“子宫内膜异位症电子随访平台数据库”的建立和初步应用

这是一篇关于子宫内膜异位症,电子随访平台数据库,随访管理,抗缪勒管激素,COVID-19,临床研究的论文, 主要内容为研究背景子宫内膜异位症(简称为内异症)是指子宫腔外的部分出现子宫内膜样组织(子宫内膜腺体和间质)。作为一种常见于育龄期女性的雌激素依赖性的慢性疾病,内异症通常表现为慢性盆腔疼痛(chronic pelvic pain,CPP)、痛经、性交痛、不孕等,对患者的身心健康、经济状况和社会生活等多方面造成了较大的负面影响。其中卵巢子宫内膜异位囊肿(ovarianendometrioma,OMA)本身及其手术治疗对育龄期女性患者的卵巢储备功能所造成的影响需要引起专科医生的关注。同时由于病程较长、根治性手术困难较大、术后易复发和恶变风险,内异症需要长期药物治疗和规范化的随访管理。新型冠状病毒感染(corona virus disease 2019.COVID-19)的暴发导致了社会人员活动限制和医疗资源获取受限,更是增加了内异症患者的随访管理难度,传统的管理模式难以满足医患双方的需求,构建新型的内异症随访管理模式是大势所趋。研究目的介绍COVID-19期间一种新型的内异症随访管理模式-子宫内膜异位症电子随访平台数据库的建立和初步应用,并测试该新型随访管理模式的适用性和患者满意度,以及利用平台数据库功能进行腹腔镜OMA剥除术后卵巢储备功能变化的研究。材料和方法研究者(临床医生)联合零氪科技(北京)有限公司设计了内异症通用数据模型(common data model,CDM),公司以该模型为基础研发了子宫内膜异位症电子随访平台数据库。自2021年1月至2023年1月31日,研究者利用该随访平台数据库进行了术后接受长期激素药物治疗的内异症患者的信息录入和术后随访工作,采用视觉模拟量表(visual analogue scale,VAS)评估受试者的疼痛强度,采用抑郁自评量表(self-rating depression scale,SDS)和焦虑自评量表(self-rating anxiety scale,SAS)用来评估受试者的抑郁和焦虑程度。随访主要观察指标:(1)术前和术后随访6个月后的受试者VAS、SDS和SAS评分的变化;(2)术后随访6个月后受试者的随访满意度以及对该平台存在必要性的评分;(3)术后6个月和术后1年内累计复发人数。腹腔镜OMA剥除术后卵巢储备功能变化研究的观察指标:(1)腹腔镜OMA剥除术后1个月血清抗缪勒管激素(anti-mullerianhormone,AMH)水平的变化及影响因素;(2)腹腔镜OMA剥除术后3/6/12个月血清AMH水平的变化趋势。结果1.该随访平台数据库成功建立并上线初步应用,截止至2023年1月31日共纳入了 152例内异症术后患者,有14例受试者失访,失访率为9.21%(<10.0%),138例受试者均完成术后6个月的随访,共有95例受试者完成了术后1年的随访;2.受试者完成 6 个月随访后的 VAS(p<0.001)、SDS(p<0.001)和 SAS(p<0.001)评分较术前明显下降;3.受试者满意度高达100.0%,其中90.58%的受试者表示非常满意;86.70%的受试者表示平台的存在非常有必要;4.术后6个月内和1年内累计复发人数分别为0和3,术后1年内复发率为3.16%(3/95);5.腹腔镜OMA剥除术后1个月血清AMH水平明显下降(p<0.001),且双侧下降程度明显高于单侧,术后1个月血清AMH下降百分比与血清糖类抗原125(carbohydrate antigen 125,CA125)水平(r=0.291,p=0.01)及修订的美国生殖医学会(revised American society ofreproductivemedicine,r-ASRM)评分(r=0.368,p=0.001)呈明显正相关;血清AMH水平在术后3/6/12个月的随访中无明显进一步下降(p>0.05),且出现回升现象的患者占比随着随访时间的延长而增加。结论该随访平台数据库的成功建立和该新型随访管理模式打破了 COVID-19期间在随访工作时间和空间上的限制,使内异症患者能够更有效地获取医疗资源,极大地降低了 COVID-19对内异症随访管理工作的影响,提高了随访管理的效率,缓解了受试者的焦虑抑郁情绪,收到了受试者的良好反馈。应用平台数据库功能进行的腹腔镜OMA剥除术后卵巢储备功能的变化的研究提示,手术对OMA患者卵巢储备功能的影响在短期内是不可避免的,但并非不可恢复,建议长期随访观察。平台数据库的建立可进一步用于内异症前瞻性及回顾性课题的深入研究,提高了科研效率。

