關(guān)鍵詞：肺炎；X射線圖像；深度學習；ResNet50；分類；計算機輔助診斷

0 引言

肺炎是一種常見的嚴重呼吸道感染疾病，對兒童的健康和生命構(gòu)成了嚴重影響[1]。據(jù)世界衛(wèi)生組織統(tǒng)計， 每年約有150萬兒童因肺炎而死亡，死于肺炎的兒童人數(shù)超過死于瘧疾、腹瀉和麻疹的兒童總和[2]。兒童肺炎主要表現(xiàn)為呼吸道感染、發(fā)熱、疲倦乏力及咳痰等癥狀[3]。然而，多項研究表明，僅通過兒童的主要表現(xiàn)來判斷其是否患有肺炎缺乏敏感性和特異性，可能導致誤診或過度治療[4]。因此，早期準確判斷兒童是否患有肺炎對其生命健康至關(guān)重要[5]。

深度學習在肺炎診斷中展現(xiàn)出顯著優(yōu)勢。它通過分析大量的醫(yī)學影像和病歷數(shù)據(jù)，能夠快速、準確地診斷肺炎，并提供相應(yīng)的治療建議。此外，深度學習模型具有高準確性、可擴展性、高效性、自動化以及輔助決策等優(yōu)點，已成為肺炎診斷領(lǐng)域的重要工具。本文提出了一種基于ResNet50 的兒童肺炎分類模型。在公開的兒童肺炎X光數(shù)據(jù)集上經(jīng)過訓練和優(yōu)化，利用深度學習ResNet50 模型自動學習兒童肺炎X光圖像中的病灶信息，實現(xiàn)肺炎的分類，并在準確率、精確率、召回率和F1 分數(shù)這四個評價指標上進行實驗結(jié)果的驗證和評估。與傳統(tǒng)肺炎診斷方法相比，基于ResNet50的兒童肺炎分類模型表現(xiàn)出更好的泛化性和魯棒性，對兒童肺炎的計算機輔助診斷具有積極的意義。

1 方法

1.1 基于深度學習的ResNet50網(wǎng)絡(luò)

針對兒童肺炎的問題，本文提出了一種ResNet50 模型，如圖1所示，該模型用于兒童肺炎圖像分類。其結(jié)構(gòu)主要包括輸入層、卷積層、殘差塊、全局平均池化層和分類器，具體流程如圖1所示。

首先，將特征圖大小為224×224的兒童肺炎X射線圖像輸入7×7卷積層和最大池化層進行特征提取，對特征圖進行下采樣，同時通過批量歸一化和ReLU激活函數(shù)處理，最終輸出大小為56×56的特征圖。

其次，將輸出大小為56×56的特征圖經(jīng)過Stage I 至Stage IV 的處理，最終得到7×7 的特征圖。每個Stage由若干個殘差塊組成，殘差塊包含兩個1×1卷積和一個3×3卷積，并且每個卷積后面都接有BN層和ReLU激活函數(shù)。通過3×3卷積提取特征，并引入1×1 卷積以調(diào)整通道數(shù)，從而提高計算效率。最后，加入殘差連接以緩解梯度消失，并幫助模型更快地收斂。

最后，將特征圖輸入全連接層中進行兒童肺炎X 射線圖像分類。全連接層將特征圖轉(zhuǎn)換為一維向量，并進行分類操作。通過學習適合任務(wù)的特征映射，使得網(wǎng)絡(luò)能夠?qū)Σ煌妮斎霕颖咀龀稣_的分類。

ResNet50在兒童肺炎圖像分類中表現(xiàn)出高準確性，其深層網(wǎng)絡(luò)結(jié)構(gòu)和殘差塊的設(shè)計使得網(wǎng)絡(luò)能夠有效提取特征信息。通過殘差連接，解決了深層網(wǎng)絡(luò)中的梯度問題。多個殘差塊的堆疊有助于提取高層次的抽象特征，從而提高分類準確性。同時，ResNet50具有較強的魯棒性和泛化能力，能夠抵抗噪聲和干擾。

1.2 卷積計算

卷積計算圖是描述卷積神經(jīng)網(wǎng)絡(luò)中卷積操作的一種圖形表示，如圖2所示。在深度學習中，卷積操作是一種有效的方式，用于從輸入數(shù)據(jù)中提取特征。在ResNet50模型中，卷積操作通過權(quán)值共享來提取特征。輸入一個大小為224×224的特征圖，每個像素包含RGB三個通道。卷積核是一個3×3的矩陣，對應(yīng)每個通道的權(quán)重值。對于每個像素，將3×3窗口中的像素值與卷積核對應(yīng)的權(quán)重相乘并求和，從而得到新的特征圖的像素值。重復這一過程，直到遍歷完整個輸入特征圖。在卷積計算中，還添加了一個偏置項，其值為1，用于引入偏移值以進一步調(diào)節(jié)特征圖的響應(yīng)。最終得到的輸出特征圖尺寸與輸入特征圖的尺寸相同，均為224×224。整個卷積過程通過卷積核的權(quán)重共享實現(xiàn)，即卷積核在整個特征圖上進行滑動計算，這可以減少網(wǎng)絡(luò)中的參數(shù)量，加快計算速度，同時能夠提取圖像的局部特征以捕捉圖像的空間局部性。

