魏鵬磊，雷菊陽(yáng)

（201620 上海市 上海工程技術(shù)大學(xué) 機(jī)械與汽車(chē)工程學(xué)院）

0 引言

新冠病毒疫情之下，醫(yī)生需要尋求更加快捷的診斷方式來(lái)確定疑似病例。除核酸檢測(cè)外，胸部X 射線(xiàn)影像識(shí)別成為篩查病人的主要手段。在國(guó)家衛(wèi)健委發(fā)布的《新型冠狀病毒感染肺炎診療手段（試行第八版）》里，具有新冠肺炎影像學(xué)特征的臨床表現(xiàn)已被明確納入確定疑似病例的診斷標(biāo)準(zhǔn)中[1]。新冠肺炎很多患者是干咳，采集痰液困難，而咽拭子核酸檢測(cè)的總陽(yáng)性準(zhǔn)確率為30%～60%，敏感性欠佳，可能會(huì)漏診。胸部影像診斷敏感性好，準(zhǔn)確率高達(dá)97%。故疑似病例較多的情況下，單憑核酸檢測(cè)容易漏診，胸透篩查更有優(yōu)勢(shì)，可早發(fā)現(xiàn)、早隔離、早治療。而在實(shí)際臨床中，疑似病患、密切接觸者篩查會(huì)產(chǎn)生大量胸透影像，醫(yī)生肉眼辨別胸透影像效率較低[2-4]。

鑒于此，本文使用加州大學(xué)圣地亞哥分校的開(kāi)源數(shù)據(jù)集，通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)影像進(jìn)行識(shí)別，并進(jìn)行數(shù)據(jù)可視化。實(shí)驗(yàn)結(jié)果表明，本文的模型和方法有較好的效果和很強(qiáng)的可行性。

1 相關(guān)模型和算法

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）非常適合做圖片分類(lèi)任務(wù)。通過(guò)制定卷積大小、窗口移動(dòng)大小，一步一步地學(xué)習(xí)數(shù)據(jù)特征。每次學(xué)習(xí)計(jì)算卷積層后，計(jì)算一次最大池化層，就是對(duì)輸入圖像進(jìn)行下采樣。之后，通過(guò)dropout 對(duì)結(jié)果進(jìn)行正則化，這樣可以防止過(guò)擬合，降低維度，經(jīng)過(guò)反向傳播訓(xùn)練，直到最優(yōu)。隨著卷積網(wǎng)絡(luò)的不斷發(fā)展，圖像變得越來(lái)越小，但由于卷積層的存在，圖像也越來(lái)越深（即具有更多的特征圖），如圖1 所示。在堆棧頂部添加一個(gè)常規(guī)的前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由幾個(gè)全連接層組成，最后一層輸出預(yù)測(cè)。

圖1 典型的CNN 架構(gòu)Fig.1 Typical CNN architecture

1.2 模型設(shè)計(jì)

本文所采用的CNN 為一種深度神經(jīng)網(wǎng)絡(luò)，其基本模型如圖2 所示。

圖2 深度神經(jīng)網(wǎng)絡(luò)基本模型Fig.2 Basic model of deep neural network

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 實(shí)驗(yàn)數(shù)據(jù)采集

本文所用數(shù)據(jù)集為加州大學(xué)圣地亞哥分校的開(kāi)源數(shù)據(jù)集，該數(shù)據(jù)集共包括542 張附有標(biāo)簽的胸部X 射線(xiàn)影像，其中確診患者胸部影像數(shù)據(jù)共289例，未確診患者胸部影像數(shù)據(jù)共253 例。本實(shí)驗(yàn)選取的訓(xùn)練集、驗(yàn)證集和測(cè)試集數(shù)據(jù)如表1 所示。

表1 新冠肺炎胸部影像數(shù)據(jù)集Tab.1 New coronary pneumonia chest imaging dataset

2.2 數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)中，使用Keras 的ImageDataGenerator加載所需數(shù)據(jù)，并且做數(shù)據(jù)增強(qiáng)與處理。對(duì)于訓(xùn)練數(shù)據(jù)，分別做以下處理：將像素值歸一化；剪切強(qiáng)度（逆時(shí)針?lè)较虻募羟凶儞Q角度）為0.2；隨機(jī)縮放的幅度為0.2 以及水平翻轉(zhuǎn)。對(duì)測(cè)試數(shù)據(jù)只做歸一化處理，即將RGB 對(duì)應(yīng)的具體數(shù)值轉(zhuǎn)換成0～1之間的值，便于神經(jīng)網(wǎng)絡(luò)計(jì)算。本實(shí)驗(yàn)采用最大最小標(biāo)準(zhǔn)化，計(jì)算公式為