基于智能移动终端蓝牙系统的传染源追踪系统研究

这是一篇关于COVID-19,低功耗蓝牙,数字追踪,加权算法,RSSI测距的论文, 主要内容为像新冠病毒一样的传染病对人们的生活影响巨大,目前最有效的防控措施依旧是快速控制传染源。因此快速有效的找到传染源和其密切接触者至关重要。当前的追踪方式除了传统的人工筛查,许多机构都开发了密切接触者追踪应用和其他数字追踪手段,中国也使用了健康码系统。人工筛查费时费力,健康码又存在着获取信息不精确的问题,仍需要配合人工人员流调,获取信息存在延迟。因此本文研究了一个基于智能移动终端蓝牙系统的传染源追踪方法,通过风险等级帮助人们隔离和自我隔离,并设计了一个传染源追踪系统实现基于蓝牙系统的传染源追踪过程,实现了客户端和服务器端的追踪管理,从而可以快速定位传染源和密接信息,为常态化疫情管理提供一个参考方案。本文主要完成了以下内容。1.传染风险等级算法的分析和模拟。本文的创新性在于风险等级评估,对提出的风险等级给出了区域风险等级和人员风险等级的计算方法,是基于权重的评分算法,对影响因素进行了具体分析。并参考经典传染病传播模型SEIRS模型(Susceptible易感者,Exposed暴露者,Infected染病者,Recovered恢复者)进行高斯模型模拟验证了等级估计的可行性。当风险等级判定为高风险时触发报警。2.基于移动终端蓝牙系统的传染源追踪系统设计。本系统通过低功耗蓝牙与周围人员的移动设备交换信息,通过对低功耗蓝牙传播协议的具体分析和对传染源追踪系统的需求分析,系统架构设计,功能模块设计,数据库设计和接口设计,以流程图类图的形式进行了设计,为后续的开发提供了设计参考。3.根据需求分析和设计对客户端和服务器端分别进行了开发实现了传染源追踪系统。客户端基于Android系统和内置蓝牙系统实现传染源追踪的信息交换阶段,服务端基于Spring Boot搭建后台框架实现传染源追踪的信息处理阶段。在本地存储一定时间内的密接人员和位置信息,通过相关算法可以给出人员风险等级和地域风险等级,当进入到高风险等级区域或在蓝牙互联范围内的人员风险等级大于设定阈值时提供报警功能。还可以生成一段时间内的疫情传播报告。实现了核心功能之后进行了测试,最后进行了总结和展望。分析传染源追踪系统的不足和后续发展方向。