2 實驗及結(jié)果分析

2.1 數(shù)據(jù)集

實驗所用數(shù)據(jù)集是由廣東市婦幼保健中心整理并公開的肺炎X射線數(shù)據(jù)集ChestRay2017[6]。該數(shù)據(jù)集包含5 856張X射線圖像，其中正常圖像1 583張，肺炎圖像4 273張，如圖3所示。為了進行實驗，筆者將數(shù)據(jù)集按照6∶2∶2的比例分成訓練集、驗證集和測試集。對于肺炎X射線圖像，將其輸入尺寸設(shè)置為224×224，并將訓練圖像的尺寸縮放至256×256。此外，筆者還對訓練集進行了隨機的水平和垂直翻轉(zhuǎn)以增強數(shù)據(jù)集。最后，將訓練集轉(zhuǎn)換為向量格式，并進行像素值歸一化，使其像素值范圍保持在0至255之間。

2.2 實驗環(huán)境

本文的實驗環(huán)境配置如下：操作系統(tǒng)為WindowsServer 2019；內(nèi)存為256GB；中央處理器由兩塊IntelXeon Gold 6154處理器構(gòu)成，主頻為3GHz，共有36個CPU 核心；圖像處理器采用兩塊并行的TITAN V 顯卡；使用的編程環(huán)境為PyCharm；開發(fā)框架基于GPU 的PyTorch；優(yōu)化器為隨機梯度下降優(yōu)化器（StochasticGradient Descent， SGD） 。此外，不同模型均使用相同參數(shù)進行訓練，最終選擇驗證集中最小損失對應(yīng)的權(quán)重，用于測試集的評估。

2.3 評價指標

為全面評估本文方法的分類性能，通過準確率（Accuracy， Acc） 、召回率（Recall， Rec） 、精確率（Preci?sion， Pre） 及F1值（F1 Score， F1 Score） 四項指標來評估模型的有效性，相關(guān)公式如（1）～（4）所示。其中，TP（True Positive） 表示樣本為正類且預測為正類；FP（False Positive） 表示樣本為負類且預測為正類；FN（False Negative） 表示樣本為正類但預測為負類；TN（True Negative） 表示樣本為負類且預測為負類。根據(jù)這四個指標的值構(gòu)造混淆矩陣，以可視化分類結(jié)果。

2.4 實驗結(jié)果

2.4.1 模型對比實驗結(jié)果

模型對比實驗結(jié)果如表1所示。

2.4.2 混淆矩陣可視化

混淆矩陣（Confusion Matrix） ，又稱可能性矩陣或錯誤矩陣。在圖像精度評價中，混淆矩陣主要用于比較分類結(jié)果與實際測得值，展示分類模型在預測過程中對哪些部分產(chǎn)生了混淆，從而全面評估分類模型的性能和效果。圖4顯示了ResNet50與ResNet18的對比混淆矩陣：

在混淆矩陣中，各數(shù)值反映了分類模型性能的不同方面。在這種情況下，有153個樣本被正確分類為正類，而僅有9個樣本錯誤分類為負類。此外，只有6 個樣本被錯誤分類為正類，而334個樣本被正確分類為負類。這表明模型訓練中有效數(shù)據(jù)的準確率高達95%以上。相較之下，在本實驗中，ResNet50的效果明顯優(yōu)于ResNet18。

3 結(jié)論

肺炎不僅會影響兒童的呼吸系統(tǒng)，增加呼吸困難和呼吸衰竭的風險，還可能引發(fā)其他器官的并發(fā)癥，例如心臟損害和大腦損害，對兒童的健康造成嚴重影響。因此，通過對大量兒童胸片數(shù)據(jù)的訓練和優(yōu)化，研究中使用的深度學習ResNet50模型展現(xiàn)了較高的準確性和可靠性。ResNet50模型具備強大的特征提取能力，能夠自動學習圖像中的關(guān)鍵信息，從而實現(xiàn)對兒童肺炎的準確分類。

與傳統(tǒng)肺炎診斷方法相比，基于深度學習ResNet50模型的分類方法在診斷準確性、敏感性和特異性等方面具有顯著優(yōu)勢。研究結(jié)果表明，準確率（Accuracy） 為96.61%，F(xiàn)1值（F1-score） 為97.53%，精確率（Precision） 為97.96%，召回率（Recall） 為97.71%?；谏疃葘W習ResNet50模型的兒童肺炎分類方法具有較高的泛化能力和魯棒性，能夠有效識別不同類型的兒童肺炎。

綜上所述，基于深度學習ResNet50模型的兒童肺炎分類研究證明了其在兒童肺炎診斷中的有效性和可行性，為醫(yī)生提供了一種新的自動化技術(shù)手段，減輕了工作負擔，并提高了醫(yī)療服務(wù)的質(zhì)量。