DRT Net：面向特征增強的雙殘差Res-Transformer肺炎識別模型

周 濤，彭彩月*，杜玉虎，黨 培，劉鳳珍，陸惠玲

（1.北方民族大學 計算機科學與工程學院，寧夏 銀川 750021；2.北方民族大學 圖像圖形智能處理國家民委重點實驗室，寧夏 銀川 750021；3.寧夏醫科大學 醫學信息與工程學院，寧夏 銀川 750004）

1 引言

肺炎作為一種常見的胸部疾病，是由微生物和其他環境因素引起的呼吸道感染。它導致肺部積液和呼吸困難，對人體的呼吸系統造成了嚴重的危害。2019 年下半年爆發的新型冠狀病毒感染（Corona Virus Disease2019，COVID-19），已影響全球人口的健康［1］。傳統的肺炎診斷手段主要依賴于醫生多年的臨床經驗，可能存在主觀誤差，且難以大規模實施。胸部影像學在肺部感染性病變的診斷中具有重要的價值，對患者進行療效評價可利用高分辨率胸部CT［2］及X 線檢查［3］。利用深度學習技術對患者肺部影像特征進行分析，從而進行病情評估，能夠降低復雜的醫學數據給醫務人員帶來的負擔，提高診斷效率，輔助醫生盡快形成針對性診療方案［4］。

殘差神經網絡（Residual Neural Network，ResNet）［5］廣泛應用在醫學圖像領域，目前在肺部疾病的臨床輔助診斷方面取得了良好的效果。Zhou 等［6］提出一種基于CT 圖像的改進的注意力ResNet 新冠肺炎識別模型，以適應新冠肺炎病灶區域的特性，實現對于新冠肺炎的識別。Chen等［7］提出一種基于Inception-ResNet的COVID-19診斷三分類模型，在Inception-Resnet 中使用自注意力機制對肺部病變進行分類，進一步提升了卷積神經網絡的分類性能。Huang 等［8］提出了一種名為非局部通道注意力ResNet 的深度學習神經網絡，將ResNet 與非局部模塊和信道注意力機制相結合，用于監測COVID-19 PN 患者的肺水腫程度，幫助臨床醫生為患者制定適當的治療方法。……