù)訓(xùn)練權(quán)重被引入,通過(guò)遷移學(xué)習(xí),輸入到多通道雙注意力網(wǎng)絡(luò)中對(duì)肺部圖像進(jìn)行分類。為了取得更好的分類效果,對(duì)多通道雙注意力網(wǎng)絡(luò)分類層進(jìn)行微調(diào)[17]。多通道雙注意力網(wǎng)絡(luò)具體參數(shù)如表1所示。

圖2 多通道雙注意力網(wǎng)絡(luò)結(jié)構(gòu)圖

表1 多通道雙注意力各層的參數(shù)信息

2 實(shí)驗(yàn)

實(shí)驗(yàn)基于Python 3.6進(jìn)行,初始學(xué)習(xí)率為0.005,訓(xùn)練時(shí)的動(dòng)量設(shè)置為0.9,批量大小設(shè)置為64。實(shí)驗(yàn)所用的遠(yuǎn)程服務(wù)器系統(tǒng)為CENTOS 7,CPU為Intel(R) Xeon(R) Gold 6240 @2.60 GHz,內(nèi)存為376 GB,顯存為32 GB。

2.1 數(shù)據(jù)集

本次實(shí)驗(yàn)選取了不同醫(yī)學(xué)公共數(shù)據(jù)集上的肺部X射線圖像和肺部CT掃描圖像進(jìn)行實(shí)驗(yàn)。肺部X射線圖像包含3個(gè)類別,分別是COVID-19、肺渾濁和正常,每個(gè)類別包含2 000張圖像。肺部CT掃描圖像包含3個(gè)類別,分別是COVID-19、普通肺炎和正常,每個(gè)類別包含4 000張圖像,具體數(shù)據(jù)分布情況如表2所示。肺部CT掃描圖像和肺部X射線圖像的示例樣本如圖3所示,將實(shí)驗(yàn)的訓(xùn)練集和驗(yàn)證集按照4∶1對(duì)圖像進(jìn)行分配。除此之外,在3個(gè)類別中分別選取不同于訓(xùn)練集和驗(yàn)證集的400張肺部X射線圖像和200張肺部CT掃描圖像作為測(cè)試集進(jìn)行測(cè)試,通過(guò)準(zhǔn)確率、精確率、召回率、F1得分和特異性對(duì)MDA-Net進(jìn)行評(píng)估。

表2 圖像數(shù)據(jù)集統(tǒng)計(jì)

圖3 肺部圖像示例樣本

深度學(xué)習(xí)需要大量帶標(biāo)簽的圖像數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,所以對(duì)帶有標(biāo)簽的肺部圖像進(jìn)行數(shù)據(jù)增強(qiáng),將輸入圖像大小統(tǒng)一成 255×255,通過(guò)翻轉(zhuǎn)、平移等方式擴(kuò)充圖像數(shù)據(jù)數(shù)量。通過(guò)遷移學(xué)習(xí),利用圖像之間的內(nèi)在聯(lián)系進(jìn)行特征遷移,提高模型訓(xùn)練準(zhǔn)確率。數(shù)據(jù)增強(qiáng)前后的部分圖像示例樣本如圖4所示。

圖4 數(shù)據(jù)增強(qiáng)前后部分圖像示例樣本

2.2 評(píng)估指標(biāo)

通過(guò)5個(gè)評(píng)價(jià)指標(biāo)對(duì)MDA-Net進(jìn)行評(píng)估,分別是準(zhǔn)確率(Accuracy)、精確度(Precision)、F1得分(F1-Score)、召回率(Recall)和特異性(Specificity)。在分類任務(wù)中,混淆矩陣 (confusion matrix,CM) 能夠直觀地展現(xiàn)所有圖像的分類情況。定義TP、TN、FP、FN分別為真陽(yáng)性、真陰性、假陽(yáng)性和假陰性。以COVID-19為例,COVID-19中被預(yù)測(cè)為COVID-19的圖像數(shù)量記為TP,其他類別中被預(yù)測(cè)為其他類別的圖像數(shù)量記為TN,其他類別中被預(yù)測(cè)為COVID-19的圖像數(shù)量記為FP,COVID-19中被預(yù)測(cè)為其他類別的圖像數(shù)量記為FN。具體評(píng)價(jià)指標(biāo)公式如下：

