基于Darknet-19算法的肺炎X射线图像应用

徐 蔓, 李 丹
四川大学锦城学院

摘要

约翰霍普金斯大学和“拯救儿童”救助组织在2018年根据肺炎的发展趋势做出分析表明：到2030年,肺炎将导致近1100万名5岁以下儿童死亡。肺炎的早期确诊有助于降低死亡率，但是在医学上通过胸部的X射线图像确诊肺炎是一项艰巨的任务,需要有临床经验的医生对胸片进行长时间的阅片观察，导致医疗资源匮乏的偏远地区肺炎早期确诊非常困难。除此之外，由于一些肺炎的X射线图像极为近似，医生容易判别错误，造成误诊。近年来先进的人工智能(AI)技术与放射成像的结合与应用可以帮助人们准确地检测这种疾病，同时也可以帮助解决偏远村庄缺乏专业医生的问题。本文基于深度学习算法中的Darknet-19算法对肺炎X射线图像展开了研究。首先利用改进后的Darknet-19算法进行特征提取，改进后的Darknet-19算法包含16个卷积层、5个最大值池化层（maxpoolinglayers），处理一张照片需要55.8亿次运算，较高的特征提取准确率是为了之后判断患者是否患有肺炎打下坚实的基础；随后使用二分类的方法对患有肺炎和没有患有肺炎的图像进行标记；通过模型对图片的训练，得到判断患肺炎或健康的结果，最后通过训练出来的模型就可以输入图片对是否患有肺炎进行正确的诊断。

关键词

深度学习；Darknet-19算法；肺炎；胸部X线图像

参考

[1] 潘丽艳 , 梁会营 . 基于深度学习的儿童肺炎病原学类型判别 模型 [J]. 中国数字医学 ,2019,14(3):59 中国卫生和计划生育 统计年鉴 2016 卷 ,2016.

[2] Chen W, Zheng R, Baade P D. Cancer statistics in China, 2015. CA: a cancer journal for clinicians, 2016, 66(2): 115-132.

[3] Torre L.A ,Bray F,Siegel RL,et al.Global cancer statistics,2012. CA Cancer JClin,2015, 65(2):87-108.

[4] 赵鑫 , 强彦 , 葛磊 . 基于双模态深度自编码的孤立性肺结节 诊断方法 [J]. 计算机科学 ,2017,44(8): 312-317.

[5] Lecun Y,Bengio Y,Hinton G.Deep learning[J].Nature,2015, 521(7553):436-444.

[6] Dermatologist-level classification of skin cancer with deep neural networks. Esteva A,Kuprel B,Novoa R A,et al. Nature ,2017.

[7] Pulmonary nodule detection in CT images:False positive reduction using multi-view convolutional networks. SETIO A A A,CIOMPI F,LITJENS G. IEEE Transactions on Medical Imaging . 2016.

[8] Early brain development in infants at high risk for autism spec- trum disorder. Hazlett,H.C,Gu,H,Munsell,B.C,Kim,S.H,S- tyner,M,Wolff,J.J. Nature,2017.

[9] Deep Learning in Medical Image Analysis. Shen D,Wu G,Suk H I. Annual Review of Biomedical Engineering ,2017.

[10]刘士远,萧毅.基于深度学习的人工智能对医学影像学的 挑战和机遇 [J]. 中华放射学杂志 ,2017,(12).

[11] Tulin Ozturk,Muhammed Talo,Eylul Azra Yildirim,Ulas Ba- ran Baloglu,Ozal Yildirim,U. Rajendra Acharya. Automat- ed detection of COVID-19 cases using deep neural net- works with X-ray images[J]. Computers in Biology and Medi- cine,2020,121.