摘要：基于医学肺部影像开发智能诊断新冠肺炎的深度学习方法能够减轻大量医护人员的工作,且能够提供可靠的准确性,然而深度学习方法的高准确性通常依赖于数据样本的质量.在自然界存在的医学图像数据的来源和处理过程并不单一,数据样本差异性较大和质量不佳会增大深度学习模型提取关键特征的难度,有效的数据预处理和合适的模型设计十分关键.基于肺部CT图像,本论文提出一种像素分割联合双分支模型ReSWNet辅助诊断新冠肺炎感染.该方法首先训练像素分割模型进行分割预处理,实现肺部CT图像无关背景的剔除,然后通过结合了卷积神经网络和自注意力模型优缺点的双分支模型进行肺炎诊断.通过在COVID-CT数据集上对该方法进行验证表明,在诊断准确率、召回率和F1分数等性能指标方面,该方法较基线模型分别提高了8.6%、16.05以及7.71%,最后采用可视化结果热力图为诊断提供了可解释性.