38

极术小能手 · 6月9日

【2020研电赛作品分享2】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

  1. 卷积神经网络
  2. ResNet 网络
  3. 深度可分离卷积
  4. 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
image.png

技术流程图

image.png

未来展望

  • 收集更多种类的医学影像数据,扩展本系统的判断范围,增加诊断的准确率。
  • 深入偏远地区,实地感受当地的防疫需求,对系统进行进一步改进。
  • 进一步改进算法,降低模型的大小,使得系统诊断速度更快,诊断效果更好。
  • 加入云技术,使得采集到的医学影像能够实时上传,并在云端进行专家会诊。

作品视频

https://aijishu.com/l/1110000000210832

温馨提示:本作品非开源,商务联系EDUweixin@armchina.com
38 阅读 470
推荐阅读
0 条评论
关注数
1464
内容数
15
基于Arm技术竞赛作品的分享,欢迎交流~
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
Arm中国学堂公众号
关注Arm中国学堂
实时获取免费 Arm 教学资源信息
Arm中国招聘公众号
关注Arm中国招聘
实时获取 Arm 中国职位信息