Membership area
|
圖1 面向新冠肺炎影像診斷的自適應(yīng)注意力深度學(xué)習(xí)網(wǎng)絡(luò)AANet
圖2 AANet網(wǎng)絡(luò)相比Deep-COVID等主流深度學(xué)習(xí)方法，病癥定位精準(zhǔn)度大幅提升，熱點(diǎn)圖(saliency map)顏色深度與病癥位置匹配度顯著提升
在國(guó)家自然科學(xué)基金項(xiàng)目（批準(zhǔn)號(hào)：61973087、61773127、62073086）資助下，廣東工業(yè)大學(xué)智能信息處理團(tuán)隊(duì)謝勝利、何昭水、呂俊等在人工智能（Artificial Intelligence，AI）輔助新冠肺炎影像診斷方面取得進(jìn)展。研究成果以“面向COVID-19肺炎X影像診斷的自適應(yīng)注意力網(wǎng)絡(luò)（AANet: Adaptive Attention Network for COVID-19 Detection From Chest X-Ray Images）”為題，發(fā)表在《IEEE神經(jīng)網(wǎng)絡(luò)與學(xué)習(xí)系統(tǒng)匯刊》（IEEE Transactions on Neural Networks and Learning Systems, IEEE TNNLS）。論文鏈接：https://ieeexplore.ieee.org/document/9560709。
2020年以來(lái)，新冠肺炎肆虐全球，造成巨大損失并引發(fā)世界性健康危機(jī)(世界衛(wèi)生組織統(tǒng)計(jì)指出，截至2021年10月19日，全球累計(jì)新冠肺炎確診240940937例，死亡4903911例)。在新冠肺炎防治方面，快速準(zhǔn)確診斷新冠肺炎患者是遏制新冠病毒傳播，阻止病毒擴(kuò)散的關(guān)鍵環(huán)節(jié)。其中，新冠肺炎診斷的依據(jù)主要有核酸檢測(cè)和醫(yī)學(xué)影像檢測(cè)，但一些患者核酸檢測(cè)需2次，甚至有直到第5次才顯示陽(yáng)性的情況。因此，臨床上影像檢測(cè)是新冠肺炎診斷至關(guān)重要的手段且被列入《衛(wèi)健委新冠肺炎診療指南（第五版）》。
在傳統(tǒng)影像診斷中，醫(yī)生需要結(jié)合自身經(jīng)驗(yàn)逐一查閱影像，主觀性強(qiáng)且時(shí)間和準(zhǔn)確性難以保證，易產(chǎn)生錯(cuò)誤判斷，在應(yīng)對(duì)爆發(fā)性流行病（如新冠肺炎）診斷過(guò)程中受到限制。近年來(lái)，雖然深度學(xué)習(xí)等AI技術(shù)在影像診斷中取得較好進(jìn)展，提高了影像診斷速度、準(zhǔn)確性和可靠性。但在新冠肺炎影像診斷中，存在病灶邊界不清，病灶形態(tài)多樣且不規(guī)則等問(wèn)題，致使已有的深度學(xué)習(xí)技術(shù)直接應(yīng)用于新冠肺炎影像診斷時(shí)面臨著無(wú)法準(zhǔn)確定位、病灶放射學(xué)特征難以檢測(cè)等挑戰(zhàn)。針對(duì)以上問(wèn)題，廣東工業(yè)大學(xué)智能信息處理團(tuán)隊(duì)基于注意力機(jī)制、可變形卷積理論和方法，提出了“面向新冠肺炎快速影像檢測(cè)”的自適應(yīng)注意力深度學(xué)習(xí)網(wǎng)絡(luò)AANet（如圖1所示）。其分別通過(guò)“注意力機(jī)制模塊”克服因影像病灶邊界不清等導(dǎo)致的病癥難以準(zhǔn)確定位問(wèn)題，通過(guò)“自適應(yīng)可變形卷積模塊”克服因病灶影像形態(tài)多樣且不規(guī)則等導(dǎo)致的新冠放射學(xué)特征難以檢測(cè)問(wèn)題，從而實(shí)現(xiàn)新冠肺炎病癥影像的快速檢測(cè)和準(zhǔn)確定位（如圖2所示），在新冠肺炎公開(kāi)數(shù)據(jù)集COVIDx dataset中的檢測(cè)準(zhǔn)確率高達(dá)97%（比國(guó)際主流方法Deep-COVID、COVID-Net等提高6%以上）。
