基于自适应辅助损失的CT图像新冠肺炎诊断算法研究

作     者：黄英杰 

作者单位：湘潭大学 

学位级别：硕士

导师姓名：胡凯

授予年度：2021年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 10[医学] 

主      题：新型冠状病毒肺炎 图像分类 类别不平衡 深度监督学习 自适应辅助损失 

摘      要：新型冠状病毒肺炎(COVID-19)的肆意蔓延对全世界人民的生命和财产安全带来了巨大威胁。胸部CT被认为是新冠肺炎诊断和后续治疗的有效工具之一。然而人工阅片费时费力,而且高度依赖医生的临床经验。深度学习作为一门新兴的方法,能有效地加快CT图像新冠肺炎诊断效率,因此受到越来越多的关注。但现有的可用于训练的新冠肺炎诊断数据集数量少,数据集中样本类别的多样性有限,且新冠肺炎CT图像的样本数量远小于正常样本数量,导致了类不平衡的问题。由于数据集中某些类别的数据丰富而另一些类别的数据稀少,使得分类算法难以学习判别类别边界。因此,基于不平衡数据训练鲁棒的深度神经网络是新冠肺炎诊断中的一项基础的且有挑战性的重要任务。本文针对CT图像新冠肺炎自动诊断问题展开深入研究,提出了一种深度学习算法模型。主要研究内容有:(1)本文设计了一种自适应的辅助损失(Self-Adaptive Auxiliary Loss,SAAL)对不平衡数据进行监督。该损失考虑了CT切片间数据重叠的影响,量化了有效样本数来作为交叉熵各类的权值,同时考虑了临床数据集中可能出现的噪声标签的问题,引入反向交叉熵。自适应损失中的参数均是通过网络自适应训练得到的,不需要任何手动调参过程。(2)本文提出了一种新型的基于自适应辅助损失的深度监督网络架构(Deep Su-pervised Network with a Self-Adaptive Auxiliary Loss,DSN-SAAL),用于解决类别不平衡下的新冠肺炎诊断问题。考虑到不同深度的网络可以学习到不同的特征表达,损失函数在网络的不同阶段的监督作用应该是不同的,体现在解决数据不平衡问题时对少数类的偏袒程度。DSN-SAAL在深度监督网络中构造了自适应辅助损失,有效地结合了网络各阶段不同类型特征的学习程度,促进模型中少数类特征的学习,从而更好地进行CT图像新冠肺炎诊断。(3)本文构建了一个新的新冠肺炎诊断数据集(命名为COVID19-Diag),包括来自225例临床病例的6982个CT切片,分为三类:新冠肺炎、正常和细菌性肺炎。本文在该数据集上进行了大量的实验,从整体以及各组分上分别验证了DSN-SAAL在不同程度的不平衡情况下的有效性。同时本文还在三个公开的新冠肺炎诊断数据集上进行了大量的实验。结果表明,DSN-SAAL算法的性能优于现有的方法,而且在泛化能力方面具有更显著的性能。