萬志勇， 周小安

(深圳大學(xué) 信息工程學(xué)院， 廣東 深圳 518000)

0 引 言

膽道閉鎖是嬰兒期常見的嚴(yán)重的肝疾病之一，如治療不及時將會危及生命?；加性摷膊〉膵雰簳腥缦?種臨床癥狀：蒼白色素大便、長期性黃疸和尿液呈黑色狀[1]。目前，肝門空腸吻合手術(shù)(Kasai手術(shù))是膽道閉鎖的首要治療方法。(引用大便比色卡)手術(shù)的時間非常關(guān)鍵，在患病嬰兒2個月前進(jìn)行手術(shù)要比2個月后進(jìn)行手術(shù)的成功概率要高。為了提高嬰兒膽道閉鎖的存活率，早期膽道閉鎖的篩查就很有必要了。

目前主要是應(yīng)用大便比色卡進(jìn)行膽道閉鎖篩查，這是在1994年日本Matsui醫(yī)生首先提出通過大便顏色來早期篩查膽道閉鎖，通過讓嬰兒的母親每天觀察嬰兒大便的顏色，為早期診斷膽道閉鎖提供了可靠及有效的線索[2]。通過觀察患病嬰兒和健康嬰兒的大便顏色，來制作大便比色卡。將比色卡分為2類：正常組和異常組。圖1中的(1～3)是屬于異常組，大便的顏色包括白陶土色至淺黃色；圖1中的(4～6)為正常組，大便的顏色包括黃色至綠色[3]。家長每天通過對比大便比色卡上的圖片來觀察嬰兒大便的顏色，當(dāng)觀察到嬰兒大便顏色對應(yīng)異常組，則需要警惕嬰兒患膽道閉鎖的可能，應(yīng)該及時到醫(yī)院進(jìn)行相關(guān)的檢查。利用大便比色卡進(jìn)行膽道閉鎖的篩查，這使得膽道閉鎖患兒的手術(shù)時間提前，提高了嬰兒的生存率。

圖1 大便比色卡

目前，卷積神經(jīng)網(wǎng)絡(luò)在圖像識別分類任務(wù)中的應(yīng)用越來越廣泛。研究中常見的模型種類與特征可分述如下。

(1)變積分自動編碼器(VAE)。具體來說，其特殊之處在于設(shè)計(jì)中試圖將編碼的潛在向量構(gòu)建為均值和方差的高斯概率分布。

(2)GoogleNet模型。這是有9個相同的并行卷積神經(jīng)網(wǎng)絡(luò)，具有下采樣功能。其執(zhí)行時間比商用硬件上的VGG或ResNet好。

(3)ResNet50模型。是Microsoft研究發(fā)布的高度準(zhǔn)確的模型。但其準(zhǔn)確性的增加卻是以計(jì)算開支為代價的。而且在模型內(nèi)存成本和執(zhí)行時間上都超過了GoogleNet。模型的優(yōu)點(diǎn)是精度高，缺點(diǎn)是模型相對復(fù)雜。

(4)VGG16模型。主要用于大規(guī)模圖像識別的深層次卷積網(wǎng)絡(luò)。VGG由牛津大學(xué)的研究人員出版。推介亮點(diǎn)在于其簡潔的結(jié)構(gòu)風(fēng)格。大多數(shù)網(wǎng)絡(luò)由簡單級聯(lián)方式的卷積層和丟失層組成。設(shè)計(jì)優(yōu)勢是簡單性，缺點(diǎn)是高內(nèi)存和計(jì)算成本。

本文中用到的分類模型是GoogleNet InceptionV3。

1 數(shù)據(jù)集和模型

1.1 數(shù)據(jù)集

本論文實(shí)驗(yàn)的數(shù)據(jù)來自深圳市兒童醫(yī)院。其中包括16名患有膽道閉鎖的嬰兒和20名正常的嬰兒。在每天的早晨通過照相機(jī)拍照獲得患病和正常嬰兒的大便圖像。被收集到的圖像先經(jīng)過初步的篩選，而后每張照片再經(jīng)過醫(yī)生的檢查，從而來標(biāo)定這張圖像是屬于正常、還是異常。在本文的實(shí)驗(yàn)中，研究一共收集到了2 524張圖像，1 120張是正常的，1 404張圖像是異常的。在數(shù)據(jù)訓(xùn)練和測試的時候，將正常的圖像標(biāo)簽設(shè)定為1，異常的圖像標(biāo)簽設(shè)定為0。視像標(biāo)定結(jié)果即如圖2所示。同時，又把這些數(shù)據(jù)按7:3的比例劃分訓(xùn)練集和測試集。

