摘要
肺炎对于儿童和老人而言，是一种患病率和致死率很高的疾病。随着现代医学技术的不断提升，人们在肺炎的治疗方面取得了显著成效。肺炎的诊断是治疗前非常重要的环节，但是由于肺部其他疾病干扰、医疗数据的爆发式增长以及相关病理医生的缺乏，导致肺炎的诊断较为困难，如何做到肺炎病症“早发现，早治疗”，对于肺炎患者的治疗效果具有重要意义。 随着现代医学的发展，肺部疾病的诊断更多地依赖于对医学影像的判定。而越来越庞大的数据，亟需强大的数据处理模型为该领域提供有利的支持。深度学习在机器学习领域研究中作为一个新的分支，已经广泛应用到多个医学图像处理领域，为医疗影像的智能化检测提供了新的方法与途径。Web技术是一种以互联网技术为基础为用户与服务器之间提供数据交互的技术，具有大规模数据传输的能力以及操作简洁、方便的优势。用户借助浏览器便可以向服务器发送请求，完成相应功能。将深度学习与Web技术相结合，可以解决目前医疗数据爆发式增长时，专业医生缺少、诊断效率和准确率低等问题。因此本文开展了基于深度学习的肺部X光图像分类与目标检测研究，并且利用Web技术搭建了肺部X光图像数据处理平台。主要研究内容及成果如下： （1）基于深度学习对肺部X光图像进行分类识别。首先利用VGG19模型对5,000多张肺部X光图像完成肺炎/非肺炎识别，并且从六个方面对模型进行评估。结果表明，VGG19网络模型的准确率为98.3%、召回率为99.0%、精度为98.7%、特异率为96.3%、AUC数值为0.976、F1评分为0.988。然后，利用VGG19模型以及两种改进模型，分别为VGG19与SVM相结合算法模型（VGG19+SVM）、VGG19与XGBoost相结合算法模型（VGG19+XGBoost），对病毒性肺炎与细菌性肺炎进行分类训练。同时，对比深度学习结合机器学习的算法模型与单一的深度学习模型的分类效果之间的差异。结果表明，三种算法模型的平均准确率均在85.9%以上；VGG19+XGBoost模型的测试稳定性优于VGG19模型，其最高准确率接近90%，召回率为88.1%、精度为96.8%、特异率为92.7%、AUC数值为0.902、F1评分为0.923，均高于VGG19模型，证明深度学习结合机器学习的算法模型具有实际意义。 （2）基于深度学习对肺炎图像进行病灶区域的目标检测。首先将SSD和Faster-RCNN两种典型目标检测算法用于肺炎病灶区域检测。然后在原有Faster-RCNN的网络结构基础上引入FPN网络模型，对Faster-RCNN网络模型进行优化以来更好地识别病灶区域识别。最后随机选取500张测试图像，从分类准确率、回归精度、误检病灶区域三个方面对比三种检测算法的性能，结果表明SSD算法的平均分类准确率为86.6%、平均回归精度为67.4%、误检病灶区域数为11；Faster-RCNN算法平均分类准确率为90.20%、平均回归精度为74.6%、误检病灶区域数为3；Faster-RCNN优化算法的平均分类准确率为93.7%、平均回归精度为79.8%、误检病灶区域数为0。从以上三个方面表明，Faster-RCNN优化算法检测效果最好。 （3）肺部X光图像处理的Web服务平台搭建。通过Web技术将多种肺部X光图像的处理模型整合在一个系统内。用户通过Internet即可实现对于肺部X光图像的处理。结果表明，该Web平台的前端页面功能明确，交互性友好，具有很强的可操作性和稳定性，并且该平台在精度和效率方面都满足实际需求。实验证明，Web服务平台以互联网作为媒介，不仅可以消除不同地域之间的医疗水平的差异，而且可以帮助非专业的病理医生分担相关专业医生的压力，更好的为肺炎患者提供医疗服务。
NETL