理解自动肺炎分类：基于胸部X光的深度学习方法

### 理解自动肺炎分类：基于胸部 X 光的深度学习方法 在医疗诊断领域，利用胸部 X 光图像进行疾病分类是一项重要的研究课题。近年来，深度学习模型在基于图像的疾病分类中取得了显著进展，同时，对模型决策过程的解释性也受到了广泛关注。 #### 相关工作 - **疾病分类**：基于深度学习的模型，如卷积神经网络（CNNs），在图像疾病分类中表现出色。例如，Abbas 等人提出的 DeTraC 方法，用于区分 COVID - 19 和正常的 X 光图像，准确率达到 95.12%。Ozturk 等人的 DarkCovidNet 模型，对 COVID - 19 进行自动诊断，二元分类和多分类的准确率分别为 98.08% 和 87.02%。Wang 等人的 COVID - Net 方法，检测非 COVID - 19 病毒感染、细菌感染和健康患者胸部 X 光图像中的异常，总体准确率为 92.6%。不过，这些方法存在图像样本数量少和胸部区域定位不精确的问题。Mangal 等人和 Haghanifar 等人提出的方法，提高了模型预测的定位准确性，并生成显著性图来验证结果。 - **深度学习模型的可解释性**：科学界对理解神经网络决策过程的兴趣日益浓厚。一些方法通过采样最大化隐藏单元激活的图像块、反向传播来识别或生成显著图像特征，以可视化 CNN 的行为。还有研究者通过生成信息热图（如 Gradient - weighted Class Activation Mapping，GradCAM）或层相关传播来解释神经网络决策。但这些方法生成的热图基本是定性的，不足以明确检测到的概念。利用视觉表示的语义解释方法，将图像分类预测的证据分解为语义可解释的组件，有所改进。 #### 提出的方法 - **分类**：由于 COVID - 19 肺炎的症状可能与其他呼吸道疾病（如结核病）相似，准确区分它们至关重要。提出的方法基于多疾病分类和视觉解释两部分。使用 CNN 进行多疾病分类，训练依据是 COVID - 19 和结核病肺炎两种症状相似的疾病。为了对患者进行分类，使用并比较了 DenseNet 121、DenseNet 169 和 DenseNet 201 三种神经网络。DenseNet 网络由密集块组成，旨在改善 224×224 输入图像的信息流。具体来说，对于 3×3 卷积层，输入的每一侧零填充一个像素以保持特征图大小不变。两个连续密集块之间的层是过渡层，包含 1×1 卷积和 2×2 平均池化。在每个 3×3 卷积之前引入 1×1 卷积作为瓶颈层，以减少输入特征图的数量，提高计算效率。最后应用全局平均池化和 softmax 分类器。 |网络名称|卷积（Conv）|密集块（DB）|过渡层（TL）|分类层（CL）| | ---- | ---- | ---- | ---- | ---- | |DenseNet 121|有|有|有|有| |DenseNet 169|有|有|有|有| |DenseNet 201|有|有|有|有| - **视觉解释**：使用 GradCAM 识别输入图像中解释多分类结果的视觉特征。GradCAM 利用流入 CNN 最后卷积层的梯度信息为每个神经元分配重要性值。对于感兴趣的类别 c，设 yc 为神经网络的原始输出。GradCAM 执行以下三个步骤： 1. 计算 yc 相对于卷积层特征图激