基于SPD多尺度输入的ST-MASA的肺炎智能检测模型

肺部X光片的临床诊断结果可以作为新冠肺炎及其他肺炎诊断的重要依据,而X光片所显示的肺炎病变的相似性及阅片量巨大,医生传统的阅片识别存在误诊、漏诊和时间消耗等问题。因此,提出了一种融合空间金字塔分解(Spatial pyramid decomposition, SPD)模块进行多尺度输入的ST-MASA(Swin Transformer with Multi-Head Axial-Self-Attention)的肺炎智能检测模型,用于COVID-19和多类型肺炎的自动分类。该模型能够自动关注肺炎病灶的判别信息和多尺度特征,进而更好地进行COVID-19、肺不透明(Lung_Opacity)、非COVID的病毒性肺炎(Viral_Pneumonia)和正常(Normal)的X光片进行分类,以便更好地帮助放射科医生进行医疗诊断工作。实验结果表明,所提出的模型在准确率、召回率、F1-Measure等指标上均优于经典的网络模型ResNet 50、ResNet 101、Inception net-V3和Swin Transformer。