0 引言

    胸腔積液是臨床常見(jiàn)的胸膜病變，也是多種疾病的伴隨表現(xiàn),，據(jù)統(tǒng)計(jì)有50多種疾病可直接或間接引起胸腔積液^[1],。在胸部異常改變的68例白血病患者中，白血病胸部X線表現(xiàn)為浸潤(rùn)性改變49例,，占72%^[2]。此外肺氣腫,、氣胸以及肺不張也是某些嚴(yán)重疾病的癥狀,。由于個(gè)體差異,，在疾病前期或者發(fā)生之前這些癥狀并不一定很明顯,，醫(yī)院放射科室傳統(tǒng)的診斷方式可能并不能及時(shí),、準(zhǔn)確地檢測(cè)出相應(yīng)的癥狀為醫(yī)生提供決策依據(jù),，導(dǎo)致患者不能及早得到相應(yīng)的治療而錯(cuò)過(guò)最佳治療時(shí)間。

    傳統(tǒng)的計(jì)算機(jī)輔助胸部X光醫(yī)學(xué)影像識(shí)別主要是針對(duì)特定任務(wù)建立識(shí)別規(guī)則,，手動(dòng)提取特征并進(jìn)行特征訓(xùn)練,，該方案依然脫離不了人工標(biāo)注這一過(guò)程。人工標(biāo)注因?yàn)橹饔^性問(wèn)題,，所以識(shí)別準(zhǔn)確率存在比較大的波動(dòng)。2017年11月斯坦福大學(xué)吳恩達(dá)團(tuán)隊(duì)提出了一種名為CheXNet的新技術(shù),，該技術(shù)利用卷積神經(jīng)網(wǎng)絡(luò)在NIH（美國(guó)國(guó)立衛(wèi)生研究院）胸部X光影像數(shù)據(jù)集上進(jìn)行訓(xùn)練、測(cè)試,，得到了浸潤(rùn)檢測(cè)準(zhǔn)確率88.31%,、胸腔積液檢測(cè)準(zhǔn)確率72.04%、肺氣腫92.60%,、氣胸89.32%、肺不張82.09%的優(yōu)良效果,，該準(zhǔn)確率高于擁有多年從業(yè)經(jīng)驗(yàn)的放射科醫(yī)生檢測(cè)的準(zhǔn)確率,，但是該方法在進(jìn)行訓(xùn)練時(shí)使用了121層卷積神經(jīng)網(wǎng)絡(luò),，由于使用了深層次神經(jīng)網(wǎng)絡(luò)使得訓(xùn)練過(guò)程對(duì)計(jì)算機(jī)設(shè)備硬件要求高,，而且訓(xùn)練時(shí)間長(zhǎng),，訓(xùn)練好的模型較大，不利于移植到嵌入式平臺(tái)進(jìn)行識(shí)別,。本文提出一種在GPU服務(wù)器利用輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNets對(duì)胸部X光影像數(shù)據(jù)進(jìn)行訓(xùn)練，并將訓(xùn)練好的網(wǎng)絡(luò)模型移植到嵌入式Jetson TX2核心板,，在嵌入式平臺(tái)下實(shí)現(xiàn)對(duì)胸部X光影像數(shù)據(jù)進(jìn)行分析的方法,。該方法在識(shí)別準(zhǔn)確率高于吳恩達(dá)團(tuán)隊(duì)提出檢測(cè)方法的同時(shí)縮短了對(duì)X光影像數(shù)據(jù)分析所需要的時(shí)間。

1 胸部X光分析系統(tǒng)總體設(shè)計(jì)

