結合深層密集聚合的新冠肺炎CT圖像分類方法

摘 要：新型冠狀病毒肺炎在全球范圍迅速蔓延，為快速準確地對其診斷，進而阻斷疫情傳播鏈，提出一種基于深度學習的分類網(wǎng)絡DLDA-A-DenseNet。首先將深層密集聚合結構與DenseNet-201結合，對不同階段的特征信息聚合，以加強對病灶的識別及定位能力；其次提出高效多尺度長程注意力以細化聚合的特征；此外針對CT圖像數(shù)據(jù)集類別不均衡問題，使用均衡抽樣訓練策略消除偏向性。在中國胸部CT圖像調(diào)查研究會提供的數(shù)據(jù)集上測試，所提方法較原始DenseNet-201在準確率、召回率、精確率、F1分數(shù)和Kappa系數(shù)提高了2.24%、3.09%、2.09%、2.60%和3.48%；并在COVID-CISet圖像數(shù)據(jù)集上測試，取得99.50%的最優(yōu)準確率。結果表明，對比其他方法，提出的新冠肺炎CT圖像分類方法充分提取了CT切片的病灶特征，具有更高的精度和良好的泛化性。

關鍵詞：新型冠狀病毒肺炎；CT圖像；深度學習；深層密集聚合；注意力機制

中圖分類號：TP391.7文獻標志碼：A

文章編號：1001-3695（2023）06-041-1857-07

doi：10.19734/j.issn.1001-3695.2022.08.0502

COVID-19 CT image classification method combined with deep layer dense aggregation

Zhou Qihao，Zhang Junhua，Pu Zhong，Zhang Xin

（School of Information Science amp; Engineering，Yunnan University，Kunming 650500，China）

Abstract：COVID-19 is spreading rapidly around the world.In order to diagnose it quickly and accurately and thus block the chain of epidemic transmission，the study proposed a deep learning-based classification network DLDA-A-DenseNet.Firstly，DenseNet-201 combined deep layer dense aggregation to aggregate feature information at different stages to enhance its ability to identify and localize lesions.Secondly，this paper proposed efficient multi-scale long-range attention to refine the aggregated features.Moreover，this paper used a balanced sampling training strategy to eliminate the bias for the class imbalance problem of CT image dataset.Testing on the China consortium of chest CT image investigation dataset，the method improved 2.24%，3.09%，2.09%，2.60% and 3.48% in accuracy，recall，precision，F(xiàn)1 score and Kappa coefficient compared with DenseNet-201，and achieved an optimal accuracy of 99.50% on COVID-CISet image dataset.The results show that the proposed COVID-19 CT image classification method can fully extract the lesion features of CT slices compared with other methods，and has higher classification accuracy and good generalizability.

Key words：COVID-19；CT image；deep learning；deep layer dense aggregation；attention mechanism

0 引言

2019年12月以來，新型冠狀病毒（SARS-CoV-2）［1］所引起的新型冠狀病毒肺炎（簡稱新冠肺炎）在全球范圍內(nèi)廣泛而快速地傳播。新冠肺炎傳染性極強，及早確診新冠肺炎病人對于控制疫情十分關鍵。當前主流的診斷方法為逆轉(zhuǎn)錄聚合酶鏈反應（reverse transcription polymerase chain reaction，RT-PCR），但RT-PCR方法存在特異性高、靈敏度低且耗時長的缺點，給診斷帶來了一些問題［2］。按照國家衛(wèi)生健康委員會制定的《新型冠狀病毒肺炎診療方案（試行第九版）》，肺部影像學可以作為確診新冠肺炎患者的依據(jù)之一［3］。其中，CT檢測因其靈敏度高、耗時短、分辨率高、誤診率低以及商業(yè)可用性高等特點［4］，彌補了RT-PCR的不足，從而控制新冠肺炎的傳播。另外，CT檢測能提供各階段詳細資料，較適用于量化肺部受損程度，肺部感染程度是判斷出院條件能否達到的重要依據(jù)。在疫情爆發(fā)時，龐大的患者數(shù)量會使醫(yī)生的工作量劇增，從而忽略患者CT的早期病癥，造成患者得不到及時的分流與診斷，進而提高了感染的風險，而CT圖像的判斷，高度依賴于醫(yī)生的專業(yè)知識，因此易受醫(yī)生經(jīng)驗、疲勞度等主觀因素影響。綜上所述，利用人工智能對新冠肺炎CT圖像進行分類，顯得更具實際意義。