(1)

(2)

(3)

(4)

(5)

(6)

2.3 消融實(shí)驗(yàn)

通過(guò)準(zhǔn)確率來(lái)展現(xiàn)MDA-Net與未融合MDA的MDA-Net的不同分類效果。為了節(jié)省計(jì)算資源,在文中的數(shù)據(jù)集中選取了部分?jǐn)?shù)據(jù)進(jìn)行消融實(shí)驗(yàn),其中選取肺部CT掃描圖像1 000張,選取肺部X射線圖像500張。MDA-Net融合MDA前后的訓(xùn)練準(zhǔn)確率如表3所示。在圖5所示的曲線圖中能夠觀察到,相較于未融合MDA的MDA-Net,MDA-Net在二分類和三分類情況下,準(zhǔn)確率平緩且沒有較大起伏,并保持了較高的準(zhǔn)確率。在二分類和三分類任務(wù)中,MDA-Net在肺部CT掃描圖像中平均準(zhǔn)確率上升了0.93%,在肺部X射線圖像中的平均準(zhǔn)確率上升了0.21%。

表3 MDA-Net融合MDA前后的訓(xùn)練準(zhǔn)確率 %

MDA-Net在不同圖像時(shí),不同分類的損失曲線如圖6所示?？梢钥闯?MDA-Net具有較強(qiáng)的擬合能力,隨著批次的增加,訓(xùn)練集的準(zhǔn)確率和損失不斷優(yōu)化,沒有出現(xiàn)過(guò)擬合或者欠擬合的現(xiàn)象,訓(xùn)練結(jié)果表明,MDA-Net能夠?qū)θ痔卣鬟M(jìn)行拼接并提取出重要特征,增強(qiáng)了對(duì)不同通道特征的提取能力,提高了穩(wěn)定性和泛化性。

圖5 MDA-Net融合MDA前后的訓(xùn)練準(zhǔn)確率變化曲線

圖6 MDA-Net在不同圖像時(shí)不同分類的損失曲線

2.4 二分類實(shí)驗(yàn)結(jié)果

MDA-Net在二分類(COVID-19和正常)任務(wù)中的分類結(jié)果如表4所示。在肺部CT掃描圖像的二分類任務(wù)中,MDA-Net展現(xiàn)了較好的性能,準(zhǔn)確率、精確率、召回率、特異性和F1得分均取得了100.00%。在肺部X射線圖像的二分類任務(wù)中,MDA-Net取得了98.50%的平均準(zhǔn)確率,98.55%的平均精確率和0.99的平均F1得分。雖然MDA-Net在肺部X射線圖像中二分類任務(wù)中還存在部分不足,但仍能取得較高的分類精度。

肺部CT掃描圖像和肺部X射線圖像的混淆矩陣如圖7(a)和圖8(a)所示,肺部CT掃描圖像的COVID-19和正常圖像全部預(yù)測(cè)成功,肺部X射線圖像的COVID-19全部預(yù)測(cè)成功,正常的肺部圖像僅有6例被預(yù)測(cè)為COVID-19。MDA-Net總體分類準(zhǔn)確率較高,在肺部CT掃描圖像和肺部X射線圖像中分別是100.00%和98.50%,在二分類任務(wù)中展現(xiàn)了良好的性能。

表4 MDA-Net二分類數(shù)據(jù)結(jié)果

圖7 肺部CT掃描圖像二分類和三分類的混淆矩陣

圖8 肺部X射線圖像二分類和三分類混淆矩陣

2.5 三分類實(shí)驗(yàn)結(jié)果

MDA-Net在三分類(COVID-19、普通肺炎和正常)任務(wù)中的分類結(jié)果如表5所示。在肺部CT掃描圖像的三分類任務(wù)中,MDA-Net取得了99.87%的平均準(zhǔn)確率、99.77%的平均精確率和1.00的平均F1得分。在肺部X射線圖像的三分類任務(wù)中,MDA-Net取得了98.90%的平均準(zhǔn)確率、98.37%的平均精確率和0.99的平均F1得分。雖然MDA-Net在肺部CT掃描圖像和肺部X射線圖像的三分類任務(wù)中還存在部分不足,但仍能取得較高的分類精度。

