【2020研电赛】基于深度可分离残差网络的新冠肺炎医学影像诊断系统 by 薪火团队

为大家分享第十五届研电赛进入总决赛的Arm命题作品：基于深度可分离残差网络的新冠肺炎医学影像诊断系统 by 山东中医药大学薪火团队

基于深度可分离残差网络的新冠肺炎医学影像诊断系统

薪火队-作品与人员合影.png
参赛单位：山东中医药大学
参赛队伍：薪火
指导老师：刘静李明
参赛队员：冯毅博张宁宁张欢

作品简介

新型冠状病毒肺炎肆虐全球，控制疫情的关键是将新冠肺炎患者应收尽收，阻断病毒的传播路径。核酸检测的检测时间较长，不利于早期防疫，各个国家开始使用医学影像作为诊断依据，但大量的医学影像对一线医生产生了极大的负担，使用人工智能技术可以帮助医生减轻这一负担。为了更加快速地诊断新冠肺炎(COVID-19)，本文提出一种深度可分离残差网络 DWResNet，首先对传统的深度可分离卷积进行改进，使用 Leaky ReLU 代替 ReLU作为深度可分离卷积的激活函数，Leaky ReLU 能够更好地保存特征信息，其次以传统的深度可分离残差网络 ResNet34 为基础，使用改进后的深度可分离卷积替换传统卷积，降低网络的参数量，使得在资源有限的嵌入式开发板上更快地运行卷积神经网络模型，实验证明，改进后的 DWResNet 模型参数量较少，相较传统的 ResNet34 模型，参数量减少了 46.9%，具有最优异的分类效果。

本作品同时支持对 X 光图像和 CT 图像的诊断，可以对新冠肺炎、病毒性肺炎和正常三种类别的 X 光影像进行诊断和分析，对新冠患者和非新冠患者两种类别的 CT 影像进行诊断和分析。在 X 光的实验中，由于 X 线图像的对比度差，亮度低等问题，本作品使用限制对比度自适应直方图均衡化算法(CLAHE)对 X 线图像进行预处理。将处理好的图像输入 DWResNet 网络进行训练，为了进一步评估本文模型的有效性，另外引入 VGG16 和 ResNet18 进行比较。在 CT 实验中，由于数据集中所含图像较少，首先使用数据增广(data augmentation)的方法增加数据量，本文使用图像上下翻转、图像左右翻转和变换图像对比度三种方法对图像进行增广。使用图像左右、上下翻转的方式可以模拟影像学医生通过不同视角观察、分析病灶部位。将处理后的数据输入网络进行训练。本文使用三种评价指标进行模型评估分别是准确率、敏感度和特异性，从实验结果可以看出，本文模型具备更快的运行速度和优异的分类效果。

在硬件设计部分，本文使用 EAIDK-310 平台进行开发。本作品的硬件中还包括电源、摄像头、显示屏、鼠标、键盘、蜂鸣器报警模块和指示灯模块，系统会根据诊断类型的不同，做出相应的提示。

算法介绍

卷积神经网络
ResNet 网络
深度可分离卷积
改进的深度可分离残差网络

以ResNet34分类网络作为基础，加入改进的深度可分离卷积，在保证准确率的同时，有效地降低模型参数量。使用改进后的算法能够加快分类模型在嵌入式开发板上的诊断速度，帮助偏远地区和不发达国家进行疫情防治，对新冠肺炎患者早诊断、早隔离、早治疗。

作品创新

支持两种图像采集输入方式，功耗低、速度快、具有一定的扩展性。
在算法上进行创新，加入深度可分离卷积代替传统卷积，可以有效地降低参数量，加快运行速度。
同时支持对三种X光图像和两种CT图像的诊断，满足不同地区的不同需求。
在诊断出患者所患疾病类型的同时，给出所患疾病的诊断概率，帮助医生进行综合判断。
人机交互体验良好，具备蜂鸣器报警功能和指示灯提示功能。
使用深度学习算法对新冠肺炎医学影像进行诊断，使得医学与工学相融合，工中有医、医为工用。

硬件设计

本作品选用 EAIDK-310 平台进行开发，EAIDK-310 预装 Linux 操作系统与嵌入式深度学习框架，并支持 Andriod 系统，有 USB 和 HDMI 接口。EAIDK-310 开发平台支持多种深度学习框架直接部署，支持层融合、量化等网络性能优化策略，提供扩展接口自定义算子，结合摄像头、显示屏、蜂鸣器和指示灯等外设完成作品设计。

本作品的硬件中还包括电源、摄像头、显示屏、鼠标、键盘、蜂鸣器报警模块和指示灯模块.首先启动设备，接通电源，打开显示屏，进入操作界面。进入模式选择部分，通过鼠标和键盘输入指令，进入不同的图像获取模式。两种图像获取模式如下：

(1) 摄像头获取：将摄像头对准 X 光或 CT 图像，系统会自动捕捉图像，并进行疾病诊断。

(2) 预存图像获取：选取预存的 X 光或 CT 图像，直接输入系统进行诊断。之后开始诊断，系统设置有提示音，在听到“滴”的一声后，系统开始诊断。系统根据不同的疾病类型，亮起对应颜色的指示灯，并发出不同速度的警报声；同时，在显示屏显示预测概率。

硬件展示图