蒲秋梅,田景龙,邢容畅,赵丽娜
(1.中央民族大学信息工程学院,北京 100081;2.中国科学院高能物理研究所多学科研究中心,北京 100049)
X光胸片(简称胸片)在临床上应用广泛,是目前肺炎诊断的常用方法,也是用于判断肺炎的重要标准.肺炎患者的胸片中会因毛细血管的扩张与充血而显示出更多的肺部纹理,表现出透亮的支气管影以及一些片状的白色斑点,严重者会出现磨玻璃影或肺部实变[1].医生能够通过胸片了解患者病情并制定治疗方案,人工阅片要求医生具有丰富的诊断经验,具有一定的主观性,容易发生误诊或漏诊,因此使用计算机进行自动读片诊断具有重要的意义.基于深度学习的X光胸片疾病检测很早就已有相关研究,2016年Hwang等[2]通过弱监督方法与迁移学习实现了X光胸片图像ROI区域的提取与分类.2017年Kumar等[3]提出了一种基于深度卷积神经网络(DCNN)的模型能够通过X光胸片对14种疾病进行分类.许多学者认为可以使用大量数据训练的深度学习模型准确检测出X光胸片中的各种异常,能够为全球放射学工作流程和公共健康筛查带来巨大的价值[4].2019年末新型冠状病毒感染疫情暴发后,越来越多的国内外研究人员投入到基于X光芯片的肺炎诊断研究中,Asnaoui等[5]通过实验对比了多种卷积神经网络模型,发现Resnet50[6]、MobileNet_V2[7]和Inception_Resnet_V2[8]的微调版本在X光胸片肺炎二分类任务中准确率超过96%,表现出非常令人满意的性能.肺炎二分类即通过X光胸片区分是否为肺炎……