近年來人工智能已經(jīng)在計算機視覺方面取得很多成就，其中以卷積神經(jīng)網(wǎng)絡為基礎的醫(yī)學圖像分類與分割應用成熟［5］。依托公開的新冠肺炎CT圖像數(shù)據(jù)集，卷積神經(jīng)網(wǎng)絡能夠?qū)T圖像中病灶特征進行自動提取，在自動化整個CT閱片流程的同時提高診斷準確率，快速而精確地對患者進行診斷，以更好地緩解醫(yī)療壓力和合理地配置醫(yī)療資源。

國內(nèi)外相關研究表明，利用深度學習對新冠肺炎CT進行識別分類是行之有效的。Li等人［6］使用私有CT影像數(shù)據(jù)集，利用ResNet50作為骨架網(wǎng)絡，將新冠肺炎與其他肺部疾病區(qū)分開來，證明了深度學習能準確檢測新冠肺炎。Ardakani等人［7］使用常見的卷積神經(jīng)網(wǎng)絡對CT切片進行評估，并與放射科醫(yī)生的判斷結果進行對比，證實了深度學習在新冠肺炎CT切片分類的優(yōu)越性。Chaudhary等人［8］使用SPGC-COVID數(shù)據(jù)集，提出了兩階段分類網(wǎng)絡進行分類，第一階段先區(qū)分出感染的CT切片，第二階段通過微調(diào)EfficientNet-B6架構，最終在切片和患者級別上達到89.3%和84%的準確率。Zhang等人［9］收集了來自3 777名患者的肺部CT切片，并發(fā)布了由中國胸部CT影像調(diào)查研究會（China consortium of chest CT image investigation，CC-CCII）構建的CT圖像數(shù)據(jù)集，同時先用DeepLabv3作為分割骨架網(wǎng)絡訓練，而后將分割后的切片送入分類網(wǎng)絡3D-ResNet訓練，最終達到了92.49%的準確率。He等人［10］從CC-CCII數(shù)據(jù)集中選取2 698名患者的CT切片，使用神經(jīng)結構搜索算法設計了輕量化的三維卷積神經(jīng)網(wǎng)絡MNas3DNet，并實現(xiàn)了87.14%的準確率。Fu等人［11］選取CC-CCII數(shù)據(jù)集中2 121名患者的CT切片，利用自注意力構建了DenseANet和A-U-Net，將分割后的CT切片作為DenseANet的輸入，在數(shù)據(jù)集上進行了五折交叉驗證，實現(xiàn)了96.06%的平均準確率。Li等人［12］對CC-CCII數(shù)據(jù)集中的無效CT切片進行刪減，制作了一個新的CC-CCII數(shù)據(jù)集，然后搭建了COVID-CT-GAN和COVID-CT-DenseNet兩個網(wǎng)絡，分別用于數(shù)據(jù)增強和分類，最終實現(xiàn)了84%的準確率，在COVID-CT-GAN進行數(shù)據(jù)擴充模型的準確率在另外兩個數(shù)據(jù)集上分別提高了2%和3%。

上述方法所用CT圖像數(shù)據(jù)集有大量的CT切片，廣泛應用于以新冠肺炎為對象的多種任務，但由于新冠肺炎（novel corona pneumonia，NCP）、一般肺炎（common pneumonia，CP）和正常對照組（normal）三類數(shù)據(jù)的切片數(shù)存在不均衡問題，導致多類混淆了與少類的樣本邊界；而在有類間重疊的區(qū)域，結果會朝多類傾斜，使得模型有偏向性，最終導致分類指標不理想［13］。

本文提出了融合注意力機制的深層密集聚合分類網(wǎng)絡DLDA-A-DenseNet（deep layer dense aggregation attention DenseNet），首先使用DLDA將DenseNet-201［14］的深淺層特征聚合；然后將所提高效多尺度長程注意力模塊（efficient multi-scale long-range attention，EMLA）融入網(wǎng)絡，提高了網(wǎng)絡對CT切片的細粒度分類能力，并且使用均衡抽樣訓練策略來對數(shù)據(jù)抽樣訓練，以保證網(wǎng)絡在分類決策時具有無偏性。