2.3 數(shù)據(jù)可視化

隨機(jī)查看9 張病理圖片，圖片以3 行3 列的方式顯示，每張圖片下面都顯示出對(duì)應(yīng)的病理類(lèi)別，其中covid_with_PNEUMONIA 表示陽(yáng)性，covid_without_PNEUMONIA 表示陰性?？梢暬敵鰣D如圖3 所示[5]。

圖3 病理圖Fig.3 Pathological image

2.4 網(wǎng)絡(luò)構(gòu)建

本文創(chuàng)建的CNN 模型主要由卷積層、最大池化層和Dropout 層組成，最后有一個(gè)全連接層作為輸出層。首先輸入預(yù)處理后得到的224×224×3 大小的圖片，經(jīng)過(guò)64 個(gè)卷積核的2 次卷積后，采用一次最大池化；再經(jīng)過(guò)2 次128 的卷積核卷積之后，采用一次最大池化；再經(jīng)過(guò)3 次256 的卷積核卷積之后，采用最大池化；繼續(xù)重復(fù)兩次3 個(gè)512 的卷積核卷積，之后再最大池化；最后經(jīng)過(guò)3 次全連接層后輸出。其中，該模型每個(gè)卷積層的卷積核大小均為3×3×3，步長(zhǎng)為1，邊緣填充也是1，最大池化層大小采用2×2，Dropout 層丟棄的比例為0.5。構(gòu)建的神經(jīng)網(wǎng)絡(luò)具體參數(shù)如圖4 所示。

圖4 網(wǎng)絡(luò)模型概況Fig.4 Network model overview

2.5 訓(xùn)練及仿真

本文使用的優(yōu)化算法為Adam 算法，因?yàn)樗鼘?shí)現(xiàn)簡(jiǎn)單，計(jì)算高效，適用于大規(guī)模數(shù)據(jù)和參數(shù)的場(chǎng)景，設(shè)置學(xué)習(xí)率為0.000 1，batch_size 為16，迭代次數(shù)為10 次，并對(duì)驗(yàn)證集的精確度添加提前終止監(jiān)控，patience 設(shè)置為3。

首先用498 張病理圖片訓(xùn)練樣本進(jìn)行模型訓(xùn)練，其訓(xùn)練結(jié)果的準(zhǔn)確率以及損失函數(shù)分別如圖5、圖6 所示。

圖5 準(zhǔn)確率Fig.5 Accuracy

圖6 損失函數(shù)Fig.6 Loss function

再用54 張病理圖片測(cè)試樣本進(jìn)行評(píng)估。測(cè)試結(jié)果如圖7 所示。

圖7 測(cè)試集準(zhǔn)確率Fig.7 Test set accuracy

3 實(shí)驗(yàn)結(jié)果

由圖7 的測(cè)試結(jié)果可知，在現(xiàn)有樣本下基于深度學(xué)習(xí)的新冠肺炎影像學(xué)診斷方法準(zhǔn)確率可達(dá)96.23%。為更好地說(shuō)明本模型的可行性以及實(shí)際效果，對(duì)未知標(biāo)簽的新冠肺炎病理圖片進(jìn)行預(yù)測(cè)，結(jié)果如圖8 所示。即有97.61%的概率表明該病理影像為陽(yáng)性，有2.38%的概率表明該病理影像為陰性。由此可知，該模型有較好的效果[6]。

圖8 預(yù)測(cè)結(jié)果Fig.8 Forecast result

4 結(jié)語(yǔ)

本文基于深度學(xué)習(xí)對(duì)新冠肺炎影像學(xué)診斷進(jìn)行了分析和網(wǎng)絡(luò)模型構(gòu)建。實(shí)驗(yàn)結(jié)果表明，所構(gòu)建的基于深度學(xué)習(xí)的新冠肺炎影像學(xué)診斷方法具有較高的準(zhǔn)確率，具有一定的實(shí)用性[7]。由于目前新冠病毒毒株仍在不斷變異，該模型存在缺少最新的新冠肺炎影像學(xué)樣本，故還需更多的實(shí)驗(yàn)和樣本對(duì)該模型進(jìn)行完善。