融合高效通道注意力机制改进轻量化网络模型基于肺部X线片分类正常肺与不同病原体所致肺炎
RSS 订阅 · 中国医学影像技术
该模型大小仅4.27 MB、推理时间16.75 ms，分类COVID-19和其他病毒性肺炎的精确率分别达81.31%和95.28%，显著提升计算效率。
要点
- MobileNetV3-ECA模型分类COVID-19精确率81.31%，其他病毒性肺炎精确率95.28%
- 模型仅4.27 MB，推理时间16.75 ms，显著优于其他深度学习模型
- 分类细菌性肺炎精确率86.36%，分类正常肺精确率79.81%
核心结论
- MobileNetV3-ECA模型可基于胸部X线片准确分类正常肺与不同病原体所致肺炎，同时显著提升计算效率
研究设计与样本
- 于MobileNetV3主干结构中嵌入ECA（高效通道注意力）模块构建轻量化网络模型
- 对比模型包括MobileNetV2、ResNet18、ResNet34、VGG11及GoogleNet
诊断标准与关键数值
- MobileNetV3-ECA模型分类COVID-19精确率81.31%
- 分类其他病毒性肺炎精确率95.28%，为所有模型中最高
- 分类细菌性肺炎精确率86.36%，次于ResNet18的93.02%
- 分类正常肺精确率79.81%，低于MobileNetV2、VGG11及GoogleNet的84.72%~100%
- 模型大小4.27 MB，推理时间16.75 ms，显著低于其他对比模型
临床应用与阅片要点
- 该轻量化模型适用于计算资源受限环境下的肺炎病原体快速分类
- 对病毒性肺炎分类效能优于细菌性肺炎和正常肺，可优先用于病毒性肺炎筛查
原文图文
目的 提出融合高效通道注意力机制(ECA)的改进轻量化网络(MobileNetV3-ECA)模型,观察其基于胸部X线片分类正常肺与不同病原体所致肺炎的价值。方法 基于采自肺部无异常、细菌性肺炎、新型冠状病毒感染(COVID-19)及其他病毒性肺炎患者的共4 360幅胸部X线片构建数据集,并按9∶1比例划分训练集(n=3 925)与验证集(n=435)。于MobileNetV3主干结构中嵌入ECA模块,构建MobileNetV3-ECA轻量化网络模型;与MobileNetV2、ResNet18、RestNet34、VGG11及GoogleNet模型对比,观察该模型分类正常肺与不同病原体所致肺炎的效能。结果 MobileNetV3-ECA模型大小4.27 MB、推理时间16.75 ms,显著低于其他模型;其分类COVID-19和其他病毒性肺炎的精确率最高,分别为81.31%及95.28%;分类正常肺的精确率为79.81%,不及MobileNetV2、VGG11及GoogleNet模型(84.72%~100%);分类细菌性肺炎精确率为86.36%,仅次于ResNet18模型(93.02%)。结论 利用MobileNetV3-ECA模型可在基于胸部X线片准确分类正常肺与不同病原体所致肺炎的同时显著提升计算效率。
来源：中国医学影像技术，查看原文。版权归原作者所有。
引用
- www.cjmit.com：融合高效通道注意力机制改进轻量化网络模型基于肺部X线片分类正常肺与不同病原体所致肺炎
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。