    本文的胸部X光影像分析系統(tǒng)主要由訓(xùn)練模塊、識(shí)別模塊,、網(wǎng)絡(luò)傳輸模塊這三部分組成,，整個(gè)系統(tǒng)的嵌入式平臺(tái)在NVIDIA公司生產(chǎn)的Jetson TX2核心板上進(jìn)行搭建，并通過(guò)該平臺(tái)實(shí)現(xiàn)對(duì)整個(gè)系統(tǒng)的協(xié)調(diào)控制,。訓(xùn)練模塊是在GPU服務(wù)器上利用深度學(xué)習(xí)技術(shù)建立卷積神經(jīng)網(wǎng)絡(luò)模型,，然后利用該模型對(duì)標(biāo)注好的X光影像數(shù)據(jù)集進(jìn)行訓(xùn)練，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型移植到Jetson TX2核心板,。識(shí)別模塊是在嵌入式平臺(tái)下利用移植到Jetson TX2核心板的神經(jīng)網(wǎng)絡(luò)模型對(duì)接收到的來(lái)自X光機(jī)的胸部X光影像數(shù)據(jù)進(jìn)行分析,，得到正常,、胸腔積液,、浸潤(rùn)、肺氣腫,、氣胸以及肺不張六個(gè)類別的分類結(jié)果,。網(wǎng)絡(luò)傳輸模塊主要分為兩個(gè)部分，一部分為通過(guò)以太網(wǎng)模塊將X光機(jī)拍攝的胸部X光影像傳輸?shù)角度胧狡脚_(tái),，另一部分是通過(guò)WiFi模塊將嵌入式平臺(tái)接收到的胸部X光影像信息以及嵌入式平臺(tái)對(duì)該影像數(shù)據(jù)的分析結(jié)果上傳到醫(yī)院云平臺(tái)進(jìn)行數(shù)據(jù)的存儲(chǔ)與分發(fā),，為相應(yīng)科室的醫(yī)生提供疾病診斷的決策依據(jù)。胸部X光影像分析系統(tǒng)具體設(shè)計(jì)框圖如圖1所示,。

2 胸部X光分析系統(tǒng)硬件設(shè)計(jì)

    嵌入式核心板Jetson TX2配備以太網(wǎng)模塊,、WiFi模塊等核心功能模塊共同構(gòu)建了胸部X光影像分析系統(tǒng)的硬件平臺(tái)。Jetson TX2核心板以Tegra Parker處理器作為載體,，搭載Ubuntu 16.04操作系統(tǒng),，然后與以太網(wǎng)模塊、WiFi模塊協(xié)同作用,，在嵌入式平臺(tái)下實(shí)現(xiàn)胸部X光影像分析,、數(shù)據(jù)傳輸?shù)裙δ堋?/p>

    胸部X光影像分析系統(tǒng)網(wǎng)絡(luò)通信模塊主要由兩個(gè)部分構(gòu)成：第一部分為X光機(jī)與嵌入式平臺(tái)之間的網(wǎng)絡(luò)傳輸，該部分通過(guò)以太網(wǎng)模塊設(shè)計(jì)實(shí)現(xiàn),，主要實(shí)現(xiàn)在醫(yī)院局域網(wǎng)內(nèi)將拍攝到的胸部X光影像數(shù)據(jù)通過(guò)以太網(wǎng)傳輸?shù)絁etson TX2核心板的功能,，以太網(wǎng)通信模塊的外圍電路圖如圖2所示；第二部分為嵌入式平臺(tái)與醫(yī)院云平臺(tái)之間的通信功能，該部分通過(guò)WiFi模塊設(shè)計(jì)實(shí)現(xiàn),，主要實(shí)現(xiàn)將Jetson TX2核心板接收到的X光影像數(shù)據(jù)以及數(shù)據(jù)分析結(jié)果上傳到醫(yī)院云平臺(tái)的功能,，WiFi通信模塊的外圍電路圖如圖3所示。

3 胸部X光分析系統(tǒng)軟件設(shè)計(jì)

    胸部X光分析系統(tǒng)軟件設(shè)計(jì)由GPU服務(wù)器端程序設(shè)計(jì)與嵌入式端程序設(shè)計(jì)兩部分組成,。GPU服務(wù)器端程序設(shè)計(jì)主要是在Keras深度學(xué)習(xí)框架之下,使用TensorFlow作為后端,，采用Python語(yǔ)言進(jìn)行編程對(duì)胸部X光醫(yī)學(xué)影像數(shù)據(jù)集中的圖片尺寸進(jìn)行歸一化處理，然后利用MobileNets卷積神經(jīng)網(wǎng)絡(luò)對(duì)該數(shù)據(jù)集進(jìn)行訓(xùn)練,，并將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型移植到嵌入式平臺(tái),。嵌入式平臺(tái)程序設(shè)計(jì)主要是在嵌入式平臺(tái)配置深度學(xué)習(xí)所需要的運(yùn)行環(huán)境，采用Python高級(jí)編程語(yǔ)言,，在嵌入式平臺(tái)上對(duì)GPU服務(wù)器上訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行讀取,，并在該模型下對(duì)接收到的胸部X光影像數(shù)據(jù)進(jìn)行分類識(shí)別。胸部X光影像分析系統(tǒng)軟件設(shè)計(jì)流程如圖4所示,。