基于U-Transformer的COVID-19 CT影像分割算法研究

这是一篇关于深度学习,COVID-19,肺部CT,U-Net,注意力机制的论文, 主要内容为新冠病毒感染(COVID-19)肆虐三年有余,在此期间,医疗资源发展不充分的问题逐渐显现,使用图像分割技术将COVID-19病灶先分割出来,有助辅佐医生进行病情诊断,减轻医疗系统负担。但现有的卷积神经网络因COVID-19肺部CT影像病灶区域广泛分布、病灶表现特征为磨玻璃状的特点,存在分割结果不够精确的问题。针对多病灶广泛分布的问题,提出整体局部分割策略。将传统U-Net网络分为全局分支与局部分支分别进行特征提取。全局分支对输入的整张图片提取特征,局部分支将图片进行4*4分片后进行特征提取,而后通过自定义的特征融合模块对两个分支特征图进行融合。针对COVID-19 CT影像病灶表现特征为磨玻璃状的特点,提出CCUNET网络。CCUNET基于当前器官分割领域能力表现良好的U-Transformer,在U-Transformer的多头自注意力(MHSA)模块中添加十字感知注意力(CC)模块和位置模块位置信息模块(PE),对位置信息独立计算。将位置信息模块计算结果叠加到MHSA的计算结果中,构成十字多头注意力(CCMHSA)模块。整合上述整体局部分割策略(GP)和CCUNET网络得到GP-CCUNET网络,较传统卷积神经网络在COVID-19 CT影像上病灶分割更加精确。实验结果表明,整体局部分割策略比传统U-Net模型F1分数提高9.2个百分点。CCUNET网络较其基线网络准确率、召回率、F1分数分别提升5.0、6.0、5.3个百分点。GP-CCUNET在公开数据集上分割结果清晰,F1分数为0.8557,从理论与实践两个方面验证了全局局部分割策略和CCUNET的科学性和有效性。

DR-Net模型下的COVID-19检测方法研究

这是一篇关于COVID-19,DR-Net模型,深度学习,图像处理,迁移学习的论文, 主要内容为使用深度学习模型检测新型冠状病毒肺炎(Coronavirus Disease 2019,COVID-19)具有准确、高效且无需接触患者的优势,这在疫情防控中是至关重要的。然而目前的检测方法和模型存在检测假阳性率较高与效率较低的问题,为了解决这些问题,实现在深度学习模型下对COVID-19的准确高效检测,本文提出了基于迁移学习的COVID-19检测方法,设计了基于肺部X光片检测COVID-19的DR-Net模型,并开发了COVID-19检测系统以实现无接触的自动化检测。针对采集到的患者肺部影像对比度较差、亮度较低的问题,本文在对比多种图像预处理算法后,根据实际需要选择使用限制对比度的自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)算法对肺部X射线图像进行预处理,在增强图像对比度、抑制噪声的同时突出图像内部细节,减少医疗环境和设备性能等外在条件的影响;其次,针对COVID-19肺部X光数据集较小和类别不平衡导致检测假阳性率高的问题,本文提出了基于迁移学习的COVID-19检测方法。使用在大规模数据集上预训练的优良模型(主要是VGG16、Res Net50、Inception V3和Xception模型)中的特征提取器对本文的肺部影像进行特征提取,以COVID-19阳性和阴性的肺部X光图像(以下简称阳性和阴性图像)中存在的影像特征差异为分类依据,再加上改良设计的网络微调层,进行特征降维处理后,由Softmax层分类输出,降低检测的假阳性率;最后,针对现有网络存在检测准确度不高和参数量过大的问题,本文设计了针对肺部X光片进行COVID-19检测的DR-Net网络模型。DR-Net是在迁移模型VGG16网络的基础上改进得到的,其改进方面包括各个网络层和整体网络结构:1.用可分离卷积替代经典图像分类网络中的卷积,大大减少网络参数,从而减少计算量,提高运行速度;2.结合Dense Net中的网络层间连接方式,将整体网络结构改为跳层连接,使得骨干网络的每一层都和上一层连接,并输出所有的特征图,最后,进行特征重组,提高特征利用率,实现资源的最大利用,从而提高模型分类能力,提升检测精度。本文分别使用在大规模数据集上预训练的多种优良模型和自主设计的DR-Net模型,进行了对COVID-19阳性图像和阴性图像的检测分类实验。使用开源数据库——Kaggle平台提供的COVID-19 X射线影像数据库中的阳性与阴性图像作为实验数据集,进行模型训练和优化。结果表明,DR-Net模型的分类准确率、敏感性和特异性分别为99.37%、99.43%和99.31%。与改进前的VGG16模型相比,分别增长了3.31%、3.13%和3.50%。另一方面,DR-Net模型的参数量为6.57×106,这比改进前的模型低55.31%。并以训练后的DR-Net模型为核心,进一步开发出基于肺部X光片的COVID-19检测系统,分别对COVID-19阳性图像和阴性图像进行了检测实验。DR-Net模型对COVID-19图像具有良好的检测分类能力,在提高精度的同时也有效降低了模型参数量,从而提升了检测速度。此外,本文开发的基于肺部X光片的COVID-19检测系统也能够在不与患者接触的条件下实现COVID-19的准确高效检测。

