华芮
深圳市华嘉生物智能科技有限公司，广东 深圳 518000
摘要：新型冠状病毒在2020年为我国人民的生活质量带来了极大的影响，同时也造成了很多家庭的破碎。但是感染新冠病毒尽可能早的发现并采取治疗能够在很大程度上延续患者生存的时间，新型冠状病毒（新冠，SARS-Cov-2）的首次报道与2019年的12月末，此后其快速发展成为全球性质的新型传染疾病。患有新型冠状肺炎的患者虽然总体的死亡率不高，但是其会在很短的时间内发展成为重症患者，造成死亡风险的大大提高。眼前对于早期阶段筛查患者发展情况的方式处于较为起步的阶段，这样的问题会导致生产生活受到进一步的影响，为此本文对基于深度卷积神经网络判断（新冠）肺部感染类疾病的视觉监测方法进行研究，由深度卷积神经网络的相关概念入手，进而展开检验方式内容及检验训练模型的具体论证，同时使用具体效果的验证确保其有效性。
关键词：深度卷积神经网络；肺部感染；视觉监测
1. 深度卷积神经网络
1.1深度学习概述
深度学习（DL）这一概念最早于2006年由 Geoffrey Hinton等人提出，其作为机器学习当中十分重要的新兴研究领域之一则是通过使用多层网络的方式来对人脑进行模拟，希望通过这样的方式来模拟人脑在对外界事物如图片、声音等学习的认知。在将深度学习与传统机器学习进行比较的过程当中能够发现其最大的不同就是特征提取及分类回归方面，其能够减少人为特征设计方面的工作量，由此完成自动提取。因此在将原始的图像向深度学习网络当中进行输入后能够得出较为优质的结果，近年来深度学习已经成为了研究的热门内容，我国大量的高科技企业都组建了专业的研究团队对其进行研究，希望能在这一领域得到突破以收获经济收益[1]。
目前深度学习工作的发展速度极快，其在各个领域当中也都收获了十分优异的成绩。为此提供帮助的因素首先是计算年级芯片的运算能力快速提升，其次以英伟达、AMD为首的企业使得GPU集群运算技术得到了不断的提升。最后机器学习相关方面的研究也取得了相当的突破，上述因素都使得深度学习变得更加具有集成化且有着较强的非线性计算能力，能够通过分层分布的计算模式快速的完成学习预测。而在模型方面深度学习的模型种类也是十分多样的，就模型结构及技术应用进行分类能够分为生成深度结构、混合深度结构及区分性深度结构[2]。
1.2卷积神经网络
作为一种十分前沿的神经网络模型，卷积神经网络在深度学习当中的应用也是较为成功的。在上世纪的50年代末期Huber于Wiese两位脑科神经专家在动物上进行了一系列的实验，在经过对不同种类猫的视觉神经进行观察后其发现猫的视觉系统为多个层级所构成，且在不同的层级上其功能也有所不同，其呈现出的关系是自上向下进行传递的。同时由于对其信息进行处理的脑细胞不同，其具体过程首先是经过边缘来完成抽象获取物形状的判断，此后由更加高级的视觉神经来对形状进行进一步的理解判断，最后完成物体实质答案的得出，这一理论被称为感受野理论。上世纪70年代有日本学者Fukushima完成了对感受野理论进一步的研究，提出了神经认知机的相关理论模型。
1.3卷积神经网络应用在医学图像处理上的意义
在医院当中每天都会产生大量的医疗影像，且胸片数据也是在体检过程当中重要的数据之一。在使用传统计算机进行辅助诊断的过程当中所使用的分类器大部分支持向量机，因此不适用于数据量较大的情况，其需要进行提取的特征大部分都需要人工工作来完成，但是患者在病变情况上却是各不相同的，因此随着新患者数据的录入老旧的特征可能会变得不适应工作情况，导致的误差往往也是较为严重的。因此传统方法并能够作为长期的系统进行使用，而卷积神经网络中不涉及人工设计及特征提取方面的内容，其网络模型是根据现有的情况进行自动学习的，为此在出现新数据加入的情况时也不会导致不适用性的扩大。在深度学习卷积神经网络当中其内在需求即为较大的数据量，而这也更加符合目前大数据发展的现状，为此卷积神经网络在医学图像处理当中进行应用有着极强的实用意义且具有可持续发展的特点[3]。
2.深度卷积神经（新冠）肺部感染视觉检验研究
2.1检验方式内容
