典型文献
融合Grad-CAM和卷积神经网络的COVID-19检测算法
文献摘要：
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(Grad-CAM)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(DeTraC-Net)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.
文献关键词：
CXR图像;CT扫描图像;COVID-19;Grad-CAM;融合Grad-CAM颜色可视化和CNN的算法(GCCV-CNN)
中图分类号：
作者姓名：
朱炳宇;刘朕;张景祥
作者机构：
江南大学理学院,江苏无锡214122
文献出处：
引用格式：
[1]朱炳宇;刘朕;张景祥-.融合Grad-CAM和卷积神经网络的COVID-19检测算法)[J].计算机科学与探索,2022(09):2108-2120
A类：
GCCV,DeTraC
B类：
Grad,CAM,检测算法,胸部,CXR,电子计算机断层扫描,像是,主要技术,特征区域,梯度加权类激活映射,普通肺炎,肺炎患者,正常人,扫描图像,快速分类,过定位,关键区域,深度学习算法,患者数据,图像分类,分类性能,Net,迁移学习
AB值：
0.214986
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
