基于機器學習的COVID-19患者肺部CT圖像識別

摘" 要：國家衛健委辦公廳于2022年3月14日正式發布的《關于印發新型冠狀病毒肺炎診療方案（試行第九版）》中提出，CT影像學檢查在臨床前期篩查具有不可替代的作用。為提高臨床的CT圖像前期篩查效率，該文分別從可視化分析、預測表現和計算效率3個統計測度，在不同的分辨率下利用邏輯回歸、隨機森林、支持向量機和Fisher線性判別及CNN、Inception網絡、Residual網絡和LassoNet對3 616張患有COVID-19的患者和10 192張健康人的肺部CT圖像進行分類。實驗結果表明，LassoNet具有特征選擇的功能，可以直觀得到影響CT圖像分類的重要特征像素點，模型解釋性更強；在圖像分辨率為100×100時，Residual網絡的分類精度最高為95.30%，AUC最高為0.937，分類時間處于平均水平，取得最佳表現。該實驗結果可以進一步提高臨床醫學的診斷效率，為我國疫情防控常態下人體肺部CT圖像的臨床識別提供指導。

關鍵詞：深度學習；圖像識別；LassoNet；統計測度；肺部 CT

中圖分類號：TP391" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）14-0001-06

Abstract： On March 14， 2022， the General Office of the National Health and Medical Commission officially released the \"Pneumonia Diagnosis and Treatment Plan for Novel Coronavirus Infection （Trial Ninth Edition）\"， which stated that CT imaging examination has an irreplaceable role in preclinical screening. effect. In order to improve the efficiency of pre-screening of clinical CT images， this paper uses Logisitic regression， random forest， support vector machine and Fisher linear discriminant and CNN， Inception network， Residual network and LassoNet classify 3 616 lung CT images of patients with Covid-19 and 10 192 healthy people. The experimental results show that LassoNet has the function of feature selection， which can directly obtain the important feature pixels that affect CT image classification， and the model interpretation is stronger; when the image resolution is 100×100， the classification accuracy of Residual network is 95.30% and the highest AUC is 0.937， the classification time is at the average level， and the best performance is achieved. The experimental results can further improve the diagnostic efficiency of clinical medicine and provide guidance for the clinical recognition of human lung CT images under the normal situation of epidemic prevention and control in China.

Keywords： deep learning; image recognition; LassoNet; statistical measure; lung CT

截至北京時間2022年4月22日0時19分，全球累計新冠感染確診病例505 035 185例，累計死亡病例6 210 719例。自新冠感染疫情爆發以來，我國積極應對，出臺了各項政策，其中較為重要的當屬國家衛健委辦公廳于2022年3月14日正式發布的《新型冠狀病毒肺炎診療方案（試行第九版）》，其中提到：新型冠狀病毒感染確診靠病毒核酸檢測，雖特異性強，但敏感性欠佳，現有輔助診斷方法技術有待進一步提高。根據目前經驗，肺部影像表現早于臨床癥狀。因此，CT影像學檢查在臨床前期篩查具有不可替代的作用。

在新冠感染疫情防治的早期篩查和診斷領域，機器學習方法早已被廣泛應用。2020年中國信通院等單位聯合發布的《人工智能助力新冠疫情防控調研報告》，其中提到的“新型冠狀病毒性肺炎智能評價系統”能夠利用人工智能技術的深度學習、圖像識別等提供量化數據對比結果，幫助醫生更快完成疑似患者診斷。基于機器學習的CT圖像對于進一步提高臨床醫學診斷的識別精度及臨床前期診斷篩查具有實際的研究意義和應用價值。

1" 研究現狀與目的

1.1" 國內外研究現狀

自2020年新冠感染疫情爆發以來，各領域的專家學者基于機器學習對不同地區新冠感染開始和結束時間、確診人數及各類新冠圖像的識別均有較為完善的研究成果，具體如下。

2020年1月，Canayaz[1]利用由COVID-19、健康和肺炎3類肺部X射線圖像組成的數據集訓練得到AlexNet、VGG19等深度學習模型。2020年5月，Elgendi等[2]分析了15種模型，得出ResNet-50是檢測COVID-19的最佳預訓練神經網絡。2020年6月，Ozturk等[3]設計了ResNet-50，其可被視為COVID-19感染特征和診斷的高靈敏度模型。Punn等[4]使用ResNet和NASNetLarge等方法在有限的后前胸部X線圖像中自動診斷COVID-19。2021年4月郭保蘇等[5]設計了一種基于CT圖像卷積神經網絡處理新冠肺炎的檢測方法。2021年5月，Narin[6]設計了5個預先訓練好的基于卷積神經網絡的模型，其中ResNet50模型提供了最高的分類性能。Gunraj等[7]使用COVID-Net CT-2模型通過利用正確的臨床相關的關鍵因素，得到其決策行為與放射科醫生的解釋一致。2021年8月Fouladi等[8]利用ResNet-50、VGG-16、卷積神經網絡、卷積自編碼器神經網絡對COVID-19胸部CT圖像進行分類。