本文检验方式的基础为卷积神经网络，其所使用的的训练学习方式为监督式学习，能够通过图片的方式来完成患者发展成为重症概率的预测。如上文所述，卷积神经网络是深度学习神经网络当中的一部分，其网络的神经元能够被一部分覆盖范围当中的周围神经元所响应，由此完成空间关联方面的分析。为此卷积神经网络在图像识别方面的表现较为优秀，而卷积神经网络的构成分为卷积层、池化层级全连接层，在池化层及卷积层当中形成的结构特征能够与其形成深度学习结构并完成图像特征的提取。而在全连接层中则是能够完成经典神经结构完成的工作来讲最终的识别答案进行输出。这样的结构使得卷积神经网络能够使用在二维结构当中，而卷积神经网络在进行机构分类是可分为Densenet、ResNet,Inception等，在本文的研究当中则是将不同分类的优点进行选取，完成新的神经网络开发，该神经网络首先具有更强的轻便型，能够尽可能的避免由于传统网络过深导致需求量过大的情况，其次其所使用的卷积层结构为1×1模式，能够更加快速且有效地完成图像特征的提取，保证识别的准确性。最后在其结构当中完成了densenet结构的添加，能够避免出现梯度爆炸的情况[4]。
在其内容当中Conv表示的的含义为卷积层，其中卷积核大小的表示为M×M/1当中的M×M，而矩阵深度则是由filterDAIBIAO表示。而池化层的表示字母为Maxpool,在定义参数方面其也与卷积层相同。最后全连接层为Fully Connected Network，其中的输出层数及神经元数量和输出层相同。
在densenet的结构当中32×32是输出层的中间尺寸，而在本文涉及方法当中其具体数值为104×104，其数字所代表的的含义是提取特征的深度。
2.2模型训练的方法
在本文发明的模型训练方法当中所使用的训练方法时监督学习法，其是通过对数据的结果及标签进行准备并使用模型进行反传播的方式不断在训练数据上完成参数的优化，具体的优化内容包含偏差及权重[5]。以此在训练结束后其内部参数能够得到固定，而在此后的应用当中其能够作为新的数据直接进行使用并应用于测试结果当中。在本文的监督学习方法当中所设定的方法为标准的反向传播法，其使用的优化器为RMSprop及Adam，没有具体的限定。在训练周期方面为100Epoch，学习效率方面为0.001，Batchsize数值为32。经过训练的模型为本文发明的数据分析模型，能够用于新型冠状病毒患者重症发展率的研究[6]。
2.3检验方式效果
在本文发明的模型开发过程当中所有的验证内容均基于真实有效的临床数据而来，其中共获得326名患者数据，每位患者所使用的数据均为其入院最近期的CT影响结果。其中共完成了348个肺部区域影响特征的提取，后续共有83名患者发展成为重型患者，244为患者痊愈出院，同时还有19名患者在随访过程当中出现中断，因此有效数据数量为307。在对其顺序进行打乱后选择200张图片作为训练数据，其余作为后续测试使用，在经过测试后总准确率达到了92.5%。
3.结语：本文当中提及的方法由深度学习网络进行改良，使用CT影响对新型冠状肺炎患者发展成为重症的概率进行分析，且在研究的过程当中建立了分析模型。本项目的开发致力于帮助医务工作者降低工作强度，且预测患者成为重症风险为目的，在当前新型冠状病毒依旧严峻的关头希望能够为抗击疫情做出相应的贡献。
参考文献：
[1]张福玲,张少敏.应用于CT图像肺结节检测的深度学习方法综述[J].计算机工程与应用,2020,56(13):20-32.
[2]王博. 低剂量肺部CT的图像增强及其辅助诊断应用研究[D].电子科技大学,2020.
[3]杨赫. 基于深度学习的医学CT图像肝肿瘤与肺结节检测[D].哈尔滨工业大学,2019.
[4]张一倩. 基于深度卷积神经网络的肺结节检测与良恶性诊断研究[D].西安电子科技大学,2019.
[5]王厚华. 基于深度学习的医学图像肺结节检测算法研究[D].西安电子科技大学,2018.
[6]朱国策. 基于深度卷积神经网络的医学图像肺结节检测方法研究[D].江南大学,2017.