研究报告

研究作者与发表信息

这项研究题为“A cascade-seme network for covid-19 detection in chest x-ray images”，作者包括 Dailin Lv (The Key Lab of RF Circuits and Systems of Ministry of Education, Microelectronics CAD Center, Hangzhou Dianzi University, Hangzhou, China)，Yaqi Wang (College of Media Engineering, Communication University of Zhejiang, Hangzhou, China)，Shuai Wang (Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, National Institutes of Health Clinical Center, Bethesda, MD, USA)，Qianni Zhang (School of Electronic Engineering and Computer Science, Queen Mary University of London, UK)，以及 Wuteng Qi、Yunxiang Li 和 Lingling Sun (浙江电子科技大学)。本研究发表于 Medical Physics 杂志，2021年第48卷5期，并于2020年12月31日被接受，2021年3月29日正式发表。

研究背景与目的

新型冠状病毒 (SARS-CoV-2) 全球大流行对医疗资源和防疫手段带来了巨大挑战。COVID-19作为一种病毒性肺炎，其病理特征与其他病毒性肺炎存在相似性，但由于其高度传染性和多系统攻击性，及时准确的诊断能够减轻医疗系统压力并加速患者隔离。本研究致力于设计出一种快速、高效且准确的COVID-19检测技术——一种基于胸部X光图像的两级分类框架。研究目的在于优化对不同类型肺炎感染的识别，并在细粒度分类的基础上诊断COVID-19个案。

研究方法与工作流程

工作流程概览

研究设计了一种全新的Cascade-SEME（Squeeze-Excitation and Moment Exchange）网络架构，主要实现两级检测。首先是对胸部X光图像进行粗分类，将样本分为正常、细菌性肺炎和病毒性肺炎；接着，对病毒性肺炎进行细粒度分类，从中识别出COVID-19感染病例。研究使用了以下关键方法和创新技术：

1. Squeeze-Excitation (SE) 模块：通过引入网络中的注意力机制引导算法聚焦于图像中关键特征。
2. Moment Exchange (MOEX) 算法：通过特征维度的图像增强，提升网络对样本特征的提取能力。
3. Global Average Pooling (GAP)：优化感受野，提高网络对大尺寸输入图像的利用率。
4. Regional Learning (区域学习)：通过对病变区域的学习避免非病灶特征对网络训练的干扰。

数据集与预处理

研究使用了以下三个数据集：

1. Dataset 1：包含5859张X光图像，用于区分正常、细菌性肺炎以及病毒性肺炎图像。
2. Dataset 2：收录了COVID-19及其他病毒性肺炎患者的胸部X光图像。
3. U-Net Training Data：包含1000张带有肺部区域标注的胸部X光图像，专用于U-Net模型的肺部区域分割训练任务。

此外，研究解决图像噪声与边界模糊问题时应用了对比受限自适应直方图均衡化（CLAHE）。

两级网络架构

1. 第一级网络：粗分类 在第一级网络中，研究通过SE模块优化ResNet50和DenseNet169模型，分别对输入图像分为正常、细菌性肺炎和病毒性肺炎。通过寻找各类别的平均概率设置阈值，结果显示，SE模块显著提升了模型的分类性能，尤其是特异性和全数据集的AUC得分。此外，还发现添加GAP使模型对大图像输入的利用更加高效，并有效减轻了过拟合问题。

2. 第二级网络：细粒度分类 在第二级中，研究针对病毒性肺炎进一步区分COVID-19个案。使用CLAHE增强图像质量，并结合区域学习方法以减少非病灶区域对网络造成的干扰。当网络专注于肺部区域时，SEME结构的网络（如SEME-ResNet50和SEME-DenseNet169）表现出比传统模型更高的敏感性和特异性。

数据处理与分析

• 特征归一化与增强（Feature Normalization & Enhancement）: 使用MOEX增强方法混合不同类型样本的特征矩阵，使网络能够平滑不同类决策边界。
• 可视化分析: 研究使用Grad-CAM技术生成热图，显示网络识别的病灶区域，帮助临床医学专家更直观地解读预测结果。

实验与结果

实验数据分析

研究详细评估了多个网络（VGG19、ResNet50、DenseNet169）的表现，连续尝试添加GAP、SE和MOEX模块及区域学习方法后，新网络的分类能力显著增强：

• 正常病例的敏感性从61%提升至81% (SEME-ResNet50)。
• 病菌性肺炎分类的精确度显著提高至92.3%。
• 对COVID-19个案的ROC曲线AUC值最高可达0.998。

数据可视化与解读

Grad-CAM热图显示，模型对胸片分类的依据主要集中于肺部病灶区域。对于COVID-19个案，网络主要关注右下肺区域，其特征类似“磨玻璃影”（ground-glass opacities）和“气腔模糊”（airspace opacities）。

此外，研究通过Hash-Trac在三维空间可视化表征不同肺炎类型的特征聚类分布，发现细菌性肺炎和病毒性肺炎的特征界限较为清晰，而COVID-19与其他病毒性肺炎部分特征高度重叠。

研究结论与意义

本研究通过创新性的Cascade-SEME网络，在COVID-19及其他肺炎的影像学诊断方面取得了以下显著进展：

1. 技术价值: 提出了区域学习与特征增强结合的框架，有效提升了网络对小规模数据集的适应能力。
2. 临床意义: 提供了可视化的诊断依据（Grad-CAM热图），帮助临床医生快速定位病灶区域并支持其决策过程。
3. 科学贡献: 通过实验数据和统计学证明，SEME架构可以平衡敏感性和特异性，提升网络在医学影像分析中的可信度。

研究亮点

• 引入全新的Cascade-SEME框架，结合多模块（SE、MOEX、GAP）全面优化网络性能。
• 提出了区域学习方法，专注于病变区域，有效避免非病灶特征对模型的干扰。
• 提供了图像增强技术CLAHE的成功应用案例。
• COVID-19的细粒度分类准确率和敏感性显著提高，同时明确了其与其他肺炎病灶的特征差异。

本研究为探索医学影像分析中的深度学习优化方法提供了新思路，其对COVID-19的检测方法也为应对未来流行病可能带来的医学资源压力提供了可靠的解决方案。