融合改进CBAM机制和ResNet网络的肺炎CT图像分类研究

为快速准确地对正常肺部、普通肺炎、新冠病毒肺炎CT图像进行识别分类,提出了一种融合改进的卷积块注意力模块(convolutional block attention module,CBAM)机制和ResNet18网络的新模型。对CBAM中的多层感知机(multilayer perceptron,MLP)进行升维改进,放大肺部CT图像关键特征;以ResNet18作为基础模型,将改进的CBAM机制融入ResNet模块中,以加强对关键细节特征的提取,并将AlphaDropout和SeLU激活函数融入网络中,防止其网络的过拟合化,加速模型收敛效果。通过混淆矩阵计算得出模型的准确率、精确率、召回率、F1分数分别达到了99.33%、99.34%、99.33%和0.9845,相比改进前的ResNet18模型分别提高了4.23%、4.88%、4.20%、0.042,且均高于GoogLeNet、ResNet50和Xception对照模型。研究结果表明,改进的CBAM-ResNet18模型对肺部CT图像具有良好的识别结果。