1.摘要

        COVID-19是一种由肺炎感染导致的传染病，截至2020年4月底，已在全世界造成23万多人死亡。在短短几个月内，由于其高传播率，已在全球感染了400多万人。因此，许多政府已尽最大努力提高医院的诊断和确诊能力，以便尽早发现该疾病。然而，在大多数情况下，该检测结果仅在一两天后才能够反馈，这直接增加了由于延迟诊断而导致的疾病传播问题。因此，可以借助X射线等现有工具快速筛查方法帮助减轻大规模诊断测试的负担。胸部 X 射线检测是诊断肺炎症状的最佳方式之一，而肺炎症状也是 COVID-19 的主要症状之一。因此，本文提出了一种轻量级深度学习模型，以准确筛查COVID-19肺炎的可能性。该模型基于14层卷积神经网络(CNN）和改进的空间金字塔池化模块（SPP)，通过使用SPP的并行池层替换原始网络的最后几层来嵌入多尺度特征向量，实现的模型对各种输入尺度图像具有鲁棒性，能够适应各种大小的X射线图像，并捕获其中的图像特征。所构建的模型结构具有对多尺度输入图像进行特征提取的能力，使其能够识别各种严重程度的COVID-19疾病。根据实验结果，所提出的SPP-COVID-Net得到了0.946的精度，最后本文将该模型应用到系统页面，做了一个可用于分类不同类型肺炎的轻量级检测网站，医生可以立即运行，以便自动执行筛查过程。

2.数据集介绍

        实验中将要使用与网上公开数据集相同的数据用于验证SPP-COVID-Net模型的性能。该数据集是基于来自不同国家的在线数据库构建的。在完整数据集中包括219例确诊阳性COVID-19患者的胸部X光图像，1341张正常人肺部图像和1345张其他类型的病毒性肺炎图像。每个X射线图像的分辨率为1024*1024。其数据展示如下所示(完整源码\数据联系525894654)：

3.模型介绍

        SPP-COVID-19模型是一种用于肺炎类型的检测模型，即将检测任务转换为分类任务，可将X射线图像分为三类（COVID-19，正常和其他类型的病毒性肺炎）。该网络由14层普通CNN和一个SPP模块组成。完整的网络架构如图所示，前14层传统卷积池化之后将进行SPP池化操作，SPP 模块不执行卷积操作，而是仅使用多个最大池化结构进行特征的下采样。在实验中，执行三个池化操作，池化窗口大小为4x4，6x6和7x7，每个池化输出将被展平为一个特征向量，然后将每个特征向量连接成一个长向量。最后，SPP-COVID-19模型使用SoftMax激活函数将图像分类到各自的类中。模型参数结构如下所示：

实现代码：

def SPPCovidNet(class_no,input_height,input_width): 
    input_images=tf.keras.layers.Input(shape=(input_height,input_width,3))
    x = tf.keras.layers.Conv2D(8,(3,3),strides=(1,1),padding='same',use_bias=False)(input_images)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.MaxPooling2D((2,2),strides=(2,2))(x)
    x = tf.keras.layers.Conv2D(16,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.MaxPooling2D((2,2),strides=(2,2))(x)

    #first triple
    x = tf.keras.layers.Conv2D(32,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(16,(1,1),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(32,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.MaxPooling2D((2,2),strides=(2,2))(x)

    #second triple
    x = tf.keras.layers.Conv2D(64,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(32,(1,1),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(64,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.MaxPooling2D((2,2),strides=(2,2))(x)

    #third triple
    x = tf.keras.layers.Conv2D(128,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(64,(1,1),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(128,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.MaxPooling2D((2,2),strides=(2,2))(x)

    #fourth triple
    x = tf.keras.layers.Conv2D(256,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(128,(1,1),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)
    x = tf.keras.layers.Conv2D(256,(3,3),strides=(1,1),padding='same',use_bias=False)(x)
    x = tf.keras.layers.BatchNormalization()(x)
    x = tf.keras.layers.LeakyReLU(alpha=0.1)(x)

    #ending network
    L1 = tf.keras.layers.MaxPooling2D((7,7),strides=(1,1),padding='valid')(x)
    L2 = tf.keras.layers.MaxPooling2D((6,6),strides=(1,1),padding='valid')(x)
    L3 = tf.keras.layers.MaxPooling2D((4,4),strides=(1,1),padding='valid')(x)
    FL1 = tf.keras.layers.Flatten()(L1)
    FL2 = tf.keras.layers.Flatten()(L2)
    FL3 = tf.keras.layers.Flatten()(L3)
    x = tf.keras.layers.Concatenate(axis=1)([FL1,FL2,FL3])
    x = tf.keras.layers.Dense(class_no,activation='softmax')(x)

    # Create model.
    model=tf.keras.models.Model(inputs=input_images,outputs=x)
    return model

 4.实验结果及应用

        在Python平台上使用Kera2.2.4、TensorFlow1.12等依赖包进行编码实现。Adam 优化器用于训练分类交叉熵损失函数，其中 epoch 为100，学习率为 0.0001。Minibatch 大小为 64。总的实验结果如图所示：

      为了进行性能比较，测试了六个更轻量级的深度学习模型，其中包括MobileNetV1 ，MobileNet V2，MobileNet V3 等。每种算法都经过了5倍交叉验证测试，我们的SPP-COVID-Net得到了最佳平均准确度为0.946。

      训练后的模型进行保存参数，并使用flask进行API的部署。网页界面实现如下所示：

 5.结论

         综上所述，与基准方法相比，所提出的SPP-COVID-Net已经实现了良好检测精度，其精确度在[0.938，0.957]范围内。SPP-COVID-Net的优势可以归因于SPP模块集成而能够处理多尺度特征。

参考

1.D. Cao, H. Yin, J. Chen, F. Tang, M. Peng, R. Li, et al., "Clinical analysis of ten pregnant women with covid19 in wuhan china: A retrospective study", International Journal of Infectious Diseases, vol. 95, pp. 294-300, 2020.

2.T. Ozturk, M. Talo, E. A. Yildirim, U. B. Baloglu, O. Yildirim and U. R. Acharya, "Automated detection of covid-19 cases using deep neural networks with x-ray images", Computers in Biology and Medicine, vol. 121, pp. 103792, 2020.