冯翔,康文清,吴瀚,王风云,王星皓，季超

(1.潍坊医学院生命科学与技术学院，潍坊 261000；2.潍坊市益都中心医院，潍坊 262500)

1 引 言

新冠肺炎(COVID-19)主要依靠检测试剂、影像诊断等方式筛查。肺炎影像筛查需经验丰富的放射科医生、临床医生等逐级阅读、诊断、分析，尤其在疑似病例大量激增的情况下，难以短时间内处理。同时，长时间阅片、分析也在一定程度上加重医生身心负担，易造成漏诊、误诊。

近年来，以深度学习为代表的人工智能技术在医学图像分析领域飞速发展，其可减轻医生的工作量，避免主观因素影响，提高诊断准确率。Shen等[1]提出一种多尺度融合的卷积网络，融合不同尺度感受野特征来增强网络特征提取能力，识别率达到86.8%；张弛名等[2]引入迁移学习方法实现肺结节的辅助诊断，准确率达91.44%；张物华等[3]利用多模型融合策略来诊断肺炎X光图像，准确率为89.08%；吴柯薇等[4]基于深度残差网络对冠状动脉CT血管造影图像斑块进行识别，取得86.82%的准确度。实际应用中，由于CT、X光片等影像数据相对匮乏且难以获取，上述深度模型往往面临训练难、易过拟合等问题。医学图像分类中涉及更多的是细粒度图像分类，其难点在于图像所属的类别粒度更加精细。常规医学图像中病变组织与正常组织间往往仅在纹理、边缘等细微处存在差异，肉眼识别存在诸多非客观因素，尤其对经验不足的医师来说，疫情背景下对医学图像的诊断面临巨大心理挑战。

针对该问题，本研究构建了一种新的基于跨层连接机制的多主干网络特征融合卷积模型，利用多尺度感受野融合思想来捕获医学图像局部细节，实现COVID-19医学影像的筛查，提高诊断准确率。……