关键词：
肺炎辅助诊断
图像分类
病灶分割
深度学习
摘要：
目的:肺炎作为一种普遍存在的呼吸系统感染性疾病,每年对全球数亿人的身体健康产生影响,特别是在新型冠状病毒全球流行的大背景下,由其引发的新冠肺炎更是加剧了肺炎对人类健康和生命安全的威胁,因此,及时的诊断和治疗对于减轻肺炎的严重影响至关重要。其中医学影像对肺炎诊断、病情严重程度的评估以及后续治疗起着非常重要的辅助作用,然而人工分析医学影像不但需要较高的专业知识,还会加重放射科医生的工作负担,降低医学影像的分析效率。利用深度学习对肺炎进行诊断和识别已经成为常用方法,通过深度学习技术提高肺炎医学影像的诊断效率,减少漏诊和误诊率,对肺炎患者的诊断和治疗具有重要意义。
方法:(1)针对目标数据受到多种因素影响,质量参差不齐的情况,根据数据集的特点,对数据进行预处理操作。通过裁剪缩放、平移旋转等图像处理技术统一数据大小,平衡数据类别并尽量剔除无关背景区域,使用图像均衡化算法增强数据对比度,改善模糊图像的质量,并减少数据噪声的影响。(2)针对目前深度学习辅助识别肺炎类型研究中存在的问题,提出了一种改进的轻量化模型,旨在提升对肺炎类型的识别效率。通过对轻量结构的设计改进减少模型在学习时需要的大量参数,并引入注意力机制并行提取图像数据的全局与局部特征,并在特征提取后设计特征融合模块提高特征融合质量并增强重要特征信息的传播。(3)针对现有肺炎病灶分割网络对病灶形状差异大的肺炎病灶分割不全和病灶边缘分割模糊的问题,提出一种基于U-Net改进的肺炎病灶分割模型提高分割精度。在编码器中设计多尺度残差模块融合卷积特征,获取来自不同尺度和感受野的特征信息,在瓶颈层中引入注意力机制设计特征聚合模块加强深层特征的重要信息表达,在编、解码器的跳跃连接中设计多尺度注意力特征融合模块缓解高、低层间的语义差异并设计信息传递残差模块弥补解码器中底层特征的丢失。(4)针对现有研究缺乏对模型的可解释性研究,使用可视化工具对改进算法模型的内部决策机制进行研究,借助热力图探索各改进模块的有效性并为设计更高效、更准确的算法模型提供方向,该研究在提高模型可解释性的同时,能推动人工智能技术的可持续发展和广泛应用。
结果:(1)改进的轻量化分类模型分别在两种模态数据集上进行了三分类与二分类实验,在胸部X射线数据集上三分类实验中改进模型的准确率、灵敏度、特异性分别达到了96.21%、95.79%、98.20%,二分类实验中三个指标达到了99.42%、99.37%、99.50%,均优于其他对比模型以及研究方法,在CT数据集三分类实验与二分类实验中改进模型的准确率、灵敏度、特异性分别达到了97.72%、97.82%、98.86%和98.13%、98.21%、98.76%,同样优于各对比模型,并且改进模型参数量仅3.9M,计算量仅3.8G,均低于各对比模型。(2)基于U-Net改进的肺炎病灶分割模型分别在两个数据集上进行实验,使用Dice相似性系数、平均交并比、精确度和召回率这四个评价指标衡量改进模型的分割性能,在COVID-19 CT scans数据集上四个评价指标分别达到了0.881、0.940、0.945、0.933,均优于其他分割模型,在Mos Med Data分割数据集上分别达到了0.841、0.789、0.872,0.892,同样优于其他研究分割方法。
结论:(1)改进的肺炎分类方法在经过数据预处理,模型轻量化改进以及结构化改进后,在肺炎分类识别中具有较高的识别准确率,并且在多种模态数据集中均表现优异,鲁棒性强,泛化能力好,在兼顾模型轻量性的同时有效提高了模型的性能,具有较强的实用性。(2)基于U-Net改进的肺炎病灶分割模型在两个数据分割任务上的表现验证了模型改进的有效性和可靠性,不论是在各项评价指标上的体现还是在分割结果的视觉效果上都优于其他分割模型以及方法,分割性能较原U-Net网络也有显著提升,能够为肺炎病灶分割的辅助诊断提供有效参考。
欢迎来到三峡大学图书馆！