1 方法

1.1 新冠肺炎CT圖像分類網(wǎng)絡

本文提出的DLDA-A-DenseNet包括：a）用于提取CT切片特征的骨架網(wǎng)絡；b）聚合網(wǎng)絡深淺層信息的DLDA結構；c）細化聚合特征的EMLA模塊。

本文選取DenseNet-201作為骨架網(wǎng)絡進行特征提取，同時對Yu等人［15］提出的深層聚合網(wǎng)絡（deep layer aggregation，DLA）進行改進，提出DLDA將深淺層次信息聚合，使特征利用最大化。

1.1.1 DenseNet

DenseNet是Huang等人［14］使用密集連接構建的，具有和ResNet［16］基本一致的設計思路，均采用跳躍連接融合特征圖，不同的是DenseNet使用密集連接融合信息，實現(xiàn)了多次特征復用。DenseNet主要由密集模塊（dense block）和過渡模塊（transition block）組成，具體結構如圖1所示，dense block將特征圖級聯(lián)來提高特征的正向傳遞效率；而transition block將特征圖大小和通道數(shù)減半，起到壓縮模型和減少過擬合的作用。

DenseNet-201的結構如圖2所示，由網(wǎng)絡底端的卷積、4個dense block和3個transition block組成，其中dense block重復了6、12、48和32次，并且和transition block以前饋方式交替串聯(lián)組成。本文依據(jù)dense block輸出特征圖的分辨率，將網(wǎng)絡分為了五個階段（stage），分別蘊涵著不同尺度的深淺層信息。

1.1.2 深度密集聚合

計算機視覺中的識別任務需要足夠的表征，對于醫(yī)學圖像來說，不同圖像病灶之間差異不明顯，這要求模型具有很好的細粒度分類能力對病灶圖像進行精確識別。文獻［12］對特征金字塔網(wǎng)絡（feature pyramid network，F(xiàn)PN）［17］結構進行改進，提出了Concat-FPN，Concat-FPN繼承了FPN結構自上而下、橫向相連的特點，使各層分辨率達到平衡和語義標準化，同時增加CBAM（convolutional block attention module）［19］來細化聚合的特征，但由于其連接是淺層的，前面層的特征未得到較多聚合以抵消信息缺失效應。

為更好地聚合不同階段的特征，Yu等人［15］提出的DLA結構通過更深入的迭代聚合，將不同尺度和分辨率的特征圖聚合，增強了對病灶的識別和定位能力。原始DLA結構雖然能聚合不同層次的信息，但是其主要是面向分割和檢測任務，不適合本文研究的分類任務，并且原始DLA存在參數(shù)量多、計算效率低等缺陷，因此有必要對其加以改進使之適用于本文的研究工作。

本文在DLA的基礎上進行了改進，受到DenseNet［14］的啟發(fā)提出了DLDA，其結構如圖3所示。與原始DLA結構采用卷積、批量歸一化和ReLU激活函數(shù)進行特征提取相比，DLDA采用深度可分離卷積代替卷積以降低模型計算復雜度；然后將DLA中的上采樣替換為DenseNet中的平均池化來對特征圖進行下采樣，最大程度地保留了特征圖的局部信息；aggregation node的級聯(lián)操作受到DenseNet級聯(lián)操作的啟發(fā)，聚合了不同階段的特征，將特征利用最大化；而transaction node中的操作受啟發(fā)于transition block，通過將通道數(shù)減半從而達到減少過擬合、提高泛化能力和計算效率的目的。DLDA將DenseNet-201的五個stage通過非線性連接聚合了不同階段的特征，解決了卷積神經(jīng)網(wǎng)絡連接通常是線性而導致的低層信息有限和高層目標粗糙的問題，豐富了語義信息，增強了對病灶的識別和定位能力。為提煉DLDA聚合到的信息，本文引入EMLA模塊依次從通道和空間維度對其特征進行細化，進而增強了網(wǎng)絡細粒度分類能力。

