鄒倩穎， 吳寶永， 王小芳，2

（1.電子科技大學(xué)成都學(xué)院，云計(jì)算科學(xué)與技術(shù)系，成都611731；2.西華師范大學(xué)計(jì)算機(jī)學(xué)院，四川南充637002）

0 引 言

自20世紀(jì)起，人工智能在許多行業(yè)實(shí)現(xiàn)了創(chuàng)新，不僅提高工作效率，還有準(zhǔn)確率。就醫(yī)療領(lǐng)域而言，人工智能在臨床診斷問題上實(shí)現(xiàn)了應(yīng)用，但人工智能應(yīng)用到醫(yī)學(xué)影像學(xué)領(lǐng)域的起步較遲，其原因在于用于醫(yī)學(xué)影像診斷的人工智能須依靠人主觀建立數(shù)學(xué)模型［1］。文獻(xiàn)［2］中提出了一種基于支持向量機(jī)與貝葉斯的算法，利用22個(gè)定量特征對(duì)肺炎進(jìn)行判斷，但是其在不同機(jī)器產(chǎn)生的圖像效果不同，準(zhǔn)確率不太穩(wěn)定。文獻(xiàn)［3］中提出了一種基于小波的3D-CT圖像特征提取，但其對(duì)數(shù)據(jù)集要求過高。斯坦福大學(xué)在2017年設(shè)計(jì)了一個(gè)名為CheXNet，用于判斷胸腔部分的14種疾病，包括肺炎，雖然其識(shí)別率高95%，但其并未對(duì)肺炎的種類進(jìn)行細(xì)分［4］。

本文采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和仿生模式識(shí)別相結(jié)合的方法，首先使用卷積神經(jīng)網(wǎng)絡(luò)作為圖像特征的提取器，使得機(jī)器無需人工進(jìn)行特征提取，同時(shí)利用基于仿生模式識(shí)別的分類網(wǎng)絡(luò)作為分類器，增加了分類的準(zhǔn)確率。實(shí)驗(yàn)證明，本文所設(shè)計(jì)的方法平均準(zhǔn)確率達(dá)90%，所設(shè)計(jì)方法不僅僅只是局限于肺炎判別，亦可遷移到其他圖像識(shí)別領(lǐng)域。

1 關(guān)鍵技術(shù)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN［5］是一種深度神經(jīng)網(wǎng)絡(luò)，常用于對(duì)視覺圖像進(jìn)行分析。CNN是由生物過程所引導(dǎo)［6］，其神經(jīng)元之間的連接模式類似于動(dòng)物的視覺皮層中的組織。單個(gè)皮層神經(jīng)元在被稱為感受野的視野的受限區(qū)域中，對(duì)刺激作出反應(yīng)。不同神經(jīng)元的感受野部分互相疊加，使得它們覆蓋整個(gè)視野。

CNN是由卷積層、池化層和全連接層交叉堆疊而成的前饋神經(jīng)網(wǎng)絡(luò)，其使用反向傳播算法進(jìn)行訓(xùn)練。在結(jié)構(gòu)上，CNN有3個(gè)特性：局部連接、權(quán)重共享和子采樣。得益于此，CNN有一定程度上的平移、縮放和旋轉(zhuǎn)不變性。

CNN的典型架構(gòu)通常使用多項(xiàng)邏輯回歸進(jìn)行分類［7-8］，然而，這種方式性能不理想。研究表明［9］，如果在CNN后面添加了一個(gè)表現(xiàn)良好的分類器（如支持向量機(jī)（SVM）），分類精度將在一定程度上得到提高。與單獨(dú)使用CNN或SVM相比，由CNN和SVM結(jié)合的模型展現(xiàn)出了更高的準(zhǔn)確率。

1.2 仿生模式識(shí)別

仿生模式識(shí)別（BPR）［10］更接近人類的認(rèn)知功能，而BPR與傳統(tǒng)的模式識(shí)別相比，顯著的不同在于以“最優(yōu)劃分”為主要原則。BPR中，“認(rèn)知”一類事物對(duì)于分析和“認(rèn)知”由同一類的所有樣本組成的無限點(diǎn)集的形狀是必不可少的。文獻(xiàn)［11］中也指出“拓?fù)淇臻g的概念非常普遍，關(guān)于拓?fù)淇臻g拓?fù)涞目茖W(xué)是關(guān)于連續(xù)性的最一般的數(shù)學(xué)分支”BPR，只是分析點(diǎn)集拓?fù)渲辛餍蔚姆椒ǎ虼?，BPR也稱為拓?fù)淠Ｊ阶R(shí)別（TPR）。自其被提出之后，已經(jīng)用于人臉識(shí)別［12］等領(lǐng)域。

