ConvOS:一种具有可解释性的新冠肺炎X光影像诊断模型

为了提高深度学习模型在新冠肺炎X光影像诊断中的诊断精度,改善模型可解释性不足,设计了一种融合双边扰动综合梯度显著图优化(IGOS++)算法和改进的ConvNeXt网络模型的新冠肺炎可视化诊断(ConvOS)模型。在ConvNeXt网络模型的残差块中引入一种高效通道注意力(ECA)模块,利用IGOS++对改进的ConvNeXt网络模型的输出特征进行扰动分析,得到最优的插入损失超参数,生成高精细度显著图,提高新冠肺炎X光影像可视化解释诊断性能。在COVIDx数据集上实验结果与其它诊断模型相比,分类性能指标更优,显著图的感兴趣区域(ROI)更为精准,模型的诊断置信度更高。实验结果表明:ConvOS模型诊断的准确率、召回率、精确度和F1-score分别达到了93.7%、92.6%、96.2%和94.4%,与其它诊断模型相比,分类性能指标更优,显著图的感兴趣区域更为精准,模型的诊断置信度更高。