肺のX線画像における病変領域が小さく形状が複雑であり、正常組織との境界が不明瞭であるため、肺炎画像における病変特徴の抽出が不十分である問題に対して、特徴強化を目的とした二重残差Res-Transformer肺炎認識モデルであるDRT Netを提案した。モデルの特徴抽出能力を強化するために、3種類の異なる特徴強化戦略を設計した。グループ注意二重残差モジュール（GADRM）を設計し、二重残差構造を用いて効率的な特徴融合を行い、二重残差構造とチャネルシャッフル、チャネル注意、空間注意を組み合わせてモデルの病変領域特徴抽出能力を強化した。ネットワークの高層では、グローバル及びローカル特徴抽出モジュール（GLFEM）を用い、CNNとTransformerの利点を組み合わせてネットワークが画像のグローバルおよびローカル特徴を十分に抽出し、高層の意味情報のグローバル特徴を獲得し、ネットワークの意味特徴抽出能力をさらに強化した。層間二重注意特徴融合モジュール（CDAFFM）を設計し、浅層ネットワークの空間情報と深層ネットワークのチャネル情報を融合してネットワークが抽出した層間特徴を強化した。本モデルの有効性を検証するために、COVID-19 CHEST X-RAYデータセット上でアブレーション実験および比較実験を行った。実験結果は、本論文で提案したネットワークの精度、適合率、再現率、F1値およびAUC値がそれぞれ98.41％、94.42％、94.20％、94.26％および99.65％であることを示した。DRT Netは放射線科医が胸部X線写真を用いて肺炎の診断を支援でき、重要な臨床的役割を果たす。

肺炎認識;X線画像;特徴強化;二重残差構造;Transformer