폐 X선 이미지에서 병변 부위가 작고 형태가 복잡하며 정상 조직과의 경계가 불분명하여 폐렴 이미지에서 병변 특징 추출이 충분하지 않은 문제를 해결하기 위해, 특징 강화에 중점을 둔 이중 잔차 Res-Transformer 폐렴 인식 모델인 DRT Net을 제안하였다. 모델의 특징 추출 능력을 강화하기 위해 세 가지 다른 특징 강화 전략을 설계하였다. 그룹 주의 이중 잔차 모듈(GADRM)을 설계하였으며, 이중 잔차 구조를 사용하여 효율적인 특징 융합을 수행하고 채널 셔플링, 채널 주의, 공간 주의를 결합하여 모델의 병변 영역 특징 추출 능력을 강화하였다; 네트워크의 상위 계층에서는 전역 및 국부 특징 추출 모듈(GLFEM)을 사용하여 CNN과 Transformer의 장점을 결합해 네트워크가 이미지의 전역 및 국부 특징을 충분히 추출하도록 하여 고차원 의미 정보를 위한 전역 특징을 획득하고 네트워크의 의미 특징 추출 능력을 더욱 강화하였다; 층 간 이중 주의 특징 융합 모듈(CDAFFM)을 설계하여 얕은 층 네트워크의 공간 정보와 깊은 층 네트워크의 채널 정보를 융합해 네트워크가 추출한 층 간 특징을 강화하였다. 본 모델의 유효성을 검증하기 위해 COVID-19 CHEST X-RAY 데이터셋에서 소거 실험 및 비교 실험을 수행하였다. 실험 결과 본 논문이 제안한 네트워크의 정확도, 정밀도, 재현율, F1 값 및 AUC 값은 각각 98.41%, 94.42%, 94.20%, 94.26%, 99.65%로 나타났다. DRT Net은 방사선 전문의가 흉부 X선 영상을 사용하여 폐렴을 진단하는 데 도움을 줄 수 있으며, 중요한 임상적 역할을 한다.

폐렴 인식;X선 이미지;특징 강화;이중 잔차 구조;Transformer