本文是一篇医学论文，本论文使用颅内出血CT图像、COVID-19胸片图像以及心脏左心室短轴位MRI图像，应用深度学习方法对心脑肺医学图像进行识别与分割，发现深度学习具有较高识别准确率与精细的分割效果，可以为医院临床诊断上述疾病提供参考，提高诊断效率，节约人工手动计算临床指标的时间，进一步推进人工智能辅助诊疗。
第一章绪论
1.1研究背景与意义
作为人工智能学科下的一个分支，深度学习（Deep Learning,DL），近五年内发展迅速，取得成果颇丰，在诸多领域内都有重大突破，比如语音识别、自然语言处理与利用深度学习解码蛋白质结构等[1-3]。计算机视觉亦是深度学习研究重要领域，近年来取得较多成果，具体应用多为基于卷积神经网络的图像处理，包括图像识别、图像分割与目标检测等[4-9]。但是，针对这些具体任务开发出来的深度学习模型，绝大多数是在生活中的自然图像上进行实验。当模型运用到对比度较差、分辨力较小的医学图像中时，难度与阻力均不小，因此将深度学习应用至医学影像中，为医疗赋能，逐渐成为研究热点。
伴随着时代科技的进步，医疗设备也在逐渐更新迭代，适应症越来越广，可以检查的部位也越来越多，随之而来的就是医学图像的增多，与之相对应的人工量化分析，人工依据图像显示信息进行精准诊断以及大量需要人工干预的图像后处理也随之急剧上升。举例来说，当面对颅内出血（intracranial hemorrhage，ICH）时，临床手术介入针对ICH五种亚型常采取不同应对措施，又因ICH一般发病急骤，发病至接受精准治疗的时间长短决定了愈后效果，故对五种亚型的精确且快速诊断为临床介入提供准确参考尤为重要。因此，应用新兴技术辅助人工诊断，将在国际图像识别大赛中具有较高识别准确率的深度学习网络应用于医学图像，进行图像识别，降低误诊率，对实际临床有重要意义。又比如临床在诊断心脏方面的疾病史，往往需要计算一些评估指标，例如心房心室的面积大小、心肌厚度、心脏的解剖位置等，但这些常规指标仍然需要人工在获得的影像中进行手动勾画，再交由各大厂商配备的后处理工作站计算得出。目前各个学科的交叉，为研究人员提供了新的思路。将一些经典的被公认为有效的网络进行适用于医学图像的创新改进，进行图像分割，使一些临床中繁琐的人工操作让深度学习网络模型自动完成，可以节约人工手动勾画的时间，提高诊断效率最终推进人工智能辅助诊疗
1.2国内外研究历史与现状
在深度学习以前，让计算机完成一些如图像识别的任务，依然是经典机器学习算法为主，例如最近邻算法、支持向量机（SVM）等[23]。直到2012年，深度学习模型刷新了以往的图像识别准确率记录，之后各式各样的网络结构，不同参数设置的模型开始问世，识别准确率的记录被不断刷新提高。
据LeCun等的报道，卷积神经网络（Convolution Neural Network，CNN）最早提出于二十世纪八十年代初[24]。在识别手写数字体时，表现出了很高的准确率，并且后续成功商用于识别邮件中手写的邮政编码。不过受限于当时的计算机硬件设施和算力水平的低下，CNN并没有引起很大的关注且在其他方向没有什么实际应用与突破，从而进入了一段长期的人工智能寒冬。CNN真正在图像识别领域取得突破性进展直至AlexNet的提出[25]，并且在国际图像识别大赛中在ImageNet数据上大幅度超越传统机器学习算法从而一举夺冠。而如今CNN不仅在图像识别领域，且在计算机视觉（Computer Vision）整个领域大放异彩，表现出巨大潜力，离不开以下三点的发展：1）GPUs强大的计算能力使深度学习模型训练过程得以有效执行。2）Rectified Linear Unit(ReLU)函数的提出，使模型更快拟合且取得好的效果。3）大量公开可获取的大数据优势，例如大型图像数据集ImageNet。
CNN之所以在图像识别中表现出高的分类准确率，其中之一就得益于其设计巧妙的卷积操作，其较小的感受野（Receptive Field）能提取到很精细的图像特征，不过与此同时也存在一些局限。与数学意义中的卷积概念计算过程不同，CNN中的卷积实际指的是卷积核（Kernel，或者Filter）与前一层网络提取到的特征图（Feature Map）进行加权求和操作。
第二章颅内出血CT图像识别研究
2.1材料与方法
2.1.1数据收集与预处理
回顾性分析广西壮族自治区人民医院2018.3-2020.3收治的患者。在ICH病例中，以2位拥有十年以上工作经验的放射科医师出具的诊断报告为标准，将出血层面图像单独提取出来，其中EDH 398张图像、IVH 497张图像、CPH 415张图像、SAH 443张图像、SDH 501张图像，颅内出血图像共2254张。同时收集头颅CT平扫图像诊断为正常的病例的图像，随机的提取各个层面，以保证泛化性，共514张图像。用于本研究的数据集共计2768张图像。相关信息与病例临床信息如表2-1所示。