圖1所示為二維平面中，BPR與傳統(tǒng)模式識(shí)別方法所形成的樣本子空間的對(duì)照示意圖。圖中圓形代表要識(shí)別的樣本；正方形與三角形代表其他兩類樣本；折線為傳統(tǒng)的BP網(wǎng)絡(luò)模式識(shí)別劃分的方式；大圓代表RBF網(wǎng)絡(luò)模式識(shí)別劃分的方式；橢圓所連成圖形代表了仿生模式識(shí)別的劃分。

圖1 仿生模式識(shí)別與傳統(tǒng)模式識(shí)別方法對(duì)照示意圖

2 基于改進(jìn)BPR的肺炎判別

2.1 算法思想及總體框架

本文設(shè)計(jì)的改進(jìn)BPR的肺炎判別算法主要有兩部分：① 利用改進(jìn)的CNN模型對(duì)肺炎圖像進(jìn)行特征提??；② 添加基于BPR的分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而得到分類網(wǎng)絡(luò)，具體過程如圖2所示。

圖2 改進(jìn)的仿生模式識(shí)別過程圖

具體步驟如下：

（1）數(shù)據(jù)預(yù)處理。將肺炎圖像歸一化為同樣大小的實(shí)驗(yàn)圖像，在本文實(shí)驗(yàn)中設(shè)置為（256×256）px。

（2）特征向量提取。肺炎圖像按類別分好，分別存儲(chǔ)；隨后按照類別分別輸入本文所設(shè)計(jì)的改進(jìn)的CNN。

（3）分類網(wǎng)絡(luò)訓(xùn)練。從CNN中特征向量作為高維空間中的點(diǎn)，按類別分別輸入本文設(shè)計(jì)的基于BPR的分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.2 基于CNN的圖像特征提取

2.2.1 卷積層

卷積層中的X光片可與一個(gè)卷積核進(jìn)行卷積，其結(jié)果經(jīng)過激活函數(shù)后輸出形成卷積層的特征圖。卷積層形式為

式中：l代表層數(shù)；kij核函數(shù)表示權(quán)重參數(shù)；Mj代表輸入特征圖的集合；i表示第i層；j表示第j個(gè)輸入的X光片；每個(gè)輸出圖有一個(gè)偏置值b；f（·）為激活函數(shù)。

2.2.2 池化層

池化層的輸入源于上一個(gè)卷積層中X光片的卷積，主要起增強(qiáng)魯棒性的作用，同時(shí)減少了參數(shù)的數(shù)量，也一定程度防止過擬合現(xiàn)象的發(fā)生。特征圖經(jīng)過池化層之后個(gè)數(shù)不會(huì)發(fā)生改變，但是特征圖會(huì)變小。一般地，池化層公式表示為

式中：down（·）表示下采樣函數(shù)（本文所構(gòu)建的CNN中使用max（）函數(shù)，即最大池化）是下采樣對(duì)應(yīng)的“權(quán)重”。

2.2.3 全連接層

全連接層是用于連接前后層神經(jīng)元的網(wǎng)絡(luò)層，通常而言，全連接層位于2個(gè)一維的網(wǎng)絡(luò)層之間。假設(shè)x∈Rm表示輸入層向量，y∈R表示輸出層向量，則在全連接層就有映射矩陣W∈Rm×n與偏置向量b∈Rn。其表達(dá)式為

2.2.4 網(wǎng)絡(luò)結(jié)構(gòu)

本文對(duì)LeNet-5模型進(jìn)行改進(jìn)，得出了一個(gè)特征提取的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練。訓(xùn)練數(shù)據(jù)時(shí)，所使用的訓(xùn)練數(shù)據(jù)按批隨機(jī)選擇，分批輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。本文所設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 網(wǎng)絡(luò)示意圖

本文將各類樣本中的每1張圖像輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練與特征提取，最終形成網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的具體參數(shù)如表1所示。其中：R代表ReLU［13］（線性整流函數(shù)）函數(shù)；M代表最大池化操作；D代表Dropout。

