魏鵬磊，雷菊陽

（201620 上海市 上海工程技術(shù)大學 機械與汽車工程學院）

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確定疑似病例。除核酸檢測外，胸部X 射線影像識別成為篩查病人的主要手段。在國家衛(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特征的臨床表現(xiàn)已被明確納入確定疑似病例的診斷標準中[1]。新冠肺炎很多患者是干咳，采集痰液困難，而咽拭子核酸檢測的總陽性準確率為30%～60%，敏感性欠佳，可能會漏診。胸部影像診斷敏感性好，準確率高達97%。故疑似病例較多的情況下，單憑核酸檢測容易漏診，胸透篩查更有優(yōu)勢，可早發(fā)現(xiàn)、早隔離、早治療。而在實際臨床中，疑似病患、密切接觸者篩查會產(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，本文使用加州大學圣地亞哥分校的開源數(shù)據(jù)集，通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型對影像進行識別，并進行數(shù)據(jù)可視化。實驗結(jié)果表明，本文的模型和方法有較好的效果和很強的可行性。

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任務(wù)。通過制定卷積大小、窗口移動大小，一步一步地學習數(shù)據(jù)特征。每次學習計算卷積層后，計算一次最大池化層，就是對輸入圖像進行下采樣。之后，通過dropout 對結(jié)果進行正則化，這樣可以防止過擬合，降低維度，經(jīng)過反向傳播訓練，直到最優(yōu)。隨著卷積網(wǎng)絡(luò)的不斷發(fā)展，圖像變得越來越小，但由于卷積層的存在，圖像也越來越深（即具有更多的特征圖），如圖1 所示。在堆棧頂部添加一個常規(guī)的前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由幾個全連接層組成，最后一層輸出預(yù)測。

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

1.2 模型設(shè)計

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 實驗設(shè)計

2.1 實驗數(shù)據(jù)采集

本文所用數(shù)據(jù)集為加州大學圣地亞哥分校的開源數(shù)據(jù)集，該數(shù)據(jù)集共包括542 張附有標簽的胸部X 射線影像，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。本實驗選取的訓練集、驗證集和測試集數(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

本實驗中，使用Keras 的ImageDataGenerator加載所需數(shù)據(jù)，并且做數(shù)據(jù)增強與處理。對于訓練數(shù)據(jù)，分別做以下處理：將像素值歸一化；剪切強度（逆時針方向的剪切變換角度）為0.2；隨機縮放的幅度為0.2 以及水平翻轉(zhuǎn)。對測試數(shù)據(jù)只做歸一化處理，即將RGB 對應(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)計算。本實驗采用最大最小標準化，計算公式為

2.3 數(shù)據(jù)可視化

隨機查看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應(yīng)的病理類別，其中covid_with_PNEUMONIA 表示陽性，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64 個卷積核的2 次卷積后，采用一次最大池化；再經(jīng)過2 次128 的卷積核卷積之后，采用一次最大池化；再經(jīng)過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512 的卷積核卷積，之后再最大池化；最后經(jīng)過3 次全連接層后輸出。其中，該模型每個卷積層的卷積核大小均為3×3×3，步長為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 訓練及仿真

本文使用的優(yōu)化算法為Adam 算法，因為它實現(xiàn)簡單，計算高效，適用于大規(guī)模數(shù)據(jù)和參數(shù)的場景，設(shè)置學習率為0.000 1，batch_size 為16，迭代次數(shù)為10 次，并對驗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 張病理圖片訓練樣本進行模型訓練，其訓練結(jié)果的準確率以及損失函數(shù)分別如圖5、圖6 所示。

圖5 準確率Fig.5 Accuracy

圖6 損失函數(shù)Fig.6 Loss function

再用54 張病理圖片測試樣本進行評估。測試結(jié)果如圖7 所示。

圖7 測試集準確率Fig.7 Test set accuracy

3 實驗結(jié)果

由圖7 的測試結(jié)果可知，在現(xiàn)有樣本下基于深度學習的新冠肺炎影像學診斷方法準確率可達96.23%。為更好地說明本模型的可行性以及實際效果，對未知標簽的新冠肺炎病理圖片進行預(yù)測，結(jié)果如圖8 所示。即有97.61%的概率表明該病理影像為陽性，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)測結(jié)果Fig.8 Forecast result

4 結(jié)語

本文基于深度學習對新冠肺炎影像學診斷進行了分析和網(wǎng)絡(luò)模型構(gòu)建。實驗結(jié)果表明，所構(gòu)建的基于深度學習的新冠肺炎影像學診斷方法具有較高的準確率，具有一定的實用性[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樣本，故還需更多的實驗和樣本對該模型進行完善。