基于轻量级RG-DenseNet的COVID-19 CT图像分类

目的:基于轻量级RG-DenseNet构建COVID-19 CT图像分类模型。方法:以DenseNet121为基础,添加通道和空间注意力机制模块减少无关特征的干扰,将DenseNet中的Bottleneck模块替换为前激活的RG-beneck2模块减少模型参数的同时保持精度尽可能不变。构建RG-DenseNet模型,在COVIDx CT-2A数据集上进行3分类实验。结果:RG-DenseNet准确率为98.93%、精确率为98.70%、召回率为98.97%、特异性为99.48%、F1分数为98.83%。结论:RG-DenseNet与原模型DenseNet121相比在保持准确度仅降低0.01%的情况下,减少92.7%的参数量和计算量,轻量化效果显著,具有实际应用价值。