王昱璇　刘科锋

摘  要：肺部图像检测技术目前是医学图像处理领域中的一个热门研究课题。X 光片审阅依靠人工审阅的方式，放射科医生每天需要面临很大的压力，误诊和漏诊率也会增加。本文旨在探讨如何快速有效的进行医学图像识别，提高医学影像数据识别的准确率，减轻放射科医生的压力，以达到疾病早发现、早治疗的目的。为了证明方法的有效性，本文选用BRATS 2018库下的肺部 X 光医学影像数据集，介绍了 Alex Net 网络模型，利用深度学习技术从大量的肺部 X 光图像中进行自动地特征提取。

关键词：Alex Net;图像识别;肺部;图像

1 研究背景

肺功能检查是进行呼吸系统疾病诊断的必要方法之一，对于早期检出肺、气管等病变，评估肺部疾病的病情严重程度，评估药物或其他治疗方法的疗效，鉴别呼吸困难的原因有重要的指导意义[1]。由于人体肺部的影像数据具有良好的对比性，肺功能的检查常使用影像检查的方式，常见的影像检查方式包括 X 光、CT以及超声检查等[2]。目前，不管是单位入职体检、学校入校体检等相关的体格检查在对肺功能检查时均为肺部 X 线检查，而且肺部 X 线检查是其他影像检查的基础，所以利用 X 光线对肺功能进行检查是利用影像技术对肺部症状进行检查的首选。

2 基于 Alex Net 的肺部图像检测

基于 Alex Net 网络的肺部 X 光医学影像分析，先对 X-ray 数据集中的肺部 X光图像数据使用双线性插值算法，调整图像尺寸为224 × 224，调整后的图像如下图所示。

在堆叠之前，两层的特征图的通道数都是N，用表示每张特征图。堆叠之后的通道数变为2N，用表示不同特征图。对于堆叠之后的特征图，其维度为，其中2N是通道数，d为特征图长度，w为特征图宽度，h为特征图高度。

首先，对得到的特征图进行Squeeze操作。在完成Squeeze操作之后，对三维通道进行Excitation操作，即对挤压的特征图进行展开，还原到原来维度。在完成Squeeze操作之后，已经得到了不同通道的权重，通过sigma函数将权重归一化到零和一之间，得到维度为的特征图权重H。最后，通过对应位置相乘得到处理后的特征图。

为了证明方法的有效性，本文在BRATS 2018数据集上进行实验验证。BRATS 2018的训练集中有285个病例，每个病例有四个模态，需要分割出whole tumor，enhance tumor and tumor core. 本文将每个病例以3D的形式输入3D uent。Alex Net 网络在对图像进行分析时将 X-ray 数据集中的 X 光影像数据分为了 80%的训练集、15%的测试集和5%的验证集。

Alex Net 网络在对标定好的数据集进行训练时损失函数使用交叉熵代价函数，深度学习优化算法采用 RMSProp 自适应学习率算法，Alex Net 网络对肺部 X 光医学影像分析时网络模型信息设置初始学习率为10?5。Alex Net 对实变（Consolidation）、肺水肿（Pulmonary Edema）、胸腔积液（pleural effusion）、肺气肿（Emphysema）、纤维化（Fibrosis）、疝（Hernia）、渗透（Infiltration）、肿块（Mass）、肺炎（Pneumonia）9个类别的图像进行训练时，训练样本的识别准确率，如下表所示。

从表可以看出，利用 Alex Net 网络对常见肺部症状进行识别时，在识别效果上，Alex Net 对肺水肿、肺炎的识别效果表现良好，对肿块的识别效果也很不错，达到了88.43%的识别准确率，高于目前大多数手段对肿块识别的准确率。

总结

肺功能检查是进行呼吸系统疾病诊断的必要方法之一，对于早期检出肺、气管等病变，评估肺部疾病的病情严重程度，评估药物或其他治疗方法的疗效，鉴别呼吸困难的原因有重要的指导意义。本文主要介绍了 Alex Net 网络模型，利用深度学习技术从大量的肺部 X 光图像中进行自动地特征提取。本文研究为医生进行肺癌预测性诊断提供有效辅助，旨在尝试建立肺结节定性诊断的辅助诊断模型，以实现肺结节的智能化快速和准确诊断，为临床提供一种现代化、智能化辅助诊斷方法。

参考文献

[1]  乔树斌.临床开展肺功能检查的重要性[N].中国中医药报，2015-11-23（007）.

[2]  白人驹.医学影像诊断学[M].人民卫生出版社，2006：10.