19、深度学习在胸部疾病分类及基于唇读的移动设备语音增强系统的应用

深度学习在胸部疾病分类及基于唇读的移动设备语音增强系统的应用

胸部疾病分类的深度学习方法

在医疗诊断领域，胸部X光检查是全球最常见的放射学检查类型，也是医学诊断中多分类问题的一个具有挑战性的例子。然而，公开可用的医学数据集普遍短缺，限制了深度学习在该领域的发展。同时，像ImageNet或COCO这样的数据集预处理可能引入意外偏差，使得学习迁移在临床环境中更难实现。

问题陈述

这是一个多分类问题，通过X光图像识别和分类8种可能的胸部疾病。数据从ChestX-ray8数据集中提取，并使用卷积网络进行训练分类。在训练过程中，深度学习面临的一个大问题是过训练或过拟合。

为解决这个问题，常用的数据增强（D.A.）方法被提出。即通过对现有样本应用各种随机变换来生成更多训练数据，以产生可信的图像。数据增强过程可以显著减少验证损失，如图1所示，对比了两个相同卷积网络，一个未使用数据增强，另一个使用该策略的训练和验证数据损失函数图。不过，如果在实施数据增强策略时不考虑图像质量，训练中的一些不良示例可能会导致卷积网络模型不理想。

解决方案

与其他分类数据集相比，ChestX-ray8数据集中疾病在图像中所占的空间范围较小，在计算能力有限的情况下会影响卷积网络的性能。研究中，作者将X光图像从DICOM文件中提取出来，先调整到1024×1024像素（原尺寸为3000×2000），因硬件限制，进一步将修改后数据集的图像大小减小到224×224像素，仍取得了令人满意的结果。

• 提出的架构 ：研究中实现的卷积网络架构较为简单，由5个卷积层和3个全连接层组成，参数数量仅为25