1.1.3 高效多尺度長程注意力

1）全局高效通道注意力

Wang等人［19］所提高效通道注意力（efficient channel attention，ECA）是對Hu等人［20］提出的擠壓激勵網(wǎng)絡（squeeze-and-excitation networks，SE-Net）的改進，Wang發(fā)現(xiàn)SE-Net和CBAM［18］中的通道注意力模塊（channel attention module，CAM）獲取全通道映射的效率低下，故使用一維卷積來獲取跨通道交互，在避免降維的同時提高了性能和減小了計算復雜度，但ECA使用的全局平均池化（global average pooling，GAP）僅關注到整體信息而忽略了細節(jié)信息，使所提取信息不豐富。

本文提出了全局高效通道注意力（global efficient channel attention，GECA），吸收了CAM使用全局最大池化（global max pooling，GMP）的思想，使用GMP提取的最大池化特征對GAP提取的平均池化特征進行了補充，其結構如圖4所示。

1.2 數(shù)據(jù)集

本文數(shù)據(jù)集采用文獻［10］的CC-CCII數(shù)據(jù)集。由于一次CT掃描會產(chǎn)生多張切片，其中很多CT切片沒有病變區(qū)域，有些甚至沒有肺部影像，這會給分類帶來負面影響［12］。若直接把這些數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡，網(wǎng)絡未必能很好地學習新冠肺炎的病變特征。因此，本文選取文獻［12］修改后的CC-CCII數(shù)據(jù)集，通過對原始CC-CCII數(shù)據(jù)集進行篩選，選取來自2 719名患者的135 609張CT肺部圖像，并將其中無效的切片刪去。

在劃分訓練集、驗證集和測試集時，根據(jù)患者數(shù)按6：2：2的比例隨機劃分，同時對每類的切片數(shù)進行微調(diào)，以保證切片數(shù)的比例也為6：2：2，數(shù)據(jù)集劃分及分布結果如表1所示。從表1可以看出，訓練集的正常對照組較新冠肺炎與一般肺炎各減少14 702與9 442張，因此訓練集亦存在不均衡問題。

1.3 均衡抽樣訓練策略

1.4 損失函數(shù)與評價指標

1.5 實驗平臺與模型訓練

2 實驗結果與分析

2.1 基礎骨架網(wǎng)絡對比

2.2 消融實驗與注意力機制對比實驗

為了驗證本文DLDA-A-DenseNet的有效性，對新冠肺炎CT圖像分類中的各個模塊和均衡抽樣訓練策略進行消融實驗對比；而后將常用的注意力機制與提出的EMLA模塊進行對比，并利用梯度加權類激活映射（gradient-weighted class activation mapping，Grad-CAM）繪制模型的熱力圖，進一步驗證本文方法的有效性。

2.2.1 消融實驗

2.2.2 注意力機制對比

在表6中，融合EMLA模塊的網(wǎng)絡無論是在切片或患者上的評價指標都是最優(yōu)的，并且從Kappa系數(shù)來看，本文模型的預測值與真實標簽一致性較高，面對不均衡數(shù)據(jù)的分類偏向性較小，其穩(wěn)健性也就越高。數(shù)據(jù)表明EMLA充分細化了聚合到的特征信息，使模型的細粒度分類能力得到提升。

為驗證EMLA模塊中將輸入與輸出取平均值獲取長程依賴操作的合理性，本文對模塊最后一步操作分別使用串聯(lián)、相加、相乘和取平均值進行對比實驗，其實驗結果如表7所示。

表7中單獨使用GECA+MASA提高了網(wǎng)絡的性能，側面驗證了注意力模塊的有效性，使用相加和相乘操作都不同程度地使準確率變低，沒有獲取到長程依賴。而使用平均操作時，在對通道和空間上的信息進行注意力信息提取的同時也獲取到長程依賴，最后結果在切片和患者的各評價指標上均為最佳。

圖9畫出對比實驗的混淆矩陣，直觀地觀察模型對測試集的分類結果，其中行是真實標簽，列是預測標簽，混淆矩陣能直觀地觀察出算法是否將不同的類別混淆在一起。

為直觀地展示出注意力網(wǎng)絡的關注點，本文使用Grad-CAM繪制出模型在決策的熱力圖進行網(wǎng)絡的可視化，以了解CT切片的哪些區(qū)域讓模型作出決策，熱力圖如圖10所示。