基于智能移动终端蓝牙系统的传染源追踪系统研究

这是一篇关于COVID-19,低功耗蓝牙,数字追踪,加权算法,RSSI测距的论文, 主要内容为像新冠病毒一样的传染病对人们的生活影响巨大,目前最有效的防控措施依旧是快速控制传染源。因此快速有效的找到传染源和其密切接触者至关重要。当前的追踪方式除了传统的人工筛查,许多机构都开发了密切接触者追踪应用和其他数字追踪手段,中国也使用了健康码系统。人工筛查费时费力,健康码又存在着获取信息不精确的问题,仍需要配合人工人员流调,获取信息存在延迟。因此本文研究了一个基于智能移动终端蓝牙系统的传染源追踪方法,通过风险等级帮助人们隔离和自我隔离,并设计了一个传染源追踪系统实现基于蓝牙系统的传染源追踪过程,实现了客户端和服务器端的追踪管理,从而可以快速定位传染源和密接信息,为常态化疫情管理提供一个参考方案。本文主要完成了以下内容。1.传染风险等级算法的分析和模拟。本文的创新性在于风险等级评估,对提出的风险等级给出了区域风险等级和人员风险等级的计算方法,是基于权重的评分算法,对影响因素进行了具体分析。并参考经典传染病传播模型SEIRS模型(Susceptible易感者,Exposed暴露者,Infected染病者,Recovered恢复者)进行高斯模型模拟验证了等级估计的可行性。当风险等级判定为高风险时触发报警。2.基于移动终端蓝牙系统的传染源追踪系统设计。本系统通过低功耗蓝牙与周围人员的移动设备交换信息,通过对低功耗蓝牙传播协议的具体分析和对传染源追踪系统的需求分析,系统架构设计,功能模块设计,数据库设计和接口设计,以流程图类图的形式进行了设计,为后续的开发提供了设计参考。3.根据需求分析和设计对客户端和服务器端分别进行了开发实现了传染源追踪系统。客户端基于Android系统和内置蓝牙系统实现传染源追踪的信息交换阶段,服务端基于Spring Boot搭建后台框架实现传染源追踪的信息处理阶段。在本地存储一定时间内的密接人员和位置信息,通过相关算法可以给出人员风险等级和地域风险等级,当进入到高风险等级区域或在蓝牙互联范围内的人员风险等级大于设定阈值时提供报警功能。还可以生成一段时间内的疫情传播报告。实现了核心功能之后进行了测试,最后进行了总结和展望。分析传染源追踪系统的不足和后续发展方向。