表1 神經(jīng)網(wǎng)絡(luò)參數(shù)

2.3 基于BPR的分類網(wǎng)絡(luò)

2.3.1 同源連續(xù)性

BPR旨在對(duì)特征空間中一類樣本分布進(jìn)行最佳覆蓋。對(duì)于各類X光圖像，BPR都將對(duì)其進(jìn)行最佳覆蓋?！案呔S空間復(fù)雜幾何形體覆蓋識(shí)別方法”為樣本點(diǎn)的分布提供了先驗(yàn)知識(shí)，因此可以將分析特征空間訓(xùn)練樣本點(diǎn)間的關(guān)系作為基點(diǎn)，研究特征空間中某類樣本的分布狀況，進(jìn)而對(duì)其進(jìn)行合理的覆蓋，從而“認(rèn)識(shí)”某類樣本。多維空間仿生信息學(xué)認(rèn)為：可用的信息都包含在訓(xùn)練集，在多維空間Rn中，設(shè)A類所有樣本點(diǎn)形成的集合為A，任取兩個(gè)樣本X，Y∈A且X≠Y，對(duì)于任意的ε＞0，則一定存在集合B滿足，

式中：ρ（XM，XM＋1）表示樣本XM；XM＋1間的歐式距離。

但通常樣本分布是不規(guī)則的，要形成的覆蓋形狀也是非常復(fù)雜的。因此用來形成覆蓋的方法必須能夠在特征空間中形成一個(gè)高維空間的連續(xù)復(fù)雜的幾何形體來覆蓋樣本［12］。在本文構(gòu)造的神經(jīng)網(wǎng)絡(luò)中，樣本已經(jīng)由X光片經(jīng)由前文構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換為了特征向量。

2.3.2 多權(quán)值向量神經(jīng)元

對(duì)于訓(xùn)練集中的X光片所生成特征向量可以利用多權(quán)值向量神經(jīng)元進(jìn)行構(gòu)造。多權(quán)值向量神經(jīng)元在特定的計(jì)算函數(shù)φ下可以形成一個(gè)封閉的曲面，因此可以使用多權(quán)值向量神經(jīng)元進(jìn)行BPR的神經(jīng)網(wǎng)絡(luò)構(gòu)造。

多權(quán)值向量神經(jīng)元的通用表達(dá)式為

式中：w1，w2，…，wm為m 個(gè)權(quán)向量；X 為輸入向量；φ為計(jì)算函數(shù)；f為非線性轉(zhuǎn)移函數(shù)；θ為多權(quán)值神經(jīng)元激活閾值。

設(shè)特征空間是n維實(shí)數(shù)空間Rn，即X∈Rn，向量函數(shù)方程：

此時(shí)，可視為由w1，w2，…，wm在特征空間Rn中構(gòu)成的某種軌跡，該軌跡位于Rn中n-1維空間，若該軌跡為一個(gè)封閉的曲面，則就在Rn中形成了一個(gè)有限的覆蓋區(qū)域。若改變神經(jīng)元權(quán)值，則會(huì)得到具有不同形狀的超曲面。故對(duì)于某類A，存在一個(gè)覆蓋區(qū)域，該區(qū)域?yàn)樵擃愃袠颖竟餐采w。

在影像學(xué)肺炎判別中，可以采用超香腸神經(jīng)元［12］，其表達(dá)式：

式中：θ（w1，w2）表示由n 維空間中兩點(diǎn)w1、w2確定的有限一維線段；φ（w1，w2，X）表示在n維空間中X 到θ（w1，w2）的歐式距離。

判別函數(shù)

2.3.3 網(wǎng)絡(luò)的構(gòu)建

網(wǎng)絡(luò)的構(gòu)建具體步驟如下：

（1）設(shè)某類肺X光圖片的所有構(gòu)網(wǎng)樣本點(diǎn)集合為A ＝ ｛a1，a2，…，aN｝，N 為該類樣本點(diǎn)總數(shù)。

（2）建立本文第2節(jié)設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取網(wǎng)絡(luò)。