4 基于MobileNets網(wǎng)絡(luò)的胸部X光影像分析

    MobileNets網(wǎng)絡(luò)是由Google公司提供的一款輕量級(jí)的深層卷積神經(jīng)網(wǎng)絡(luò),，主要用于手機(jī)和嵌入式設(shè)備。該神經(jīng)網(wǎng)絡(luò)是基于流線型的高效網(wǎng)絡(luò)架構(gòu),，它使用深度可分離卷積來(lái)構(gòu)建輕量級(jí)深層卷積神經(jīng)網(wǎng)絡(luò),。MobileNets卷積神經(jīng)網(wǎng)絡(luò)可以將標(biāo)準(zhǔn)卷積分解成一個(gè)深度卷積和一個(gè)點(diǎn)卷積(1×1)以此來(lái)減少計(jì)算量，降低模型的大小,。具體分解步驟如圖5所示,，其中M代表輸入的通道數(shù)量，D_K代表卷積核的寬和高,，D_F代表輸入特征圖的寬和高,，N代表輸出通道數(shù)量。

    從圖5可以得出,，標(biāo)準(zhǔn)卷積的計(jì)算成本為：

    通過(guò)標(biāo)準(zhǔn)卷積和深度可分離卷積的計(jì)算成本對(duì)比可以得出,，MobileNets網(wǎng)絡(luò)通過(guò)對(duì)卷積核的靈活應(yīng)用，減少了網(wǎng)絡(luò)模型參數(shù)量,，使其計(jì)算成本得到了很大程度的減少,。

    MobileNets共有28層網(wǎng)絡(luò)，除最后的全連接層以外,，每一層網(wǎng)絡(luò)之后都通過(guò)BN算法對(duì)每個(gè)神經(jīng)元做歸一化處理,，提高網(wǎng)絡(luò)的訓(xùn)練速度。

    在Ubuntu 16.04系統(tǒng)之下編寫一個(gè)shell腳本程序從NIH胸部X光影像數(shù)據(jù)集中提取其中的正常,、胸腔積液,、浸潤(rùn)、肺氣腫,、氣胸以及肺不張六個(gè)類別共計(jì)81 200張圖像作為本系統(tǒng)的數(shù)據(jù)集,，將提取出來(lái)的數(shù)據(jù)集命名為X-ray,，X-ray數(shù)據(jù)集中共包含有60 384張正常圖像、9 551張浸潤(rùn)圖像,、3 959張胸腔積液圖像,、895張肺氣腫圖像、2 199張氣胸圖像以及4 212張肺不張圖像,。在對(duì)模型進(jìn)行訓(xùn)練之前,，首先對(duì)數(shù)據(jù)集中圖像進(jìn)行預(yù)處理，將每張圖片分辨率歸一化為128×128,，然后將該數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分,，訓(xùn)練集占比75%，測(cè)試集占比25%,。數(shù)據(jù)集訓(xùn)練過(guò)程中,，使用ADM算法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，對(duì)數(shù)損失函數(shù)作為整個(gè)網(wǎng)絡(luò)的損失函數(shù),，并用sigmoid函數(shù)作為激活函數(shù),，設(shè)置迭代次數(shù)為4 000次。本實(shí)驗(yàn)中訓(xùn)練結(jié)束的標(biāo)志主要從兩個(gè)方面進(jìn)行考察,，第一個(gè)方面為整個(gè)訓(xùn)練達(dá)到設(shè)置的迭代次數(shù)的上限以后訓(xùn)練結(jié)束，第二方面為loss(損失函數(shù))值收斂不再減小,，此時(shí)可以認(rèn)為當(dāng)前狀態(tài)下此網(wǎng)絡(luò)已基本達(dá)到最優(yōu)化,，訓(xùn)練結(jié)束。訓(xùn)練結(jié)束后將得到的網(wǎng)絡(luò)移植到Jetson TX2核心板在嵌入式平臺(tái)下對(duì)胸部X光影像數(shù)據(jù)進(jìn)行分析,。

5 系統(tǒng)結(jié)果分析

    本實(shí)驗(yàn)采用MobileNets卷積神經(jīng)網(wǎng)絡(luò)對(duì)81 200張胸部X光影像中隨機(jī)選取的60 900張（占比75%）胸部X光影像進(jìn)行訓(xùn)練得到可以識(shí)別胸腔積液和浸潤(rùn)兩種癥狀的神經(jīng)網(wǎng)絡(luò),。在進(jìn)行模型訓(xùn)練時(shí)，設(shè)置每一個(gè)Epoch代表迭代200次,，當(dāng)Epoch=13時(shí),，即迭代次數(shù)達(dá)到2 600次時(shí)，loss值收斂,，此時(shí)網(wǎng)絡(luò)達(dá)到基本最優(yōu)化,，整個(gè)訓(xùn)練結(jié)束，大約用時(shí)90 min,，該方法所用時(shí)間低于吳恩達(dá)團(tuán)隊(duì)利用121層卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練所需時(shí)間,。訓(xùn)練過(guò)程中l(wèi)oss值變化的過(guò)程如圖6所示。

