|
圖1 面向新冠肺炎影像診斷的自適應注意力深度學習網(wǎng)絡AANet
圖2 AANet網(wǎng)絡相比Deep-COVID等主流深度學習方法，病癥定位精準度大幅提升，熱點圖(saliency map)顏色深度與病癥位置匹配度顯著提升
在國家自然科學基金項目（批準號：61973087、61773127、62073086）資助下，廣東工業(yè)大學智能信息處理團隊謝勝利、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展。研究成果以“面向COVID-19肺炎X影像診斷的自適應注意力網(wǎng)絡（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)絡與學習系統(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，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(世界衛(wèi)生組織統(tǒng)計指出，截至2021年10月19日，全球累計新冠肺炎確診240940937例，死亡4903911例)。在新冠肺炎防治方面，快速準確診斷新冠肺炎患者是遏制新冠病毒傳播，阻止病毒擴散的關(guān)鍵環(huán)節(jié)。其中，新冠肺炎診斷的依據(jù)主要有核酸檢測和醫(yī)學影像檢測，但一些患者核酸檢測需2次，甚至有直到第5次才顯示陽性的情況。因此，臨床上影像檢測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)驗逐一查閱影像，主觀性強且時間和準確性難以保證，易產(chǎn)生錯誤判斷，在應對爆發(fā)性流行?。ㄈ缧鹿诜窝祝┰\斷過程中受到限制。近年來，雖然深度學習等AI技術(shù)在影像診斷中取得較好進展，提高了影像診斷速度、準確性和可靠性。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)則等問題，致使已有的深度學習技術(shù)直接應用于新冠肺炎影像診斷時面臨著無法準確定位、病灶放射學特征難以檢測等挑戰(zhàn)。針對以上問題，廣東工業(yè)大學智能信息處理團隊基于注意力機制、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”的自適應注意力深度學習網(wǎng)絡AANet（如圖1所示）。其分別通過“注意力機制模塊”克服因影像病灶邊界不清等導致的病癥難以準確定位問題，通過“自適應可變形卷積模塊”克服因病灶影像形態(tài)多樣且不規(guī)則等導致的新冠放射學特征難以檢測問題，從而實現(xiàn)新冠肺炎病癥影像的快速檢測和準確定位（如圖2所示），在新冠肺炎公開數(shù)據(jù)集COVIDx dataset中的檢測準確率高達97%（比國際主流方法Deep-COVID、COVID-Net等提高6%以上）。