從圖10中可以看出，原始DLDA-DenseNet-201僅關注到肺部的部分病變區(qū)域，對整體肺部的關注不夠充分；而插入CBAM的網(wǎng)絡在關注肺部區(qū)域的同時也學習到其他不相關部分，使得提升幅度不大，CBAM并沒有獲取到足夠細化的特征；使用ECA模塊的網(wǎng)絡，雖然關注到了肺部的完整區(qū)域，但是由于關注范圍太廣，導致信息冗余；在融合ECA+SAM的網(wǎng)絡中，關注的肺部區(qū)域和背景過于繁雜，但是其精確度較高，這就留下改進的空間；而融合了EMLA模塊之后，整個網(wǎng)絡關注集中于肺部的病灶區(qū)域，而很少關注其余部分，說明融合EMLA模塊后的網(wǎng)絡更加關注CT切片的關鍵病灶區(qū)域，聚合的特征圖得到了充分的細化。

2.3 與其他新冠肺炎CT圖像分類方法對比

為說明DLDA-A-DenseNet在新冠肺炎CT圖像分類識別的有效性，與在CC-CCII數(shù)據(jù)集上實驗的幾種方法進行比較，表8展示了其他深度學習方法下的測試精度。

如表8所示，文獻［9］中首先使用DeepLabV3將CT切片分割，而后使用3DResNet對分割后的切片分類，準確率達到了92.49%，但由于其類別數(shù)目相差較大，存在數(shù)據(jù)不均衡問題，導致分類結果不理想。文獻［10］使用神經(jīng)網(wǎng)絡結構搜索算法搭建了輕量化3D卷積神經(jīng)網(wǎng)絡MNas3DNet，對CC-CCII數(shù)據(jù)集進行篩選，分類結果達到了87.14%，分類結果不理想的原因在于沒有解決數(shù)據(jù)不均衡的問題。文獻［11］首先刪去CC-CCII中無病灶區(qū)域的CT切片，而后搭建了分割網(wǎng)絡A-U-Net，將分割的CT切片送入DenseANet中進行訓練，獲得96.06%的測試精度，但是由于刪去的CT切片過多，使得患者CT切片信息存在缺失，且數(shù)據(jù)不均衡問題依舊存在，所以最終結果差強人意。文獻［12］對CC-CCII進行了合理的篩選，提出并利用Concat-FPN搭建了COVID-CT-DenseNet，最終實現(xiàn)了85.00%的分類精度，但是由于沒有充分打亂數(shù)據(jù)集和解決數(shù)據(jù)不均衡問題，且其Concat-FPN是淺層操作，并不能有效地融合各階段特征，導致最終結果不是很理想。

本文使用文獻［12］制作的數(shù)據(jù)集并將其充分打亂，提出DLDA-A-DenseNet作為分類網(wǎng)絡。首先通過使用均衡抽樣訓練策略解決了數(shù)據(jù)不均衡問題，其次DLDA結構從不同尺度和階段融合語義信息，而后使用EMLA模塊細化網(wǎng)絡所提取的特征，最后得到97.06%的分類準確率，優(yōu)于表8中的其他方法。

2.4 在其他CT圖像數(shù)據(jù)集上模型的表現(xiàn)

選取COVID-CTSet［22］數(shù)據(jù)集來驗證本文方法在新冠肺炎分類的泛化性，文獻［22］選取337名患者的CT切片，刪去了無肺部區(qū)域的CT切片，最終數(shù)據(jù)集分布為：新冠肺炎CT切片2 282張，非新冠肺炎CT切片9 776張，數(shù)據(jù)極度不均衡，本文選取在COVID-CTSet數(shù)據(jù)集上將目前較先進的深度學習方法與本文方法進行比較。

如表9所示，文獻［22］使用文獻［17］提出的FPN將ResNet-50-v2的特征進行融合，通過5折交叉驗證實現(xiàn)了98.49%的平均準確率，但是其通過欠采樣均衡數(shù)據(jù)會導致信息缺失，且由于FPN只是淺層地融合特征，故最終效果不佳。文獻［23］提出堆疊集成（stacked ensemble），使用四種預訓練網(wǎng)絡進行堆疊集成，最后實現(xiàn)了99.00%的準確率，但是由于沒有解決數(shù)據(jù)極度不均衡問題，使得模型最終分類有偏向性，其穩(wěn)健性不高。文獻［24］提出了一種特征互補融合網(wǎng)絡，通過CNN和ViT（vision-transformer）［25］分別提取局部特征和全局特征，補充了CNN感受野不足的問題，但是和文獻［22］一樣使用欠采樣來平衡數(shù)據(jù)集，造成CT切片信息丟失，最終實現(xiàn)了99.34%的準確率。