綜上所述，已有的研究成果基本上是采用單個深度神經網絡對COVID-19患者肺部CT圖像進行識別，僅從單個統計測度進行了比較，并未從其他統計測度來選擇最優模型。因此本文將從3個統計測度：數據可視化、預測精度和分類效率3個方面比較8種淺層和深度學習方法，進一步助力我國醫學領域初步診斷新冠感染的識別效率。

1.2" 研究目的與意義

基于各領域專家學者的研究基礎，文章分別從3個統計測度：可視化分析、預測表現和計算效率，使用8種機器學習方法對含有COVID-19患者肺部CT圖像的數據集進行分類實驗，選出最優圖像分辨率下，預測表現和計算效率最優的方法，進一步助力我國疫情防控常態下的COVID-19患者肺部CT圖像臨床識別，并在一定程度上促進機器學習在醫療和人類生活中的發展。

2" 實驗

2.1" 數據介紹與處理

本文數據集來源于Kaggle平臺，該數據集的后綴為.png，共有13 808張圖片，每張圖片的分辨率為（299，299），其中確診COVID-19的患者肺部CT照片有3 616張，占總數據集的26.19%，健康人的肺部CT照片共有10 192張，占總數據集的73.81%。

首先，將2個原始數據集歸納為總數據集。然后，對原始數據進行數據增強和參數調整操作，觀察每張圖像的分辨率數值量綱是否統一，是否存在偏態分布，由分析可得每張圖片均值和標準差的跨度比較大，存在一定的偏態分布，因此需要選將數據集進行歸一化和中心化操作，表1是對原始數據集進行量綱統一和數據標準化后的結果，處理過后的數據量綱統一，無明顯偏態分布。

最后，將數據集劃分為訓練集和測試集，分別占70%和30%，確診COVID-19的患者肺部CT照片樣本標簽為1，健康人的肺部CT照片樣本標簽為0，在后續的實驗中對每種機器學習方法進行網格搜索遍歷所有可能的參數，以獲得最佳的分類精度。

2.2" 可視化分析

首先，為了便于進行后續實驗，將原始圖像轉換為256個特征（28×28）和10 000個特征（100×100）的二位變量，如圖1所示。

然后，為了進一步觀察數據是否具有可分類性，利用降維算法（PCA）將特征像素點降為3維，并將樣本點繪制在3D圖中如圖2所示，觀察樣本的空間分布，其中深灰色點為健康人的肺部CT照片樣本，淺灰色點為確診COVID-19的患者肺部CT照片樣本。初步可得2種不同分類的散點存在一定的距離，單憑肉眼無法直觀得到準確的分類結果。

在2021年，由Robert Tibshirani等提出的一種神經網絡框架LassoNet將已有的Lasso回歸及其特征稀疏性推廣至前饋神經網絡，在未知最優選擇特征數的前提下同時進行特征選擇和參數學習。LassoNet具有特征選擇功能，因此在后續的實驗中可以嘗試將LassoNet的特征選擇過程可視化。

如圖3所示，第一行為28×28圖像分辨率下，選擇特征數分別為293、219和157時LassoNet的可視化特征矩陣，第二行為100×100圖像分辨率下，選擇特征數分別為10 000、598和289時LassoNet的可視化特征矩陣，通過肉眼可以較清晰地看出影響分類結果程度較大的特征像素點，因此嘗試將LassoNet方法中最優的特征選擇結果可視化。如圖4所示，二者均為COVID-19患者的肺部CT圖像，圖4（a）為28×28分辨率下的權重矩陣，圖4（b）為100×100分辨率下的權重矩陣。由此可得，分辨率越高，越能清晰直觀地得到影響分類結果的重要特征位置及其權重，即LassoNet的可視化效果最佳。

2.3" 實驗一

為了在淺層學習方法中選擇預測表現最佳、計算效率最高的方法，以28×28分辨率的輸入圖像為例，首先繪制4種淺層學習方法的混淆矩陣，如圖5所示。由圖5可得隨機森林判斷正確的樣本量最多，下面進一步比較分類精度、分類時間和ROC曲線。

將分類精度隨選擇特征數變化的折線圖繪制在圖6中，由實驗結果可得，隨著選擇特征數的增多，隨機森林的分類精度由最開始保持較慢速度上升，以極高的速率上升達到最高90.10%，并一直保持最高水平，邏輯回歸、支持向量機和Fisher線性判別基本保持相同的速率上升，但分類精度較低。

如圖7所示，左圖為4種分類方法得到最高精度時的分類所需時間，右圖為對應的ROC曲線。在消耗時間方面，支持向量機和邏輯回歸消耗時間較多，隨機森林處于平均水平，且分類精度最高，Fisher線性判別所需時間最短。比較ROC曲線，發現隨機森林偏離45°對角線的程度最大，依次是邏輯回歸、支持向量機和Fisher線性判別等方法。由實驗結果可得，隨機森林的分類精度最高，ROC曲線下的面積（AUC）值最大，Fisher線性判別所需時間最短。綜合可得，在淺層學習方法中，隨機森林的預測表現最佳，Fisher線性判別的分類效率最高，但其分類精度低于隨機森林。

