|
圖1 面向新冠肺炎影像診斷的自適應注意力深度學習網絡AANet
圖2 AANet網絡相比Deep-COVID等主流深度學習方法，病癥定位精準度大幅提升，熱點圖(saliency map)顏色深度與病癥位置匹配度顯著提升
在國家自然科學基金項目（批準號：61973087、61773127、62073086）資助下，廣東工業大學智能信息處理團隊謝勝利、何昭水、呂俊等在人工智能（Artificial Intelligence，AI）輔助新冠肺炎影像診斷方面取得進展。研究成果以“面向COVID-19肺炎X影像診斷的自適應注意力網絡（AANet: Adaptive Attention Network for COVID-19 Detection From Chest X-Ray Images）”為題，發表在《IEEE神經網絡與學習系統匯刊》（IEEE Transactions on Neural Networks and Learning Systems, IEEE TNNLS）。論文鏈接：https://ieeexplore.ieee.org/document/9560709。
2020年以來，新冠肺炎肆虐全球，造成巨大損失并引發世界性健康危機(世界衛生組織統計指出，截至2021年10月19日，全球累計新冠肺炎確診240940937例，死亡4903911例)。在新冠肺炎防治方面，快速準確診斷新冠肺炎患者是遏制新冠病毒傳播，阻止病毒擴散的關鍵環節。其中，新冠肺炎診斷的依據主要有核酸檢測和醫學影像檢測，但一些患者核酸檢測需2次，甚至有直到第5次才顯示陽性的情況。因此，臨床上影像檢測是新冠肺炎診斷至關重要的手段且被列入《衛健委新冠肺炎診療指南（第五版）》。
在傳統影像診斷中，醫生需要結合自身經驗逐一查閱影像，主觀性強且時間和準確性難以保證，易產生錯誤判斷，在應對爆發性流行病（如新冠肺炎）診斷過程中受到限制。近年來，雖然深度學習等AI技術在影像診斷中取得較好進展，提高了影像診斷速度、準確性和可靠性。但在新冠肺炎影像診斷中，存在病灶邊界不清，病灶形態多樣且不規則等問題，致使已有的深度學習技術直接應用于新冠肺炎影像診斷時面臨著無法準確定位、病灶放射學特征難以檢測等挑戰。針對以上問題，廣東工業大學智能信息處理團隊基于注意力機制、可變形卷積理論和方法，提出了“面向新冠肺炎快速影像檢測”的自適應注意力深度學習網絡AANet（如圖1所示）。其分別通過“注意力機制模塊”克服因影像病灶邊界不清等導致的病癥難以準確定位問題，通過“自適應可變形卷積模塊”克服因病灶影像形態多樣且不規則等導致的新冠放射學特征難以檢測問題，從而實現新冠肺炎病癥影像的快速檢測和準確定位（如圖2所示），在新冠肺炎公開數據集COVIDx dataset中的檢測準確率高達97%（比國際主流方法Deep-COVID、COVID-Net等提高6%以上）。