本文DLDA-A-DenseNet在沒有丟失CT切片信息的前提下解決了COVID-CTSet數(shù)據(jù)極度不均衡問題，消除了分類決策的偏向性，實現(xiàn)了99.50%的準確率，優(yōu)于表9中其他方法。結果表明本文方法具有良好的泛化性，在其他新冠肺炎CT圖像數(shù)據(jù)集也能取得較為優(yōu)異的結果。

3 結束語

對比當前新冠肺炎CT切片的分類方法，本文的主要貢獻有：a）提出了DLDA結構，用于聚合DensNet-201不同層次、分辨率和尺度上的信息，從而使網(wǎng)絡具有更好的細粒度分類能力；b）提出了結合GECA和MASA的EMLA模塊以細化DLDA-DenseNet-201所提取到的特征。此外，本文使用了均衡抽樣訓練策略解決了CT圖像數(shù)據(jù)集上存在的類別不均衡問題，消除了分類的偏向性和提高了模型的穩(wěn)健性。

結果表明，本文方法相較其他方法精度更高，并且具有良好的泛化性。利用本文方法可以準確地對新冠肺炎CT圖像進行分類識別，彌補了RT-PCR靈敏度不高、耗時長的缺點，進而阻斷疫情傳播的傳染鏈，從而達到合理分配醫(yī)療資源的目的。

未來筆者計劃對罹患新冠肺炎的患者進行輕癥、重癥和陰性患者的分類，并且將患者的臨床數(shù)據(jù)輸入網(wǎng)絡模型，結合臨床數(shù)據(jù)進一步提高網(wǎng)絡模型的預測能力，此外筆者將對模型進行優(yōu)化，提高模型的計算效率。最終實現(xiàn)將病人快速地按不同癥狀程度進行分流，更好地緩解醫(yī)療壓力和節(jié)省醫(yī)療成本。

參考文獻：

［1］Lai C C，Shih T P，Ko W C，et al.Severe acute respiratory syndrome coronavirus 2（SARS-CoV-2） and coronavirus disease-2019（COVID-19）：the epidemic and the challenges［J］.International Journal of Antimicrobial Agents，2020，55（3）：105924.

［2］Li Qun，Guan Xuhua，Wu Peng，et al.Early transmission dynamics in Wuhan，China，of novel coronavirus-infected pneumonia［J］.New England Journal of Medicine，2020，382（13）：1199-1207.

［3］國家衛(wèi)生健康委員會辦公廳，國家中醫(yī)藥管理局辦公室.關于印發(fā)新型冠狀病毒肺炎診療方案（試行第九版） 的通知［EB/OL］.（2022-03-14）.http：//www.gov.cn/zhengce/zhengceku/2022-03/15/content_5679257.htm.（National Health Commission of the People’s Republic of China，National Administration of Traditional Chinese Medicine.Notice on the issuance of the diagnosis and treatment plan for novel coronavirus pneumonia（trial version 9）［EB/OL］.（2022-03-14）.http：//www.gov.cn/zhengce/zhengceku/2022-03/15/content_5679257.htm.）

［4］Long Chunqin，Xu Huaxiang，Shen Qinglin，et al.Diagnosis of the coronavirus disease（COVID-19）：rRT-PCR or CT？［J］.European Journal of Radiology，2020，126：108961.

［5］鄭光遠，劉峽壁，韓光輝.醫(yī)學影像計算機輔助檢測與診斷系統(tǒng)綜述［J］.軟件學報，2018，29（5）：1471-1514.（Zheng Guangyuan，Liu Xiabi，Han Guanghui.Survey of medical image segmentation algorithm in deep learning［J］.Journal of Software，2018，29（5）：1471-1514.）

［6］Li Lin，Qin Lixin，Xu Zeguo，et al.Using artificial intelligence to detect COVID-19 and community-acquired pneumonia based on pulmonary CT：evaluation of the diagnostic accuracy［J］.Radiology，2020，296（2）：E65-E71.