2.4" 實驗二

由于圖片維度變為100×100（10 000個特征）的分辨率，輸入圖像的維度較高，且變量不一致，對淺層學習模型訓練會導致內存溢出。因此，在實驗二中僅使用4種深度學習方法進行實驗。為了保證實驗結果具有可比性，采取控制變量的操作：控制數據輸入維度為（batch，1，100，100），控制整個數據集的訓練次數（epoch）為50，每次訓練模型的輸入數據量（mini-batch）為50。圖8表示4種深度學習方法的混淆矩陣，觀察可得Residual網絡判斷正確的樣本量最多，為10 700個樣本，其次是CNN和Inception網絡下面進一步比較分類時間和ROC曲線。

如圖9所示，圖9（a）為分類方法得到最高精度時的分類所需時間，圖9（b）為對應的ROC曲線。由實驗可得，CNN所需時間最短為5 279.03 s，其次是LassoNet、Residual網絡和Inception網絡。Residual網絡的ROC曲線偏離45°折線的程度最大，依次是CNN、Inception網絡和LassoNet。LassoNet與另外3種深度學習網絡存在一定差距，Residual網絡的分類精度為95.30%最高，Inception網絡的分類精度為93.91%，CNN的分類精度為94.41%，CNN所需時間最短為5 279.03 s，Inception網絡所需時間最長為8 755.51 s。

為了進一步直觀的觀察數據，將實驗一和實驗二得到的具體數值繪制在表2中可得，Residual網絡分類精度最高為95.30%，AUC值最大為0.937，所需時間為6 868.02 s；CNN分類精度為94.41%，比前者低0.89%，AUC值為0.930，比前者低0.007，但所需時間為5 279.03 s，比前者少1 588.99s；LassoNet分類精度為90.36%，比Residual網絡低4.94%，AUC值為0.869，比Residual網絡低0.068，且所需時間為6 541.78 s，比Residual網絡少326.24 s，因此Residual網絡的分類效率表現最為優異。綜合可得，深度學習方法的預測表現普遍由于淺層學習方法，在深度學習方法中，Residual網絡的預測表現最佳，CNN的分類效率最高，但其分類精度略低于Residual網絡。

2.5" 實驗結論

綜上所述，從數據可視化角度可得，LassoNet由于具有特征選擇的功能，可以直觀得到影響分類圖像的重要特征像素點、且可視化效果較為清晰，相比傳統的降維算法（PCA）其可視化效果更佳。但從預測表現角度看，在圖像分辨率為100×100的情況下，Residual網絡的分類精度表現最好。從計算效率角度可得，在確保精度盡量高的前提下，圖像分辨率為100×100時，CNN的分類時間較短。該實驗結論可以進一步提升臨床醫學中判別COVID-19的診斷效率，輔助醫生快速作出診斷。增強我國實時監控新冠感染疫情的能力。

3" 總結與展望

為了進一步提升臨床醫學中判別病人是否患有COVID-19的診斷效率，增強我國實時監控新冠感染疫情的能力，本文利用8種機器學習方法，分別從數據可視化、預測表現和計算效率3個統計測度視角分析病人肺部CT圖像。結果表明，LassoNet具有較好的模型可解釋性，而殘差網絡具有最佳的預測表現。Residual網絡的分類精度雖然表現最佳，但在后續的研究中還可以對數據集的分辨率進一步調整，選取最優輸入分辨率。其次，可進一步加入并行化技術，在云計算機和GPU上運行代碼，同時通過提升硬件設備來加快運行速度。

參考文獻：

[1] CANAYAZ M. MH-COVIDNET： Diagnosis of COVID-19 using deep neural networks and meta-heuristic-based feature selection on X-ray images[J].Biomedical Signal Processing and Control， 2021， 64： 102257.

[2] ELGENDI M， FLETCHER R， HOWARD N， et al. The evaluation of deep neural networks and X-ray as a practical alternative for diagnosis and management of COVID-19[J]. medRxiv， 2020.

[3] OZTURK T， TALO M， YILDIRIM E A， et al. Automated detection of COVID-19 cases using deep neural networks with X-ray images[J].Computers in biology and medicine， 2020，121：103792.

[4] PUNN N S， AGARWAL S. Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray images using fine-tuned deep neural networks[J].Applied Intelligence，2021， 51（5）：2689-2702.

[5] 郭保蘇，莊集超，吳鳳和，等.基于CT圖像卷積神經網絡處理的新冠肺炎檢測[J].計量學報，2021，42（4）：537-544.

[6] NARIN A， KAYA C， PAMUK Z. Automatic detection of coronavirus disease （covid-19） using x-ray images and deep convolutional neural networks[J].Pattern Analysis and Applications， 2021，24（3）：1207-1220.

[7] GUNRAJ H， SABRI A， KOFF D， et al. Covid-net ct-2： Enhanced deep neural networks for detection of covid-19 from chest ct images through bigger， more diverse learning[J].Frontiers in Medicine， 2021：8.

[8] FOULADI S， EBADI M J， SAFAEI A A， et al. Efficient deep neural networks for classification of COVID-19 based on CT images： Virtualization via software defined radio[J]. Computer Communications， 2021，176：234-248.