2026《深度学习网络用于新冠肺炎X光影像诊断的实验结果分析案例》5400字.docxVIP

PAGE

PAGE6

深度学习网络用于新冠肺炎X光影像诊断的实验结果分析案例

目录

TOC\o1-3\h\u19940深度学习网络用于新冠肺炎X光影像诊断的实验结果分析案例 1

145561.1硬件资源和实验环境的搭建 1

267901.2数据采集和处理 1

169321.2.1数据集清洗 1

26361.2.2数据预处理 2

180121.3实验过程 3

238701.3.1模型参数的选择 3

238951.3.2评价指标 4

238101.3.3基于改进残差网络的模型训练与结果分析 4

131951.3.4基于图像增强算法优化的实验结果分析 6

284121.3.5对比实验与结果分析 7

1.1硬件资源和实验环境的搭建

本实验需要在可承载深度学习框架的硬件上进行。所需要的计算机硬件配置如下所述，GPU为NvidiaGeForceGTX1080(8GB/戴尔)，CPU为Intel(R)Core(TM)i7-7700K@1.20GHz四核处理器，内存大小为64G，运存使用的是金士顿DDR42400MHz16GB的运行内存(RAM)。

本实验采用的是Pytorch框架，选择该框架的优势是在于编码的时候相对于其他框架更容易上手，它的设计就是为了进行最少量的封装，避免编码时进行过多重复性的工作。在速度方面，该框架也优于其他深度学习的框架，在追求速度性能的同时也不失去灵活性。在编码的过程中，由于该框架的设计更符合人们的思维方式，所以在调用函数接口的时候，非常容易找到。另外它身后庞大的社区维护使得该框架可持续更新。在进行实验之前需要对环境进行搭建。首先在Linux环境中安装Anaconda，另外需要安装的就是Pytorch框架以及图形图像第三方处理包等。

1.2数据采集和处理

1.2.1数据集清洗

本实验数据获取来自Github网站，该数据集由专业的医疗团队进行上传以供深度学习爱好者使用。该数据集中共有4000条肺炎X光影像数据，但是需要去除数据集中不规范的图像，例如侧身拍的X光影像以及模糊不清的影像。经过筛选之后余下的COVID-19患者的影像数据共有1000张，其他肺炎患者的影像共计1500张，正常的影像共有1500张。将这些影像进行打标签，然后利用深度学习算法对其进行三分类。

在肺炎X光图像收集的过程中，有许多不合规范的图形图像。例如有的X光影片投射的是病人侧位的影像而且还含有其他信息模糊的图像。由于侧位的影像与正位的影像差异比较大，在数据集中就是噪声的存在，为了不影响后期模型的训练需要删除这些肺炎图像。含有其他无关信息的X光图像，在网络训练过程中会导致训练的一些误差，因此也需要进行剔除，如图1.1所示。

图1.1需要剔除的噪声图片类型

1.2.2数据预处理

经过数据清洗之后，得到了可以用的医学影像，但是此时图像质量并不高，存在诸如图像对比度过低，辨识率低，部分图像存在噪声干扰，各图像分辨率并不相同等问题。直接使用深度学习进行训练是不妥当的，因此，需要先对图像进行图像预处理，从而提高图像分类准确率加快训练速度，其预处理步骤如图1.5所示。

图1.2图像预处理

（1）灰度化处理

原始的图像中可能会出现通道不一的情况，为后面模型的训练带来障碍，因此在训练之前需要将每张肺炎图像进行灰度化处理和裁剪，灰度化处理带来的另外一个好处是可以加快模型的训练速度。由于本数据集是由众多数据集合并而成的，所以还有存在图像分辨率不一的情况所以有必要进行裁剪。灰度化处理的主要思想是将原来的三通道影像变成一通道影像。所用灰度化处理公式如下:

GARYi，j=

其中，GARY(t，j)代表计算得到的灰度，R，G，B分别代表每层通道的像素值i,j用来表示图像的第i行与第j列，通过将三通道图像转化为单通道图像，这为深度学习模型的建立节约了大量训练时间。

（2）高斯滤波

医疗图像先天特征就是有大量的背景噪声，对于肺部的影像资料来讲更是如此。虽然经过灰度化的图像保持了通道的一致性，但是噪声还是没有被处理。为了在后续实验中尽可能的减少噪声所带来的影响，所以需要对图像进行平滑操作，减弱高斯噪声所带来的影响。本研究选用高斯滤波[38]进行图像平滑。相比于类似原理的平均值滤波器模型系数同为1的情况，高斯滤波器的模型系数能够随着距离滤波器模型中心的角度增大而有所减小，特别是在选择了一个滤波器窗口内的每个像素均值作为信号的输入和显示信息时，高斯滤波器对于图像的模糊化影响程度较小，能够促使图片更少地损失有效信息，从而达到更好的图像噪声抑制效果，让图像变得更加平滑。通过对图像进行高斯滤波，提高了模型的预测精度，同时也提高了模型的鲁棒性。

（