［7］Ardakani A A，Kanafi A R，Acharya U R，et al.Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images：results of 10 convolutional neural networks［J］.Computers in Biology and Medicine，2020，121：103795.

［8］Chaudhary S，Sadbhawna S，Jakhetiya V，et al.Detecting COVID-19 and community acquired pneumonia using chest CT scan images with deep learning［C］//Proc of IEEE International Conference on Acoustics，Speech and Signal Processing.Piscataway，NJ：IEEE Press，2021：8583-8587.

［9］Zhang Kang，Liu Xiaohong，Shen Jun，et al.Clinically applicable AI system for accurate diagnosis，quantitative measurements，and prognosis of COVID-19 pneumonia using computed tomography［J］.Cell，2020，181（6）：1423-1433.

［10］He Xin，Wang Shihao，Shi Shaohuan，et al.Benchmarking deep learning models and automated model design for COVID-19 detection with chest CT scans［J/OL］.medRxiv.（2021-11-04）.https：//doi.org/10.1101/2020.06.08.20125963.

［11］Fu Yu，Xue Peng，Dong Enqing.Densely connected attention network for diagnosing COVID-19 based on chest CT［J］.Computers in Bio-logy and Medicine，2021，137：104857.

［12］Li Zonggui，Zhang Junhua，Li Bo，et al.COVID-19 diagnosis on CT scan images using a generative adversarial network and concatenated feature pyramid network with an attention mechanism［J］.Medical Physics，2021，48（8）：4334-4349.

［13］李艷霞，柴毅，胡友強，等.不平衡數(shù)據(jù)分類方法綜述［J］.控制與決策，2019，34（4）：673-688.（Li Yanxia，Chai Yi，Hu Youqiang，et al.Review of imbalanced data classification methods［J］.Control and Decision，2019，34（4）：673-688.

［14］Huang Gao，Liu Zhuang，Van Der Maaten L，et al.Densely connected convolutional networks［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2017：2261-2269.

［15］Yu F，Wang Dequan，Shelhamer E，et al.Deep layer aggregation［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.2018：2403-2412.

［16］He Kaiming，Zhang Xiangyu，Ren Shaoqing，et al.Deep residual lear-ning for image recognition［C］//Proc of IEEE Conference on Compu-ter Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2016：770-778.

［17］Lin T Y，Dollár P，Girshick R，et al.Feature pyramid networks for object detection［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2017：2117-2125.

［18］Woo S，Park J，Lee J Y，et al.CBAM：convolutional block attention module［C］//Proc of European Conference on Computer Vision.Berlin：Springer，2018：3-19.

［19］Wang Qilong，Wu Banggu，Zhu Pengfei，et al.ECA-net：efficient channel attention for deep convolutional neural networks［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2020：11534-11542.

［20］Hu Jie，Shen Li，Sun Gang.Squeeze-and-excitation networks［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2018：7132-7141.

［21］Szegedy C，Vanhoucke V，Ioffe S，et al.Rethinking the inception architecture for computer vision［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2016：2818-2826.

［22］Rahimzadeh M，Attar A，Sakhaei S M.A fully automated deep lear-ning-based network for detecting COVID-19 from a new and large lung CT scan dataset［J］.Biomedical Signal Processing and Control，2021，68：102588.

［23］Jangam E，Annavarapu C S R.A stacked ensemble for the detection of COVID-19 with high recall and accuracy［J］.Computers in Biology and Medicine，2021，135：104608.

［24］Liang Shu，Nie Rencan，Cao Jinde，et al.FCF：feature complement fusion network for detecting COVID-19 through CT scan images［J］.Applied Soft Computing，2022，125：109111.

［25］Dosovitskiy A，Beyer L，Kolesnikov A，et al.An image is worth 16×16 words：transformers for image recognition at scale［EB/OL］.（2021-06-03）.https：//arxiv.org/abs/2010.11929.

［26］彭璟，羅浩宇，趙淦森，等.深度學習下的醫(yī)學影像分割算法綜述［J］.計算機工程與應用，2021，57（3）：44-57.（Peng Jing，Luo Haoyu，Zhao Gansen，et al.Survey of medical image segmentation algorithm in deep learning［J］.Computer Engineering and Applications，2021，57（3）：44-57.）