“子宫内膜异位症电子随访平台数据库”的建立和初步应用

这是一篇关于子宫内膜异位症,电子随访平台数据库,随访管理,抗缪勒管激素,COVID-19,临床研究的论文, 主要内容为研究背景子宫内膜异位症(简称为内异症)是指子宫腔外的部分出现子宫内膜样组织(子宫内膜腺体和间质)。作为一种常见于育龄期女性的雌激素依赖性的慢性疾病,内异症通常表现为慢性盆腔疼痛(chronic pelvic pain,CPP)、痛经、性交痛、不孕等,对患者的身心健康、经济状况和社会生活等多方面造成了较大的负面影响。其中卵巢子宫内膜异位囊肿(ovarianendometrioma,OMA)本身及其手术治疗对育龄期女性患者的卵巢储备功能所造成的影响需要引起专科医生的关注。同时由于病程较长、根治性手术困难较大、术后易复发和恶变风险,内异症需要长期药物治疗和规范化的随访管理。新型冠状病毒感染(corona virus disease 2019.COVID-19)的暴发导致了社会人员活动限制和医疗资源获取受限,更是增加了内异症患者的随访管理难度,传统的管理模式难以满足医患双方的需求,构建新型的内异症随访管理模式是大势所趋。研究目的介绍COVID-19期间一种新型的内异症随访管理模式-子宫内膜异位症电子随访平台数据库的建立和初步应用,并测试该新型随访管理模式的适用性和患者满意度,以及利用平台数据库功能进行腹腔镜OMA剥除术后卵巢储备功能变化的研究。材料和方法研究者(临床医生)联合零氪科技(北京)有限公司设计了内异症通用数据模型(common data model,CDM),公司以该模型为基础研发了子宫内膜异位症电子随访平台数据库。自2021年1月至2023年1月31日,研究者利用该随访平台数据库进行了术后接受长期激素药物治疗的内异症患者的信息录入和术后随访工作,采用视觉模拟量表(visual analogue scale,VAS)评估受试者的疼痛强度,采用抑郁自评量表(self-rating depression scale,SDS)和焦虑自评量表(self-rating anxiety scale,SAS)用来评估受试者的抑郁和焦虑程度。随访主要观察指标:(1)术前和术后随访6个月后的受试者VAS、SDS和SAS评分的变化;(2)术后随访6个月后受试者的随访满意度以及对该平台存在必要性的评分;(3)术后6个月和术后1年内累计复发人数。腹腔镜OMA剥除术后卵巢储备功能变化研究的观察指标:(1)腹腔镜OMA剥除术后1个月血清抗缪勒管激素(anti-mullerianhormone,AMH)水平的变化及影响因素;(2)腹腔镜OMA剥除术后3/6/12个月血清AMH水平的变化趋势。结果1.该随访平台数据库成功建立并上线初步应用,截止至2023年1月31日共纳入了 152例内异症术后患者,有14例受试者失访,失访率为9.21%(<10.0%),138例受试者均完成术后6个月的随访,共有95例受试者完成了术后1年的随访;2.受试者完成 6 个月随访后的 VAS(p<0.001)、SDS(p<0.001)和 SAS(p<0.001)评分较术前明显下降;3.受试者满意度高达100.0%,其中90.58%的受试者表示非常满意;86.70%的受试者表示平台的存在非常有必要;4.术后6个月内和1年内累计复发人数分别为0和3,术后1年内复发率为3.16%(3/95);5.腹腔镜OMA剥除术后1个月血清AMH水平明显下降(p<0.001),且双侧下降程度明显高于单侧,术后1个月血清AMH下降百分比与血清糖类抗原125(carbohydrate antigen 125,CA125)水平(r=0.291,p=0.01)及修订的美国生殖医学会(revised American society ofreproductivemedicine,r-ASRM)评分(r=0.368,p=0.001)呈明显正相关;血清AMH水平在术后3/6/12个月的随访中无明显进一步下降(p>0.05),且出现回升现象的患者占比随着随访时间的延长而增加。结论该随访平台数据库的成功建立和该新型随访管理模式打破了 COVID-19期间在随访工作时间和空间上的限制,使内异症患者能够更有效地获取医疗资源,极大地降低了 COVID-19对内异症随访管理工作的影响,提高了随访管理的效率,缓解了受试者的焦虑抑郁情绪,收到了受试者的良好反馈。应用平台数据库功能进行的腹腔镜OMA剥除术后卵巢储备功能的变化的研究提示,手术对OMA患者卵巢储备功能的影响在短期内是不可避免的,但并非不可恢复,建议长期随访观察。平台数据库的建立可进一步用于内异症前瞻性及回顾性课题的深入研究,提高了科研效率。

