基于深度學習ResNet50模型的兒童肺炎分類研究

關鍵詞：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成了嚴重影響[1]。據世界衛生組織統計， 每年約有150萬兒童因肺炎而死亡，死于肺炎的兒童人數超過死于瘧疾、腹瀉和麻疹的兒童總和[2]。兒童肺炎主要表現為呼吸道感染、發熱、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重要[5]。

深度學習在肺炎診斷中展現出顯著優勢。它通過分析大量的醫學影像和病歷數據，能夠快速、準確地診斷肺炎，并提供相應的治療建議。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點，已成為肺炎診斷領域的重要工具。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光數據集上經過訓練和優化，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，實現肺炎的分類，并在準確率、精確率、召回率和F1 分數這四個評價指標上進行實驗結果的驗證和評估。與傳統肺炎診斷方法相比，基于ResNet50的兒童肺炎分類模型表現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網絡

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。其結構主要包括輸入層、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。通過3×3卷積提取特征，并引入1×1 卷積以調整通道數，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換為一維向量，并進行分類操作。通過學習適合任務的特征映射，使得網絡能夠對不同的輸入樣本做出正確的分類。

ResNet50在兒童肺炎圖像分類中表現出高準確性，其深層網絡結構和殘差塊的設計使得網絡能夠有效提取特征信息。通過殘差連接，解決了深層網絡中的梯度問題。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網絡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，用于從輸入數據中提取特征。在ResNet50模型中，卷積操作通過權值共享來提取特征。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，對應每個通道的權重值。對于每個像素，將3×3窗口中的像素值與卷積核對應的權重相乘并求和，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節特征圖的響應。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重共享實現，即卷積核在整個特征圖上進行滑動計算，這可以減少網絡中的參數量，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 實驗及結果分析

2.1 數據集

實驗所用數據集是由廣東市婦幼保健中心整理并公開的肺炎X射線數據集ChestRay2017[6]。該數據集包含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，筆者將數據集按照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以增強數據集。最后，將訓練集轉換為向量格式，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 實驗環境

本文的實驗環境配置如下：操作系統為WindowsServer 2019；內存為256GB；中央處理器由兩塊IntelXeon Gold 6154處理器構成，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；使用的編程環境為PyCharm；開發框架基于GPU 的PyTorch；優化器為隨機梯度下降優化器（StochasticGradient Descent， SGD） 。此外，不同模型均使用相同參數進行訓練，最終選擇驗證集中最小損失對應的權重，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。根據這四個指標的值構造混淆矩陣，以可視化分類結果。

2.4 實驗結果

2.4.1 模型對比實驗結果

模型對比實驗結果如表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據的準確率高達95%以上。相較之下，在本實驗中，ResNet50的效果明顯優于ResNet18。

3 結論

肺炎不僅會影響兒童的呼吸系統，增加呼吸困難和呼吸衰竭的風險，還可能引發其他器官的并發癥，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據的訓練和優化，研究中使用的深度學習ResNet50模型展現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鍵信息，從而實現對兒童肺炎的準確分類。

與傳統肺炎診斷方法相比，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勢。研究結果表明，準確率（Accuracy） 為96.61%，F1值（F1-score） 為97.53%，精確率（Precision） 為97.96%，召回率（Recall） 為97.71%。基于深度學習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，為醫生提供了一種新的自動化技術手段，減輕了工作負擔，并提高了醫療服務的質量。