不同CT图像增强技术对肺炎识别准确率的影响

陈世恩　连旭灿

[中图分类号]R563.1 [文献标识码]A

1背景

电子计算机断层扫描（computed tomography，CT）图片的采集速度快、可以被广泛应用各类病毒性肺炎的筛查和诊断。但是CT图像中切片数量多，需要花费医生较长的时间来分析诊断。利用人工智能（artificial intelligence，AI）技术，被证实可以高效地辅助医生进行快速地筛查和诊断。图像增强技术作为一种样本数据增强技术，也常被用于深度学习中。由于医学图像的特异性，一些常见的数据增强技术并不适用于CT图像。本文拟采用的CT图像增强技术包括了：中值滤波、直方图均衡和小波变换。

2实验设置

采用胸部cT图像在对新冠肺炎（corona virus disease 2019，COVID-19）提供准确、快速、廉价的筛查和检测方面很有前景。在本文中，研究采用了一个开源的COVID-CT数据集，其中包含275个COVID-19检测呈阳性的CT图像，有助于使用深度学习方法分析病人的CT图像并预测其是否患有新冠的相关研究和发展。研究采用的相关数据和代码：https：∥github.com/UCSD-A14H/COVID-CT。首先对数据集进行分配，训练集与测试集按8：2比例随机分配CT图片。由于本次研究的数据集较小，在学习过程中很容易出现过拟合现象。为了防止此类现象的发生，我们采用了残差网络（residual network，ResNet-34）进行学习，并对其进行参数优化。研究除了采用CT图像增强技术外，还进行了参数的优化研究。研究采用的优化器是二分类问题中常用的Adam算法（adaptive moment estimation，Adam）和随机梯度下降法（stochasticgradient descent，SGD）两种优化器。模型的学习率经过实验得出：当学习率为0.0006时可以获得最佳的准确率。模型采用的批处理参数（batch-size）为64，完成一次整个数据集的训练为1个epoch，我们将epoch设定为50。

3结果分析

3.1 SGD不同图像增强方法结果对比图

研究将原图按照三种图像增强方法分别增强后，并将原图和增强后的数据进行混合学习。在使用SGD优化器得出的学习结果如下图1所示。

图1 SGD不同图像增强方法结果对比图注：SGD为随机梯度下降法

从图1可以直观地观察到，采用不同的图像增强方法对于提高识别准确率的作用较小，识别的准确率一直保持在0.8附近。最佳的准确率为0.82。

3.2 Adam不同图像增强方法结果对比图

将SGD优化器更换为Adam优化器后，得出的结果如下图2所示。

图2 Adam不同图像增强方法结果对比图

注：Adam为Adam算法

从图2可以看出，准确率仍然是在0.8附近。最佳的准确率为0.84。

3.3运行50epoch的时间对比图

对比采用Adam和SGD优化器后发现两者学习时间有较大的差异，见图3。

图3 运行50epoch的时间对比图

从图3中可以采用Adam优化器在8个epoch后可以显著降低学习时间。

4总结与展望

本文采用不同优化器Adam和SGD，并对比研究了采用不同图像增强方法时CT肺炎图片识别准确率不同。研究得出CT图像增强方法不能有效地提高识别准确率，采用优化器Adam可有效地降低学习时间。下一步擬增加普通肺炎CT图片数据并对网络进行进一步地优化，以获得更高的识别准确率。