基于U-Transformer的COVID-19 CT影像分割算法研究

这是一篇关于深度学习,COVID-19,肺部CT,U-Net,注意力机制的论文, 主要内容为新冠病毒感染(COVID-19)肆虐三年有余,在此期间,医疗资源发展不充分的问题逐渐显现,使用图像分割技术将COVID-19病灶先分割出来,有助辅佐医生进行病情诊断,减轻医疗系统负担。但现有的卷积神经网络因COVID-19肺部CT影像病灶区域广泛分布、病灶表现特征为磨玻璃状的特点,存在分割结果不够精确的问题。针对多病灶广泛分布的问题,提出整体局部分割策略。将传统U-Net网络分为全局分支与局部分支分别进行特征提取。全局分支对输入的整张图片提取特征,局部分支将图片进行4*4分片后进行特征提取,而后通过自定义的特征融合模块对两个分支特征图进行融合。针对COVID-19 CT影像病灶表现特征为磨玻璃状的特点,提出CCUNET网络。CCUNET基于当前器官分割领域能力表现良好的U-Transformer,在U-Transformer的多头自注意力(MHSA)模块中添加十字感知注意力(CC)模块和位置模块位置信息模块(PE),对位置信息独立计算。将位置信息模块计算结果叠加到MHSA的计算结果中,构成十字多头注意力(CCMHSA)模块。整合上述整体局部分割策略(GP)和CCUNET网络得到GP-CCUNET网络,较传统卷积神经网络在COVID-19 CT影像上病灶分割更加精确。实验结果表明,整体局部分割策略比传统U-Net模型F1分数提高9.2个百分点。CCUNET网络较其基线网络准确率、召回率、F1分数分别提升5.0、6.0、5.3个百分点。GP-CCUNET在公开数据集上分割结果清晰,F1分数为0.8557,从理论与实践两个方面验证了全局局部分割策略和CCUNET的科学性和有效性。

基于联邦学习的COVID-19 CT影像智能实时诊断系统的研究与实现

这是一篇关于COVID-19,智能化诊断,3D CNN,联邦学习,SpringBoot的论文, 主要内容为2019年12月由于新冠疫情爆发,全球200多个国家人民都在面临病毒的威胁。在这种情况下,及时快速的诊断可以较早的发现受感染的患者,阻止感染患者疫情的扩散。一方面,早期的临床医学研究表明,COVID-19患者在CT扫描的影响序列中表现出某些独特的放射学特征可以作为肺部感染的评定与估计严重程度。但是由于放射学影响特征需要放射科医生的大量诊断经验,导致医生在诊断COVID-19和其他病毒性肺炎上有显著的差距。因此,一种准确快速的智能化自动诊断COVID-19的检测方法,成为了解决困局的希望。然而另一方面,深度模型的训练需要大量的新冠患者的诊断数据,但是病人数据具有隐私性和法律保护性,所以智能化自动诊断模型面临着训练数据不足、数据隔离等问题。综合以上因素,本文设计并开发了一项基于联邦学习的COVID-19智能化自动诊断系统。首先,本文在疫情爆发后的三个月进行患者数据收集工作,并求助放射科专家进行了高质量的数据标注和数据分析。其次,为了解决数据独立的困境,本文利用三个医院的独立非共享数据,设计搭建了联邦学习框架,传输过程加密且不涉及数据层面的信息,同时参考视频动作识别领域的研究方法,利用处理好的数据集分析设计3D卷积网络作为联邦学习的基础网络模型。最后,为了能让本文的工作得到更多的认可和应用,采用Java的SpringBoot框架开发一套网络应用,提供网页界面和REST API接口供广大用户免费使用。本文将联邦学习的框架开源在https://github.com/HUST-EIC-AI-LAB,希望能得到不同医院的信赖,打造一套诊断更加快速、诊断更加准确的COVID-19智能化自动诊断模型。

