一、项目背景

目前，新型冠状病毒肺炎已在全球多国蔓延，甚至出现了病例的爆炸性增长，然而，受过专业训练的医师却是有限的，这导致新冠病毒肺炎患者在诊治时效率低下，在有效时间内缺乏有经验的医师对患者的情况进行及时的判断。

X射线是一种波长极短、能量很大的电磁波。X射线具有穿透性,但人体组织间有密度和厚度的差异，当X射线透过人体不同组织时，被吸收的程度不同，经过显像处理后即可得到不同的影像。因此，根据X射线得到的患者肺部图像，可以很好的评估患者的健康状况。

为了弥补专业医师数量不足导致的诊治效率低下的情况，如果能够设计一个智能信息处理系统，达到对患者的X射线图像智能分类，则会大大提高医师的诊治效率。

深度学习作为一种新兴的智能信息处理方法，能够自动提取数据中的高区分度特征，目前已被广泛应用于图像分类等领域中。在本次实验中，我将深度学习方法应用于新冠肺炎X射线图像分类，并取得了很好的效果。

二、实验内容

2.1认识数据

本次实验采用了Kaggle平台的covid_data_gradientCrescent数据集（），数据为正常人与新冠肺炎患者的X射线图像，并分为训练集与测试集，基本情况见表1.

下图展示了数据集中一个正常人的X射线图像与一个新冠肺炎患者的X射线图像：

2.2 数据预处理

通常，对图像做合适的预处理往往能够提升模型的训练效果，因此，在本次项目中，我对样本进行了一系列的数据预处理。此外，深度学习方法往往需要通过大量的样本进行学习，然而，在本次项目中，我们的样本数量并不充分（训练集仅有130个图像样本），对此，我还对训练集采用了数据增强，如随机旋转等方法。

具体地，我将数据预处理的方法总结如下：

· 去均值化：对输入的图片中的每个通道减去每个通道对应均值；

· ZCA白化：降低了图像特征之间的相关性；

· 随机旋转：我们首先对图像进行了随机旋转，旋转范围设置为50°；

· 错切变换：错切变换的范围设置为0.25；

· 随机缩放：随机缩放的范围设置为0.10；

· 随机通道转换：随机通道转换的范围设置为20。

2.3 模型训练

在本项目中，我们采用了三种主流的神经网络进行了尝试，分别是：VGG16，AlexNet，ResNet50。并采用了迁移学习的模式，以ImageNet训练后的权重为基础，利用X射线图像将网络微调，以适应新的图像分类任务。

2.3.1 验证集划分

由于本项目使用的数据中只包含了训练集与测试集，为了防止过拟合现象，我在训练集中随机划分了80%样本作为验证集，并利用早停法来对模型进行选择（当验证集的AUC连续10个epoch不再上升时，停止训练并返回最优模型）。

2.3.2 VGG16

· 网络层简介：13个卷积层，5个最大池化层。在此基础上，我又添加了一个Flatten层和两个全连接层；

· 网络层维度：额外添加的全连接层维度分别为256与1；

· 优化方法：Adam优化方法；

· 损失函数：二分类交叉熵；

· 学习率：0.0001。

2.3.3 AlexNet

· 网络层简介：5个卷积层，5个零池化层，3个最大池化层。在此基础上，我又添加了两个全连接层；

· 网络层维度：额外添加的全连接层维度分别为256与1；

· 优化方法：Adam优化方法；

· 损失函数：二分类交叉熵；

· 学习率：0.0001。

2.3.4 ResNet50

· 网络层简介：ResNet50相较VGG16和AlexNet而言，网络更深。在ResNet50的基础上，我又添加了一个Flatten层和两个全连接层；

· 网络层维度：额外添加的全连接层维度分别为256与1；

· 优化方法：Adam优化方法；

· 损失函数：二分类交叉熵；

· 学习率：0.0001。

2.4 实验结果

在本次项目中，我们尝试了上述三种网络模型：VGG16，AlexNet，ResNet，并对结果进行了比较，具体结果如下表：

根据上表可以发现，VGG16在此次实验中取得了最好的效果。经过思考，我认为VGG16提取到的特征对新冠肺炎患者的X射线图像更有区分性。

此外，我们对VGG16训练过程进行了可视化：

图3 训练过程中的准确率变化 图4 训练过程中的损失函数变化

最后，我们利用t-SNE方法对学习到的特征降维，进行了可视化：

图5 t-SNE效果图

经过观察可以发现，VGG16提取到了非常有区分性的特征。