(山东协和学院,山东 济南250107)
[摘要] 近些年人工智能(AI)技术迅猛发展,尤其是深度学习,AI赋能医疗的产品层出不穷。在当今的医疗领域,已经显示出其在疾病诊断、治疗计划制定、患者监护和医疗资源管理等方面的巨大潜力。本文基于深度学习技术设计并实现了一款针对早期肺炎胸部X光图片进行辅助初步诊断的AI系统。系统基于Python语言,使用PyTorch深度学习框架下的YOLO目标检测算法进行模型训练并通过PyQt5开发可视的图形用户界面。通过训练算法使用大量肺部影像数据,能够自动识别肺部病变特征,从而辅助医生进行肺炎的早期诊断,在提高诊断的准确性,并加快诊断速度,同时降低误诊和漏诊的风险,为患者提供更好的医疗服务。
[关键词] AI医疗;深度学习;Python
1 引言
肺炎是一种由细菌、病毒或真菌等病原体引起的肺部感染,可导致发热、咳嗽、呼吸困难,甚至严重的呼吸衰竭。全球每年有数百万人被诊断出患有此类肺部疾病,其中约四百万人因肺炎而死亡。由于成本相对较低且成像质量合适,X光成像是许多患者进行早期肺炎诊断时的首选方法。
随着硬件技术的不断进步,特别是图形处理器(GPU)和专用AI芯片的发展,计算能力大幅提升且随着时间的推移,AI领域的算法和模型不断改进和演进,这使得训练和部署复杂的深度学习模型变得更加高效和可行。互联网的发展,也使得大数据的产生和收集变得更加便捷和廉价,为AI系统提供了更多的训练数据。
2 国内外研究现状
2.1 传统检测方法
早期人工智能在医疗影像的处理主要依赖于一些传统的图像处理技术和机器学习方法。通常基于一系列预定义的规则来分析图像,这些规则由医学专家根据其经验和医学知识制定,系统会根据这些规则来识别图像中的特定特征。
2.2 深度学习检测方法
现今计算机视觉在医疗领域应用越来越广,利用深度学习技术在疾病的分类与病灶的提取识别两方面应用是当下利用深度学习结合医疗影像最常见的应用领域。而冠脉、肺结节、骨折/骨龄以及眼底等部位是应用深度学习辅助诊断的主要部位。
在国内有70%左右的三级医院应用了人工智能产品,30%左右的二级医院应用了人工智能产品,目前多数的人工智能受限于准确度低、检测速度慢、实时性差以及不可解释性等问题仍无法做到完全替代人工诊断。
3 系统设计与实现
3.1 相关技术
语言采用Python,使用PyCharm进行开发,环境最低配置要求GPU(至少需要一块支持CUDA的NVIDIA显卡)内存(至少256GB的SSD),操作系统使用Linux或macOS,深度学习框架PyTorch。
3.2 数据集与数据预处理
(1)数据集
采用两份数据集。一份是来自广州市妇女儿童医疗中心,由PAUL MOONEY上传至Kaggle平台中,共计5,863个X射线图像,包含用于训练与测试的所有数据。另一份是来着RSNA肺炎检测数据集。如表1所示。
表1 肺炎检测数据集数据类别
(2)数据预处理
一是通过数据格式转换,完成RSNA初始数据集为DICOM格式到JPG格式的转换;二是数据增强优化,对肺炎X光图片进行尺寸调整、旋转变换、平移变换、水平翻转和垂直翻转变换等操作,以便于与深度学习模型进行兼容和有效训练。
3.3 深度学习模型开发
模型设计流程包括数据准备、数据预处理、模型训练等步骤,具体流程如下图1所示。模型开发采用改进YOLOv8算法模型完成。识别速度一直都是YOLO系列算法的强项,而对小目标的识别效果则是YOLO算法的弱项,小目标标注框分辨率低,分布密集易重叠而且检测易受图像背景及噪音干扰。通过添加可变形卷积可以提高卷积神经网络对不规则形状的目标物体的适应性,进而可以提高算法模型对小目标检测精度和识别效果。
3.4 系统实现
在经过前期针对肺炎检测的研究,本节对现有的检测系统进行分析并总结出肺炎检测系统应具备的主要功能模块有:静态检测、动态检测与诊断评估模块,静态检测包括图片检测与文件夹检测;动态检测包括视频检测与摄像头检测;诊断评估模块包括肺炎诊断与结果评估。如图2所示。
图1 流程图 图2 系统界面
[参考文献]
[1]赵东暄,段喜萍.基于EPSANet的肺部医疗图像识别[J].长江信息通信,2023,36(10):43-47.
[2]鲁昕,王斌.AI辅助胸部CT诊断病毒性肺炎的临床价值研究[J].影像研究与医学应用,2023,7(02):77-79.
[3]贾楠,马宁,吴燕等.“傻瓜式”医学影像深度学习分析平台的设计与开发[J].现代信息科技,2023,7(10):18-21.
作者简介:杨宇(2002.09-),男,计算机科学与技术2020级。
李晨曦(2002.11-),女,计算机科学与技术2023级。
指导老师:王红(1982.11-),女,副教授,研究方向:智能计算与协同技术