周 涛 叶鑫宇 陆惠玲 常晓玉 刘赟璨

肺是人体气体交换必不可缺的器官,但肺部疾病对人体健康造成严重威胁,常见的肺炎因其病因错综复杂,并且难以在早期进行精准检测,导致全球每年约有7%的人口受到肺炎影响[1].胸腔X光片由于成本较低、易于获取[2]等原因,成为全球肺炎检测常用的方式之一.

X光片中肺炎与多余液体等其它肺部异常具有相似的不透明度,肺炎X光片计算机诊断技术并不发达,导致目前诊断还主要依赖医师,不仅增大医师的工作量,而且使肺炎检测水平很大程度上依赖医师的诊断水平,诊断结果的可靠性也面临巨大挑战.显然,更精准的计算机诊断肺炎模型可以减少医生工作量和提高诊断的可靠性.

深度学习方法可以提取X光片中复杂而丰富的特征,确保有效的识别结果.随着最大的胸腔X光片数据集ChestX-ray14[2]被不断深入研究,学者们不断提出众多高性能的针对肺炎识别的深度学习方法,用于减少医生工作量.Sharma等[3]使用VGG16,在6 436幅X光片中识别肺炎,获得95.4%的准确率.Bhandary等[4]采用支持向量机改进AlexNet,检测X光片和CT中的肺炎.Banerjee等[5]在肺炎X光片上使用MobileNet进行计算机辅助诊断,获得优于传统机器学习模型的性能.Afshar等[6]结合卷积神经网络(Convolutional Neural Network, CNN)和胶囊层,提出COVID-CAPS,捕获肺炎X光片中疾病细节,实时诊断肺炎.Liu等[7]提出多分支融合辅助学习方法,在肺炎X光片中获得96.80%的准确率.

DenseNet(Dense Convolutional Network)[8]是深度学习的一个重要模型,在肺炎分类识别上具有广泛应用.Hammoudi等[9]在肺炎X光片数……