肺部CT掃描圖像和肺部X射線圖像的混淆矩陣如圖7(b)和圖8(b)所示,肺部CT掃描圖像的COVID-19圖像僅有3例被預(yù)測(cè)成為普通肺炎,其他均預(yù)測(cè)正確。肺部X射線圖像的COVID-19圖像有2例被預(yù)測(cè)為肺渾濁,肺渾濁圖像中有3例被預(yù)測(cè)為COVID-19,正常圖像中4例被預(yù)測(cè)為COVID-19,1例被預(yù)測(cè)為肺渾濁。MDA-Net總體分類準(zhǔn)確率較高,在肺部CT掃描圖像和肺部X射線圖像中分別是99.87%和98.90%,在三分類任務(wù)中取得了較好的效果,具有良好的檢測(cè)和分類能力。

表5 MDA-Net三分類數(shù)據(jù)結(jié)果

2.6 與其他方法的結(jié)果對(duì)比

為了證明提出的MDA-Net在COVID-19診斷中的先進(jìn)性,并更加客觀地評(píng)價(jià)MDA-Net。將MDA-Net與其他方法進(jìn)行了對(duì)比,結(jié)果如表6所示。

首先,對(duì)于二分類任務(wù),另外選取數(shù)據(jù)集的400張肺部CT掃描圖像和200張肺部X射線圖像作為驗(yàn)證集,對(duì)模型的性能進(jìn)行評(píng)估。通過(guò)表5能夠看出,MDA-Net在二分類任務(wù)中的肺部圖像中取得了較好的分類能力,展現(xiàn)了良好的性能。其次,在三分類任務(wù)中,通過(guò)對(duì)比能夠發(fā)現(xiàn)MDA-Net的總體準(zhǔn)確率較好,精確率和F1得分也表明MDA-Net具有分類優(yōu)勢(shì),這證明MDA-Net具有一定的可用性。最后,MDA-Net在2個(gè)數(shù)據(jù)集上分類效果都較為良好,能夠拼接不同通道的權(quán)重,加快模型收斂速度,具有良好的穩(wěn)定性、泛化性和分類性能。

表6 各類方法結(jié)果

3 結(jié)論

提出了基于遷移學(xué)習(xí)的多通道雙注意力網(wǎng)絡(luò)MDA-Net,通過(guò)肺部圖像對(duì)疑似COVID-19患者進(jìn)行自動(dòng)診治。MDA-Net利用遷移學(xué)習(xí)的預(yù)訓(xùn)練權(quán)重獲得了較好的初始準(zhǔn)確率,提高了分類能力。多通道雙注意力模塊融合的不同尺度的圖像特征信息,提高了對(duì)全局特征的提取能力。MDA-Net能夠獲得每組通道的特征權(quán)重,能夠?qū)⒉煌ǖ赖奶卣鬟M(jìn)行拼接,獲取更全面的特征權(quán)重信息。

經(jīng)過(guò)消融實(shí)驗(yàn)后,MDA-Net的分類能力得到明顯提升。對(duì)于肺部CT掃描圖像和肺部X射線圖像,在二分類任務(wù)中分別取得了100%和98.50%的準(zhǔn)確率,在三分類任務(wù)中分別取得了99.87%和98.90%的準(zhǔn)確率。與其他模型對(duì)比,凸顯了MDA-Net的穩(wěn)定性、泛化性和優(yōu)秀的分類能力。實(shí)驗(yàn)表明,MDA-Net能夠在消耗較少時(shí)間和計(jì)算資源的前提下對(duì)肺部圖像快速分類,可以作為醫(yī)院對(duì)COVID-19患者進(jìn)行輔助診斷的手段之一。MDA-Net是輕量級(jí)的網(wǎng)絡(luò),改進(jìn)之后仍可用于其他醫(yī)療診斷,如肺結(jié)節(jié)、肺癌和腦腫瘤等其他疾病。