Applied Sciences | 肺炎诊断有困难？来看看最新的X光片影像肺炎检测方法

点击左上角"MDPI 开放获取出版"关注我们，为您推送更多最新研究。

肺炎的诊断

肺炎是一种影响肺部健康的急性呼吸道感染疾病，是导致世界上大多数人死亡的主要疾病之一。一般肺炎是由细菌，病毒和真菌感染所引起的。众所周知，肺由称为肺泡的小气囊组成，当人们正常呼吸时会充满空气。而患肺炎时，肺泡里会充满脓和液体，症状一般为呼吸疼痛和吸氧量感觉受到限制。肺炎的患病率很高，对于免疫力低下、具有基础疾病或者长期吸烟的人来说是易感染人群，严重者甚至会危及生命。

不同肺炎类型的严重程度

肺炎主要分为三种，病毒性肺炎、细菌性肺炎和真菌性肺炎。病毒性肺炎的症状较轻，并且是逐渐显现的；细菌性肺炎症状更为严重，可能会逐渐显现也有可能突然出现并且可能会感染肺部大部分区域；真菌性肺炎也是十分危险的，病人需要康复时间较长，在免疫系统弱的人身上发生的可能性比较大。如果细菌感染与病毒入侵同时发生，那么病因诊断就会变得复杂。

肺炎诊断方法研究的迫切性

据美国疾病控制和预防中心报告称，美国每年约有170万成年人因肺炎而去医院就诊，2015年美国约有5万人死于肺炎。慢性阻塞性肺病(Chronic Obstructive Pulmonary Disease, COPD)是美国的主要死亡原因。到2020年因COPD死亡的人数仍会持续增加。世界卫生组织报告，肺炎是全世界5岁以下儿童死亡的主要原因之一，估计造成140万人死亡，约占全世界5岁以下儿童死亡总数的18%。而90%以上新诊断的肺炎儿童出自于医疗资源很少的欠发达国家。因此，研究和开发肺炎诊断的有效方法成为迫切需求，从而降低肺炎有关的死亡率，特别是儿童的死亡率。

卷积神经网络在医学问题的应用

最近，许多研究者针对不同的医疗问题提出了不同的基于人工智能(AI)的解决方案。卷积神经网络(CNNs)使得研究者在乳腺癌检测、脑瘤检测与分割、x射线图像疾病分类等广泛的医学问题上取得了成功。除了当前显著的成就之外，CNNs在大型数据集上也有显著成效，但若处理不当，在小数据集上表现并不好。为了在小数据集上也能达到相同的性能水平，并通过正常胸部X光片可以很好的对肺炎进行分类，更精准的分析肺炎的类别，研究者需要进行更深入的研究来为肺炎的治疗提供更大程度的帮助。

近期，来自印度拉夫里科技大学的Vikash Chouhan团队开展了这项研究，提出了一种新的转移学习方法，将AlexNet、DenseNet121、InceptionV3、resNet18和GoogLeNet五种模型进行组合，形成一个大型的集成架构，这将能准确的诊断肺炎类型。研究者将这一研究成果发表在了Applied Sciences期刊上。

实验内容

实验对象

为了进行评估，作者使用了来自广州市妇女儿童医疗中心的数据集。数据集共包含5232幅图像，其中1346幅属于正常类别，3883幅描绘的肺炎图像。描绘肺炎的图像中2538幅属于细菌性肺炎，1345幅属于病毒性肺炎图像。(如图1所示)

    正常                    细菌性肺炎                 病毒性肺炎

图1. 每类图像的示例。

实验过程

• 先对广州市妇女儿童医疗中心收集的胸部x光片图像数据集进行预处理和图像增强；

• 其次使用AlexNet、DenseNet121、InceptionV3、resNet18和GoogLeNet五种神经网络进行迁移学习、特征提取和集成分类。(如图2所示)

图2. 方法论的概述。

实验结果

实验中集成模型在测试集上的灵敏度与特异性比各独立的模型表现更好。(如图3所示)

图3. 各模型与集成模型在测试集上的灵敏度与特异性的关系图。

这些网络模型即使在不同的层上仍可以捕获和学习类似的激活映射。例如，ResNet18的Conv1_4层激活映射与Inception V3的Conv1_1层激活映射非常相似。并且该网络在大多数情况下能够正确区分以肺大叶强化区域激活为特征的细菌性肺炎和典型的跨肺弥漫性间质型的病毒性肺炎。(如图4所示)

图4. 每个模型在早期卷积层中的激活映射。

在分析了所有模型预测结果的基础上，结合AlexNet、DenseNet121、InceptionV3、GoogLeNet和ResNet18五个模型的预测结果，对所有模型预测频率最高的类进行了预测。结果表明该组合具有非常好的性能，测试准确率为96.39%，ROC曲线下面积为99.34%，灵敏度为99.62%。(如表1所示)

表1. 每个神经网络模型的结果。

实验结论

• 深度学习方法可以用来简化诊断过程，改善疾病管理；

• 与传统方法相比，深度学习方法可以用于改善诊断，从而提高治疗质量；

• 与以往先进的方法相比，文章方法可以有效地检测出儿童胸部x线影像中的炎症区域。

●Applied Sciences ●

Applied Sciences (ISSN 2076-3417，IF 2.474)作为开放获取型国际期刊，主要发表应用自然科学研究领域相关的论文。期刊涵盖光学和激光、纳米技术和应用纳米科学、能源、材料、化学、机械工程、应用生物科学和生物工程、环境和可持续发展的科学技术以及计算与人工智能等领域。Applied Sciences采取单盲同行评审，一审平均周期约为15.9天，文章从投稿到发表平均仅需35天。

原文出自Applied Sciences期刊，

识别二维码，阅读英文原文。

Chouhan, V.; Singh, S.K.; Khamparia, A.; Gupta, D.; Tiwari, P.; Moreira, C.; Damaševičius, R.; de Albuquerque, V.H.C. A Novel Transfer Learning Based Approach for Pneumonia Detection in Chest X-ray Images. Appl. Sci.2020, 10, 559.

往期回顾：

版权声明：

*翻译作者：Luca Shao

*本文内容由MDPI中国办公室编辑编写。如需转载，请邮件联系：

[e-mail]

请点击左下方“阅读原文”, 了解更多Applied Sciences期刊内容。

喜欢今日的内容，点个【在看】吧