（3）將集合A中所有樣本輸入步驟（2）所建立的卷積神經(jīng)網(wǎng)絡(luò)中，得到N個(gè)該類X光圖片的1 024維特征向量，也就是得到了該類所有樣本在1 024維空間中的分布情況。計(jì)算所有點(diǎn)兩兩之間的歐式距離，找出歐式距離最小的兩個(gè)點(diǎn)，記為BA1、BA2。這兩個(gè)點(diǎn)構(gòu)成的第1個(gè)一維線段記作θA1。用一個(gè)超香腸神經(jīng)元對(duì)這個(gè)線段進(jìn)行覆蓋，其覆蓋范圍，

式中：ρXθA1表示點(diǎn)X 到空間θA1的距離；PA1為所構(gòu)造的幾何形體。

（4）隨后針對(duì)已經(jīng)構(gòu)造好的幾何形體PA1，判斷剩余各點(diǎn)是否被其覆蓋。若在PA1覆蓋范圍內(nèi)，則排除；而對(duì)于在PA1范圍外的點(diǎn)，按步驟（3），找出離BA2最近的點(diǎn)，記作BA3，BA2與BA3此時(shí)便構(gòu)成了第2個(gè)一維線段，記作θA2，同樣地，也用一個(gè)超香腸神經(jīng)元來覆蓋此線段，其覆蓋范圍：

式中：ρXθA2表示點(diǎn)X 到空間θA2的距離；PA2為所構(gòu)造的幾何形體。

不斷重復(fù)上述步驟，直至處理完所有樣本點(diǎn)，此時(shí)共產(chǎn)生了m個(gè)超香腸神經(jīng)元，則該類A的覆蓋范圍便是全部個(gè)神經(jīng)元的覆蓋范圍

（5）對(duì)訓(xùn)練集中各類樣本做以上操作，即可得到各類所對(duì)應(yīng)的覆蓋范圍。

（1）因地制宜，逐漸形成“家和計(jì)劃”本土服務(wù)特色模式。如沙坪壩區(qū)打造“家和故事”；黔江區(qū)探索“離婚分類分流服務(wù)”模式；長(zhǎng)壽區(qū)針對(duì)服刑人員開展的困境家庭案例；綦江區(qū)以家庭理財(cái)教育助力脫貧致富；秀山縣挖掘傳統(tǒng)民族葷素作用等。

2.3.4 樣本識(shí)別

對(duì)于某張X光片的樣本識(shí)別過程如下：

對(duì)待識(shí)別樣本點(diǎn)X到i類高維空間覆蓋區(qū)中第j個(gè)神經(jīng)元覆蓋區(qū)域的距離進(jìn)行計(jì)算，

則樣本到第i類的覆蓋區(qū)域的距離，

式中：m表示第i類的超香腸神經(jīng)元總數(shù)；ρij表示待識(shí)別樣本點(diǎn)X到第i類第j個(gè)超香腸神經(jīng)元的歐式距離。當(dāng)此樣本到第i類的覆蓋區(qū)域的距離≤0時(shí)，則表明此樣本在此覆蓋區(qū)域中；反之，則不在。若不落在任何一類的覆蓋區(qū)域內(nèi)，則表明此樣本不在任何一類中。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)所用數(shù)據(jù)集共有3種類型（正常、病毒型肺炎、細(xì)菌型肺炎），由原數(shù)據(jù)集重新劃分，本文分別將其記為A組、B組和C組，各組訓(xùn)練集、驗(yàn)證集與測(cè)試集的比例均為8∶1∶1。

3.1 實(shí)驗(yàn)環(huán)境

軟件環(huán)境：Debian 9.4。硬件環(huán)境：Intel（R）Xeon（R）CPU E5-2650 v3 ＠ 2.30 GHz，Tesla K80 NVIDIA Tesla K80，16 GB 內(nèi)存，1TB 硬盤。

3.2 實(shí)驗(yàn)驗(yàn)證與對(duì)比分析

3.2.1 A 組對(duì)比實(shí)驗(yàn)

使用A組進(jìn)行實(shí)驗(yàn)，結(jié)果如表2所示。

表2 A組改進(jìn)仿生模式識(shí)別與SVM實(shí)驗(yàn)結(jié)果對(duì)比表

本次實(shí)驗(yàn)中，改進(jìn)的BPR對(duì)于正常類與病毒型的識(shí)別準(zhǔn)確率（下文簡(jiǎn)稱識(shí)別率）相較于SVM算法低了1%，細(xì)菌型高了22%，整體均值高了10%?？梢奡VM