(a)異常(0) (b)正常(1)

1.2 模型

本文的組織結(jié)構(gòu)如圖3所示。首先是圖像的獲取，然后是對圖像進(jìn)行預(yù)處理，使得圖像的大小符合模型的輸入特征，接下來調(diào)整一系列的參考，讓模型更加擬合真實(shí)值。最后即是分類結(jié)果預(yù)測。

圖3文章整體結(jié)構(gòu)

Fig.3Overallstructureofarticles

本次論文中用到的卷積神經(jīng)網(wǎng)絡(luò)的模型是GoogleNet的InceptionV3。網(wǎng)絡(luò)的結(jié)果如圖4所示。由圖4可見，網(wǎng)絡(luò)是從上至下運(yùn)行的，上一個的輸出作為下一個的輸入[4]。經(jīng)過預(yù)處理模型的輸入層大小為64641。使用64個55的卷積核對輸入做卷積，然后再使用大小為33、步幅為3的池化。此時得到圖像的輸出大小為202064。接下來，圖像要經(jīng)過7個inception單元，經(jīng)過每個單元處理后圖像的特征逐漸增加，運(yùn)行得到600個33圖像，將這33600的圖像展開為一維圖像，同時又連接一個大小為4 096的全連接層，最后再連接一個Softmax回歸。

2 結(jié)果及討論

本文的所有試驗(yàn)過程都是在tensorflow平臺上運(yùn)行的，Adam算法的學(xué)習(xí)速率設(shè)置為0.001。在模型訓(xùn)練過程中，研究將數(shù)據(jù)分為訓(xùn)練集和測試集，通過不斷的迭代和參數(shù)調(diào)整，最終則在訓(xùn)練集上獲得了95.1%的準(zhǔn)確率，在后面的測試集上又獲得了83.5%的準(zhǔn)確率。同以往其它模型對嬰兒大便圖像的識別比較后可知，本文提出的模型方法獲得了最高的準(zhǔn)確率。本文模型與其它模型識別準(zhǔn)確率的差別對比詳見表1。

表1 與其它模型相比較結(jié)果

3 結(jié)論分析

本次研究提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)中GoogleNet InceptionV3模型來識別嬰兒大便圖像的方法，從而對早期嬰兒膽道閉鎖疾病進(jìn)行篩查，獲得了不錯的效果。在此過程中，卻仍有亟待改進(jìn)之處。首先，數(shù)據(jù)集的數(shù)目不足可能會影響到實(shí)驗(yàn)結(jié)果的準(zhǔn)確性。再就是，未能在不同的卷積神經(jīng)網(wǎng)絡(luò)的模型下對數(shù)據(jù)進(jìn)行訓(xùn)練和測試。在后續(xù)的工作中將進(jìn)一步獲得更多的數(shù)據(jù)來保障訓(xùn)練需要，而且也將選用不同的卷積神經(jīng)網(wǎng)絡(luò)模型來對數(shù)據(jù)進(jìn)行訓(xùn)練，如變積分自編碼(VAE)、VGG16、殘差網(wǎng)絡(luò)(Resnet)。

圖4 卷積網(wǎng)絡(luò)模型結(jié)構(gòu)

4 結(jié)束語

本文基于卷積神經(jīng)網(wǎng)絡(luò)來識別嬰兒的大便圖像，從而對膽道閉鎖進(jìn)行早期的篩查。通過GoogleNet網(wǎng)絡(luò)InceptionV3模型來訓(xùn)練數(shù)據(jù)，對模型的參數(shù)進(jìn)行適當(dāng)?shù)男薷?，觀察擬合帶的程度，從而確定最佳的模型參數(shù)。相較之前對大便圖像的識別分類，本文提出的方法獲得了較高的準(zhǔn)確率。卷積神經(jīng)網(wǎng)絡(luò)在圖像的分類識別領(lǐng)域有很大的優(yōu)勢，利用卷積神經(jīng)網(wǎng)絡(luò)中的模型來對嬰兒大便圖像進(jìn)行識別分類，有助于患兒早期膽道閉鎖的診斷，提高了患病嬰兒的存活率[5]。