基于对比学习MocoV2的COVID-19图像分类

肺炎是一种常见多发感染性疾病,老年人和免疫力较弱者容易感染,尽早发现有助于后期治疗。肺部病变的位置、密度和清晰度等因素会影响肺炎图像分类的准确性。随着深度学习的发展,卷积神经网络被广泛应用于医学图像分类任务中,然而网络的学习能力依赖训练样本的数量和标签。针对电子计算机断层扫描(Computed Tomography,CT)的肺炎图像分类研究,提出一种基于自监督对比学习的网络模型(MCLSE),可以从无标记的数据中学习特征,提高网络模型的准确率。本文模型(MCLSE)首先设计辅助任务,从无标记的图像中挖掘表征完成预训练,提高模型在向量空间中学习数据映射关系的能力。其次,使用卷积神经网络提取特征,为了有效捕获更高层次的特征信息选择SENet网络改进分类模型,建模特征通道的相关性。最后,用训练好的权重加载改进后的分类模型中,下游任务中使用标记数据再次训练网络。在公开数据集SARS-CoV-2 CT和CT Scans for COVID-19 Classification上进行实验,实验结果表明MCLSE对整体样本分类的准确率分别达到99.19%和99.75%,较主流模型有很大提升。