基于U-Transformer的COVID-19 CT影像分割算法研究

这是一篇关于深度学习,COVID-19,肺部CT,U-Net,注意力机制的论文, 主要内容为新冠病毒感染(COVID-19)肆虐三年有余,在此期间,医疗资源发展不充分的问题逐渐显现,使用图像分割技术将COVID-19病灶先分割出来,有助辅佐医生进行病情诊断,减轻医疗系统负担。但现有的卷积神经网络因COVID-19肺部CT影像病灶区域广泛分布、病灶表现特征为磨玻璃状的特点,存在分割结果不够精确的问题。针对多病灶广泛分布的问题,提出整体局部分割策略。将传统U-Net网络分为全局分支与局部分支分别进行特征提取。全局分支对输入的整张图片提取特征,局部分支将图片进行4*4分片后进行特征提取,而后通过自定义的特征融合模块对两个分支特征图进行融合。针对COVID-19 CT影像病灶表现特征为磨玻璃状的特点,提出CCUNET网络。CCUNET基于当前器官分割领域能力表现良好的U-Transformer,在U-Transformer的多头自注意力(MHSA)模块中添加十字感知注意力(CC)模块和位置模块位置信息模块(PE),对位置信息独立计算。将位置信息模块计算结果叠加到MHSA的计算结果中,构成十字多头注意力(CCMHSA)模块。整合上述整体局部分割策略(GP)和CCUNET网络得到GP-CCUNET网络,较传统卷积神经网络在COVID-19 CT影像上病灶分割更加精确。实验结果表明,整体局部分割策略比传统U-Net模型F1分数提高9.2个百分点。CCUNET网络较其基线网络准确率、召回率、F1分数分别提升5.0、6.0、5.3个百分点。GP-CCUNET在公开数据集上分割结果清晰,F1分数为0.8557,从理论与实践两个方面验证了全局局部分割策略和CCUNET的科学性和有效性。

基于深度学习的COVID-19图像分类

这是一篇关于COVID-19,深度迁移学习,主动学习,通道注意力,卷积神经网络的论文, 主要内容为新型冠状病毒(SARS-Cov-2)对人类健康造成严重威胁,造成大量患者感染并对生命健康造成威胁。及时地阻止病毒的传播,并对感染新型冠状病毒性肺炎(COVID-19)的患者进行隔离和治疗,能够极大程度上减少患者的人数。在遏制COVID-19传播的过程中,最关键的一步便是及时有效地对疑似感染的患者进行检测以及及时的治疗,但是逆转录聚合酶链式反应(RT-PCR)检测患者相对耗时并且具有较高的假阴性率,这都不利于有效地控制疫情。为了进一步的检测疑似患者,提高检测方法的准确率,本文利用人工智能算法,基于深度学习模型对肺部医学图像进行分类以检测感染患者,主要工作如下:1.提出了基于深度迁移学习的多通道双注意力网络(MDA-Net)对肺部图像进行检测。首先,在深度迁移学习的框架下,引入多通道双注意力模块,利用多个通道的位置关系,融合不同尺度的图像特征。然后,将注意力机制和轻量级卷积神经网络相结合,扩大了MDA-Net感受野,提高了对肺部图像复杂区域和边缘区域的特征提取能力。最后,在不同数据集上对MDA-Net的性能进行了验证。实验表明,二分类任务和三分类任务中MDA-Net分别取得了99.25%和99.39%的平均准确率,表现出良好的分类性能。2.提出了基于迁移学习的主动注意力卷积神经网络(AMC-Net)对肺部图像进行分类。首先,引入一种全新的主动注意力融合(AEA)模块提取通道注意力,通过使用主动注意力机制来更加高效地提取特征信息。其次,将AMC-Net与经过预训练的模型结合并进行迁移学习,通过迁移学习的训练方式解决肺部医学图像数据缺乏和数据种类不平衡的问题,并加快模型的收敛速度。最后,通过对图像预测过程和分类结果进行可视化,使模型决策过程更加清晰。在肺部X射线图像的分类任务中,AMC-Net取得了99.36%的平均准确率;在肺部CT扫描图像的二分类任务中,AMC-Net取得了100.00%的平均准确率,三分类任务中,AMCNet取得了99.93%的平均准确率。通过一系列的消融实验数据对比,表明AMCNet的有效性。通过与已有分类模型进行对比,说明AMC-Net具有较强的竞争力。