    訓(xùn)練結(jié)束后,，將該模型移植到嵌入式平臺(tái),，利用剩余的20 300張（占比25%）胸部X光影像作為測(cè)試集，驗(yàn)證整個(gè)模型對(duì)胸腔積液,、浸潤(rùn)兩個(gè)類別的平均識(shí)別率,，得到91.01%的平均正確率,，其中正常類別識(shí)別準(zhǔn)確率達(dá)到了98.68%。將本文中提及的胸部X光影像分析系統(tǒng)命名為ML-XNet,。表1表示專業(yè)放射科醫(yī)生,、吳恩達(dá)團(tuán)隊(duì)提出的CheXNet技術(shù)和ML-XNet對(duì)胸腔積液、浸潤(rùn),、肺氣腫,、氣胸以及肺不張的識(shí)別準(zhǔn)確率。

    從表1可以看出,，本文所使用的方法在對(duì)胸腔積液,、浸潤(rùn)、肺氣腫,、氣胸以及肺不張五種常見(jiàn)癥狀的識(shí)別效果上,，更優(yōu)于放射科醫(yī)生以及CheXNet方法。

    隨機(jī)傳輸4張胸部X光影像數(shù)據(jù)進(jìn)行測(cè)試,，識(shí)別所需時(shí)間為30 s左右,，遠(yuǎn)低于目前放射科醫(yī)生檢測(cè)所需時(shí)間，測(cè)試結(jié)果如圖7所示,，其中Reality為圖片對(duì)應(yīng)癥狀的真實(shí)值,，Prediction為利用本文所述方法進(jìn)行分析得到的預(yù)測(cè)值，Pneumothrax代表氣胸,，Infiltration代表浸潤(rùn),，Atelectasis代表肺不張。從圖中可以看出通過(guò)本系統(tǒng)對(duì)4張胸部X光影像的預(yù)測(cè)結(jié)果均與真實(shí)結(jié)果一致,。

6 結(jié)論

    本系統(tǒng)通過(guò)在Jetson TX2核心板上移植GPU服務(wù)器上訓(xùn)練好的MobileNets卷積神經(jīng)網(wǎng)絡(luò)模型,，在嵌入式平臺(tái)下實(shí)現(xiàn)對(duì)胸部X光影像的分析。隨著X光機(jī)的發(fā)展,，可以將本系統(tǒng)中的嵌入式識(shí)別平臺(tái)與X光機(jī)結(jié)合,，生產(chǎn)出既能拍攝胸部X光影像又能對(duì)胸部X光影像進(jìn)行分析的一體機(jī)，使胸部X光影像的分析正確率更高,、操作更簡(jiǎn)單,。

參考文獻(xiàn)

[1] 李翔云，李薇,，張澤明.結(jié)核性,、惡性胸腔積液的鑒別診斷的研究進(jìn)展[J].中國(guó)繼續(xù)醫(yī)學(xué)教育，2018,，10(11)：109-112.

[2] 尚延海,，張淑香，張志偉,，等.白血病胸部浸潤(rùn)的臨床X線表現(xiàn)(附68例分析)[J].醫(yī)學(xué)影像學(xué)雜志,，2002(6)：449-451.

[3] 張巧麗,，趙地，遲學(xué)斌.基于深度學(xué)習(xí)的醫(yī)學(xué)影像診斷綜述[J].計(jì)算機(jī)科學(xué),，2017,，44(S2)：1-7.

[4] 羅濤，牟軒沁.一種胸部X射線攝影圖像中結(jié)節(jié)檢測(cè)的多尺度匹配濾波器[J].西安交通大學(xué)學(xué)報(bào),，2011,，45(4)：30-35.

[5] 薛迪秀.基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識(shí)別研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2017.

[6] HOWARD A G,，ZHU M,，CHEN B，et al.MobileNets：Efficient convolutional neural networks for mobile vision applications[J].avXiv：1704.04861[cs.CV].

[7] 何雪英,，韓忠義,，魏本征.基于深度學(xué)習(xí)的乳腺癌病理圖像自動(dòng)分類[J/OL].計(jì)算機(jī)工程與應(yīng)用，2018(12).

作者信息:

周進(jìn)凡,，張榮芬,，馬治楠，葛自立,，劉宇紅

（貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院,，貴州 貴陽(yáng)550025）