《Systems and Soft Computing》：COVDGNet: A deep convolutional neural network approach for accurate classification of non-COVID-19 and COVID-19 cases using lung CT scans
编辑推荐：
尽管全球在从COVID-19疫情中恢复方面取得了进展，但必须认识到病毒已进入一个危险的新阶段，需要立即采取协调一致的努力以彻底战胜病毒。该疾病的早期检测需要实施一种高效的诊断技术。研究人员提出了众多卷积网络模型用于分类良性和恶性肺部COVID-19图像。然而，
尽管全球在从COVID-19疫情中恢复方面取得了进展，但必须认识到病毒已进入一个危险的新阶段，需要立即采取协调一致的努力以彻底战胜病毒。该疾病的早期检测需要实施一种高效的诊断技术。研究人员提出了众多卷积网络模型用于分类良性和恶性肺部COVID-19图像。然而，大多数模型在实现高识别准确率和准确捕捉疾病临床特征方面存在局限性。本研究旨在通过提出一种先进的混合模型来提高COVID-19肺部CT扫描的分类准确率。研究人员开发了一种名为COVDGNet的新型混合原型，该模型采用多块VGG嵌入式膨胀门控卷积网络（VEDG），显著提高了分类准确率和计算效率。与先前模型相比，研究人员提出的COVDGNet模型在改进的VGG-16架构的所有块中加入了多个膨胀门控层，以获得更全面的上下文信息。该系统还通过减小每层的通道数来调整VGG-16架构，从而在保持整体性能的同时提高了计算效率。该模型使用Kaggle提供的综合COVID-19 CT扫描切片数据库进行了训练、微调和测试。所提出的系统网络超越了包括VGG-16、门控膨胀（Gated Dilated）和CNN在内的高度复杂基线模型，取得了超过0.98的AUC值。COVDGNet模型在识别COVID-19影像学临床特征方面表现出显著的准确性，与现有模型相比，实现了98.15%的准确率。
新冠肺炎疫情对全球健康、社会和经济造成了深远影响，其严重程度可类比第二次世界大战。早期检测是遏制病毒传播的关键，而计算机断层扫描（CT）作为一种快速筛查工具，其解读却高度依赖放射科医生的经验，且过程繁琐耗时。尽管已有多种卷积神经网络（CNN）模型被提出用于分类COVID-19肺部CT图像，但现有模型在识别准确率和对疾病临床特征的捕捉能力上仍存在明显不足，难以满足临床对高精度诊断的需求。为此，研究人员开展了此项研究，旨在开发一种新型混合深度学习模型，以提升COVID-19肺部CT扫描的分类性能，同时兼顾计算效率。该论文发表于《Systems and Soft Computing》。
研究人员提出了一种名为COVDGNet的混合模型，其核心技术为多块VGG嵌入式膨胀门控卷积网络（VEDG）。该模型基于修改后的VGG-16架构，在每一块中嵌入膨胀门控层（Dilated Gated Layer），以获取多尺度上下文信息。关键技术包括：①膨胀卷积（Dilated Convolution），通过引入膨胀率（dilation rate）在保持参数数量不变的情况下扩大感受野；②门控机制（Gating Mechanism），利用Sigmoid激活函数生成权重，控制信息流动；③残差连接（Residual Connection），缓解梯度消失问题。数据集来源包括Kaggle提供的COVID-19 CT扫描切片数据集（含7593张COVID-19图像、6893张正常图像、2618张社区获得性肺炎图像）以及印度医院采集的实时CT图像。所有图像经预处理后调整为64×64像素。
**1. Introduction**
研究背景指出，COVID-19与严重急性呼吸综合征（SARS）及中东呼吸综合征（MERS）具有相似临床特征，CT影像中常见的磨玻璃影（GGO）、实变、铺路石征等是诊断关键。通过文献综述，发现现有深度学习模型在准确率与计算效率间难以平衡，本研究旨在弥补这一缺口。
**2. Related work**
综述了现有CNN模型与门控膨胀网络的应用。研究表明，单独使用VGG-16或标准CNN在COVID-19分类中表现有限，而混合架构（如结合门控机制与膨胀卷积）能有效提升特征表示能力。与其他模型相比，COVDGNet的创新在于多块并行膨胀门控设计。
**3. Proposed methodology**
详述了COVDGNet的构建：修改VGG-16架构，将每层通道数减少以提升计算效率；在五个卷积块后分别插入膨胀门控层（膨胀率设为1、2、4），通过多尺度特征提取捕捉局部纹理与全局上下文。门控层使用ReLU和Sigmoid双路径，并与残差连接结合。基线模型包括标准CNN、无膨胀的VEDG、无门控的VEDG及预训练VGG-16，均采用Adam优化器（初始学习率1e-5）和五折交叉验证。
**4. Experimental design and analysis**
实验在Apple M2处理器上完成，使用TensorFlow框架。训练50个epoch，学习率从1e-2衰减至1e-3。采用动态学习率调整和Kaiming初始化。结果显示，COVDGNet的损失值从第5个epoch的0.3580降至第50个epoch的0.0092，准确率从88.53%提升至98.15%。混淆矩阵表明，敏感度达98.16%，特异度98.14%，马修斯相关系数（MCC）为0.9630。
**5. Performance measures**
与基线模型对比：COVDGNet的AUC值超过0.98，显著优于VGG-16（AUC约0.93）、门控膨胀网络（AUC约0.95）和标准CNN（AUC约0.90）。在计算效率方面，COVDGNet的参数量为1280万，浮点运算数（FLOPs）为2.9 Giga FLOPs，平均推理时间每张图像145毫秒，均低于VGG-16（1530万参数、15.5 Giga FLOPs、320毫秒）和ResNet-50（2560万参数、4.1 Giga FLOPs、210毫秒），实现了精度与效率的平衡。
**6. Conclusion**
研究结论部分翻译如下：在本研究中，研究人员广泛回顾了现有基于CNN的模型，并提出了一种新的混合模型——通过将膨胀门控卷积嵌入修改后的VGG-16架构中，形成多块结构，用于快速准确分类COVID-19临床特征。此外，研究人员设计了一种不同于先前膨胀门控层的新型VGG嵌入式膨胀门控层，用于COVID-19数据集上的CT肺部图像分类问题。在Kaggle的CT肺部切片数据集上的实验表明，所提出的模型产生了预期的肺部分类结果，其在准确率上以显著差距优于其他先进模型。研究人员还进行了消融研究，结果证明了两个主要贡献的有效性。关于未来改进，一种方法是利用不同数据集训练网络以提高分类准确率。此外，研究人员计划将模型拓展至COVID-19 CT肺部图像分割问题，通过准确分割肺部病变来评估COVID病例的严重程度。
