新冠肺炎预试验

2022-03-09-新冠肺炎CNN预试验

目的

  1. 搭建一套可行的提取肺炎影像学特征的神经网络模型。

  2. 通过学习病毒性肺炎、社区获得性肺炎的特征，减少在拟合小数据样本的CMV肺炎时的训练时长及过拟合的概率。

方法

  1. 建立图像数据库：获取单中心开源的肺部CT图像，所有CT图像及诊断均由影像科医生审核并参考临床资料(CPR、痰培养等)给出标签。共收录社区获得性肺炎(CAP)4800张，新冠肺炎(covid19)13680张，正常肺CT图像11405张。分别随机抽取5000张新冠肺炎、正常肺CT与社区获得性肺炎组成平衡数据集，按照8：1：1的比例随机抽取组成训练集、验证集、测试集。

  2. 模型搭建与预训练：基于Tensorflow2.4 实现了经典mobilenet模型，并实现tensorboard可视化。集成在IMAGEnet数据集下预训练的模型。

    Table 3

    The structure of MobileNet v2

    | Layer(Funtions) | Output Shape | Stride | Filter shape | | —————————– | ————— | —— | —————– | | Input Layer | None,256,256,3 | / | / | | Conv1 (Conv+BN+ReLU6) | None,128,128,32 | 2 | 3 3 32 | | inverted_residual (Linear) | None,128,128,16 | 1 | 1 1 32 16 | | inverted_residual_1 (ReLU6) | None,64,64,24 | 2 | 3 
     3 16 24 | | inverted_residual_2 (Linear) | None,64,64,24 | 1 | 11 24 | | inverted_residual_3 (ReLU6) | None,32,32,32 | 2 | 3 
     3 24 32 | | inverted_residual_4 (Linear) | None,32,32,32 | 1 | 11 32 | | inverted_residual_5 (Linear) | None,32,32,32 | 1 | 11 32 | | inverted_residual_6 (ReLU6) | None,16,16,64 | 2 | 333264 | | inverted_residual_7 (Linear) | None,16,16,64 | 1 | 11 64 | | inverted_residual_8 (Linear) | None,16,16,64 | 1 | 11 64 | | inverted_residual_9 (Linear) | None,16,16,64 | 1 | 1
     164 | | inverted_residual_10 (Linear) | None,16,16,96 | 1 | 1  
     1 6496 | | inverted_residual_11 (Linear) | None,16,16,96 | 1 | 11 96 | | inverted_residual_12 (Linear) | None,16,16,96 | 1 | 1
     196 | | inverted_residual_13 (ReLU6) | None,8,8,160 | 2 | 33 96 160 | | inverted_residual_14 (Linear) | None,8,8,160 | 1 | 11 160 | | inverted_residual_15 (Linear) | None,8,8,160 | 1 | 11 160 | | inverted_residual_16 (Linear) | None,8,8,320 | 1 | 11160320 | | Conv (ReLU6) | None,8,8,1280 | 1 | 113201280 | | Global average pooling | None,1280 | 1 | Pool 88 | | Dropout | None,1280 | 1 | Probability = 0.2 | | Clssifier(ReLU) | None,2 | / | Classifier |

    !这是图片

  3. 正式训练：将预训练模型删除分类层，将训练集、验证集向量化，输入模型，初始学习率设置为1e-4，采用adam算法优化学习率，设置分类数为3，最大epoch为30。训练在云端一台搭载了tensorflow2.4的RTX2080ti(10G显存)、6E5cpu的服务器内实现。默认保存在验证集上表现最优的模型权重。

  4. 测试模型效能：在测试集上进行模型能力测试，计算准确率、召回率、正确率、假阳性率、F1分数等评价指标，绘出ROC曲线并计算曲线下面积。

结果

MobilenetV2在epoch 22达到train acc 0.98，train loss 0.02；val acc 0.99，val loss 0.04，停止训练,训练过程未见过拟合。

!这是图片

!这是图片

Table 2

| 类别 | 精确率 | 召回率 | FPR | F1score | | ——- | — | —- | —- | ——- | | covid19 | 91% | 100% | 9.7% | 98% |

Auc=0.998!这是图片