五种颅内出血亚型和正常类别部分病例图像如图2-1所示。本研究统一将CT图像数据调整为512 x 512像素尺寸，JPG格式，采用后处理工作站实现。然后将数据集按照80%、10%、10%划分训练集、验证集、测试集，且随机打乱，保证泛化性。其中训练集2214层图像，用于训练网络模型参数；验证集277层图像，用于防止网络过拟合，调节模型超参数；测试集277层图像，用于评估模型真实效果。
整套数据共收集四个不同CT设备，相关设备参数设置一致，CT设备信息及参数设置如表2-2所示。
2.2结果
ResNet-18与DenseNet-121网络模型在测试集上的准确率分别为89.64%和82.5%。ResNet18模型识别EDH、IVH、CPH、SAH、SDH与正常图像的敏感性分别为98%、85%、80%、81%、93%、100%；特异性分别为88%、91%、91%、91%、89%、87%。DenseNet121模型识别EDH、IVH、CPH、SAH、SDH与正常图像的敏感性分别为86%、73%、76%、81%、85%、98%；特异性分别为81%、85%、84%、83%、82%、79%。如表2-3所示。
计算(敏感性+特异性)/2指标，并以此指标与以往同类型的研究做结果对比，如表2-4所示。ResNet18模型识别EDH、SAH、SDH的(敏感性+特异性)/2值分别为0.93、0.86、0.91。
两个模型的AUC值均大于0.9。ResNet18模型与DenseNet121模型的ROC曲线图分别见图2-5与图2-6。
第三章COVID-19胸片图像识别研究..........................21
3.1材料与方法.............................................21
3.1.1数据收集与预处理...............................22
3.1.2网络模型......................22
第四章心脏左心室短轴位MRI图像分割研究...................................30
4.1材料与方法................................30
4.1.1数据收集与预处理..................................30
4.1.2网络模型.................................31
第五章总结与展望...................................36
第四章心脏左心室短轴位MRI图像分割研究
4.1材料与方法
4.1.1数据收集与预处理
收集200张心脏左心室短轴位MRI图像，随机提取5张图像作为测试集，剩余图像数据按照80%、20%划分训练集、验证集。训练集用于训练网络模型参数，验证集用于防止网络过拟合，调节模型超参数，测试集用于评估模型真实效果。本研究将图像调整为256×256像素尺寸，JPG格式，采用后处理工作站实现。如图4-1所示。
使用Labelme开源软件进行人工手动数据标注，将心房与心室的心腔区域手动勾画作为目标区域，其余视为背景区域，得到与原图对应的掩码（Mask）图。见图4-2。
第五章总结与展望
针对颅内出血需要快速精确的区分出五种不同亚型的需求，以及在实际临床中常受限于专业放射医师缺乏等因素，人工存在一定误诊率。应用新型深度学习算法基于现实实际收集的颅内出血CT图像数据，使计算机完成快速的类别判断，可以辅助临床诊断。本文选取ResNet18、DenseNet121模型，且采用数据增强与迁移学习训练策略。以(敏感性+特异性)/2作为评估指标，ResNet18模型在识别EDH、SAH、SDH的值分别为0.93、0.86、0.91，超越以往同类型研究报道结果。两个模型识别颅内出血的AUC值均在0.9以上，表现出了较好的鲁棒性，然而DenseNet121模型对IVH的识别敏感性较低。本研究采用的两个深度学习模型对其它头颅类疾病的泛化性与数据集规模仍有局限，下一步需应用更多不同结构的深度学习模型且扩充数据集，探究其对于其它头颅类疾病的诊断价值，将来落地应用为临床中诊断头颅类疾病的辅助诊疗深度学习工具。
在COVID-19、肺炎与正常胸片图像识别中，由于COVID-19胸片图像的影像学表现与其他类型肺炎相比差别细微，以往传统的深度学习模型网络结构难以达到更高的识别准确率，需针对COVID-19疾病设计特定的网络结构，故本文提出的轻量级且带有注意力机制的AMResNet模型，通过引入注意力机制模块，在测试集中的准确率可以达到94.9%，敏感性与特异性分别为94%、91.3%。在使用类激活图可视化AMResNet模型的可信度时，发现模型用于判断具体类别所依据的图像区域，是相关疾病所对应的影像学表现差异部分，表明模型具有较高可信度。与以往同类型研究报道结果相比，准确率有所提高且数据集规模进一步扩充。然而数据量规模仍然较小，日后应收集更多COVID-19胸片图像，进一步验证深度学习模型的临床诊断应用价值。针对COVID-19特定的影像学表现，将来开发出具有更强特征学习的网络结构，在大数据的基础上进一步提高识别准确率，为医疗赋能。
参考文献（略）