『肺炎』深度学习判别新冠肺炎准确率达九成，《Radiology》收录研究成果( 二 ) |人工智能|算法|深度学习|

为了减少实验出现偏差的可能性，这些数据分属于六家不同的医院，同时将收录时间控制于2016年8月16日至2020年2月17日，其中COVID-19部分仅使用采集于2019年12月31日至2020年2月17日间的数据。
由于不同医院使用的CT设备厂家存在差异，所以本次实验所用的影像均从DICOM文件导出，所有CT切片厚度控制在0.5mm至3mm之间，图像矩阵大小为512*512 ，图像分辨率大小在0.29*0.29mm2到0.98*0.98mm2之间。

本文插图
Fig.1：算法流程图
Fig.1是本论文算法的整体流程图，主要包含四个步骤：
第一步，模型训练和测试数据库的构建。按照上述数据介绍进行处理。
第二步，是数据集的预处理，包含数据增广和肺部区域的分割。本论文采用基于U-Net架构的网络进行肺部区域的分割，以便去除非肺区域对后续检测算法的影响。
第三步，将预处理后的数据集输入到COVNet网络进行深度学习算法的训练。
第四步，对独立测试集进行预处理(肺部区域提取) ，输入到第三步中训练好的COVNet模型中进行预测分类。
科亚医疗将这个用于检测COVID-19的3D深度学习框架命名为COVNet 。这一卷积神经网络以Resnet50为主干，能够从输入CT影像中同时提取2D局部和3D全局代表性特征图（如Fig.2）。 COVNet使用最大池化层和全连接层来综合分析这些特征图，最终产生每种类型（COVID-19 ， CAP和非肺炎）的概率评分。

本文插图
Fig.2:新冠肺炎检测神经网络COVNet框架图 COVID-19：新冠肺炎；CAP：社区获得性肺炎；Non-Pneumonia：其他
统计与结果
统计数据显示，将COVNet应用在工作站（GPU NVIDIA Quadro M4000 8GB ， RAM 16GB和Intel Xeon Processor E5-1620 v4 @ 3.5GHz）上，每次CT检查肺炎预测所耗费的平均时间为4.51秒，远远快于医生单个CT影像组阅片速度。
而在检测准确度方面，算法对于COVID-19检测的灵敏度和特异性为90％与96％；对于CAP检测的灵敏度和特异性为87％与92％；而对于非肺炎影像，算法的灵敏度和特异性为94%与96% 。检测结果详见Table1 。

本文插图
Table1:深度学习框架COVNet在独立测试集上的性能
为了提高模型的可解释性，科亚医疗采用梯度加权类激活映射（Grad-CAM）方法，实现推动深度学习模型决策重要区域的可视化。以下三张图片(Fig.3a,Fig.3b,Fig.3c)分别以区域热图的方式展示了COVID-19、CAP与非肺炎三种情况之下，引导深度学习算法作出决策的区域。
通过这种方式，我们能够很轻易地了解深度学习关注的影像特征，而这些影像特征给研究人员具体研究COVID-19影像特性指出了明确的方向。

本文插图
Fig.3a COVID-19预测输出热图，红色突出显示与预测类别相关的激活区域

本文插图
Fig.3b CAP预测输出热图，红色突出显示与预测类别相关的激活区域
【『肺炎』深度学习判别新冠肺炎准确率达九成，《Radiology》收录研究成果】

本文插图
Fig.3c 非肺炎预测输出热图