雖然在正常與病毒型的X光圖像上識(shí)別率高于本文所設(shè)計(jì)的方法，但是明顯在對(duì)于細(xì)菌性識(shí)別是其短板，但本文所提方案各類X光圖像的識(shí)別率較為高，故就實(shí)用性而言，本文所提方案略勝一籌。

3.2.2 B 組對(duì)比實(shí)驗(yàn)

使用B組對(duì)比實(shí)驗(yàn)的結(jié)果如表3所示。

表3 B組改進(jìn)仿生模式識(shí)別與SVM實(shí)驗(yàn)結(jié)果對(duì)比

在本組實(shí)驗(yàn)中，即數(shù)據(jù)量稍有增大時(shí)，改進(jìn)的仿生模式識(shí)別對(duì)于正常類X光圖像相較于支持向量機(jī)高了1%，病毒型基本無差，細(xì)菌型高了16%，整體均值高了6%。相較于A組實(shí)驗(yàn)，兩種算法的對(duì)于各類X光片的識(shí)別效率均有浮動(dòng)，其中支持向量機(jī)對(duì)于細(xì)菌型的精度上升尤為明顯。兩種算法其他類別精度下降的原因在于原始圖像存在未去除噪聲。

3.2.3 C 組對(duì)比實(shí)驗(yàn)

使用C組對(duì)比實(shí)驗(yàn)的結(jié)果如表4所示。

表4 C組改進(jìn)仿生模式識(shí)別與SVM實(shí)驗(yàn)結(jié)果對(duì)比

本組實(shí)驗(yàn)，即訓(xùn)練數(shù)據(jù)較多時(shí)，改進(jìn)的仿生模式識(shí)別對(duì)于正常類的識(shí)別率較支持向量機(jī)高了19%，病毒型高了5%，細(xì)菌型高了4%，平均高了10%?？梢娂词乖跀?shù)據(jù)量較大時(shí)，改進(jìn)的仿生模式識(shí)別的平均表現(xiàn)水平依舊高于支持向量機(jī)，噪聲對(duì)其影像也小于支持向量機(jī)。

總的說來，上述3組實(shí)驗(yàn)（A、B、C），使用了3組數(shù)量呈梯度上升的數(shù)據(jù)集，實(shí)驗(yàn)結(jié)果揭示了改進(jìn)的仿生模式識(shí)別和支持向量機(jī)在數(shù)據(jù)從少到多的情況下，其對(duì)各類X光圖像的識(shí)別情況。A組～B組對(duì)比實(shí)驗(yàn)改進(jìn)的仿生模式識(shí)別的平均識(shí)別率，基本不變保持在92%，與此同時(shí)支持向量機(jī)的平均識(shí)別率由82%上升到了86%，上升了4%；B組～C組對(duì)比實(shí)驗(yàn)，改進(jìn)的仿生模式識(shí)別的平均識(shí)別率隨著樣本訓(xùn)練樣本數(shù)量的增加下降了4%，達(dá)到88%，支持向量機(jī)的平均識(shí)別率下降了8%達(dá)到78%?？梢娫肼晫?duì)本文所提出構(gòu)建的改進(jìn)的仿生模式識(shí)別的影響小于其對(duì)傳統(tǒng)模式識(shí)別的影像。在本文所采用的數(shù)據(jù)集上，對(duì)3種類別的影像判別優(yōu)于傳統(tǒng)的模式識(shí)別，在一定情況下改善了肺炎判別的性能。

4 結(jié) 語

本文為了解決肺炎判別而提出了結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和仿生模式識(shí)別的網(wǎng)絡(luò)模型，通過卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征向量，并將其轉(zhuǎn)化為高位空間中的點(diǎn)，利用仿生模式識(shí)別的分類網(wǎng)絡(luò)進(jìn)行分類，實(shí)驗(yàn)所得結(jié)果平均準(zhǔn)確率達(dá)90%，在一定程度上解決了肺炎判別問題。本文所設(shè)計(jì)的技術(shù)并不局限于肺炎的判別，亦可用于疾病的檢測(cè)和分類，例如肺結(jié)核、肺腫瘤以及骨骼腫瘤等。但是本文所提出的方法，在樣本數(shù)量較大時(shí)算法復(fù)雜度增加，訓(xùn)練時(shí)間增長(zhǎng)較為嚴(yán)重.針對(duì)這些問題，作者將進(jìn)行更深入的研究。