Page 92 - 中国全科医学2022-14
P. 92

http://www.chinagp.net   E-mail:zgqkyx@chinagp.net.cn  ·1753·


           矩估计法（Adaptive Moment Estimation，Adam）     ［23］ 进    别信息，和样本级分类损失的联合优化在病毒形态诊断
           行优化，其中学习率为 1e-5 和权重衰减率为 5e-4。经                      任务中可以获得更好的结果。见表 3。
           实验验证，设置最大 Epoch 次数为 300，批处理规模为                          每个类别中的 top-1 错误率，横轴表示病毒类别，
           64。λ 1 ，λ 2 和 λ 3 分别为 0.3、1.0 和 0.1。L com 的参数       纵轴表示预测结果 top-1 错误率，结果见图 2。从图 3
           η 被设置为 5。此外，本文算法中使用的 RepVGG 模型                      可以看出腺病毒、星状病毒、刚果出血热病毒、流感病毒、
           已经在 ImageNet 上进行了预训练，以便更好地提取病                       马尔堡病毒、诺如病毒、轮状病毒和西尼罗河病毒其各
           毒图像特征。                                              自突出的形态特征均有着较低的错误率。相对而言，登
               为了定量评价病毒形态学诊断模型，本小节计算了                          革热病毒、埃博拉病毒和拉沙病毒的形状相似，容易混
           EGCN 在病毒图像数据上的 top-1 错误率、top-2 错误率、                 淆，导致错误率较高。此外，与其他方法相比，EGCN
           精确度和召回率作为性能指标，具体情况如下。                               模型在其他所有病毒类别中达到了最低的识别错误率，
               top-1 错误率：该度量计算测试图像中与真实标签                       证明了 EGCN 算法在病毒识别问题上的优越性。
           不同的预测标签的比例。                                             EGCN 的混淆矩阵如图 3 所示，其展示了 EGCN 算
               top-2 错误率：该度量计算测试图像中正确标签不                       法对不同类别样本的识别能力，EGCN 算法对腺病毒、
           在 top-2 预测标签中的比例       ［24］ 。                       星状病毒、刚果出血热病毒、牛痘病毒、流感病毒、马
               精确度：该指标表示模型预测为正确的样本中正确                          尔堡病毒、诺如病毒、轮状病毒和西尼罗河病毒的分类
           预测样本的比例。                                            是 100.00% 正确的。混淆矩阵的结果表明，EGCN 模型
               召回率：表示测试集中的样本被正确分类的比例。                          能够正确区分大多数病毒类别，对于形状相似的病毒可
           3.3 实验结果 为了验证本文提出的 EGCN 模型用于                        能会产生少量的混淆。
           病毒形态学诊断的性能，本节将 EGCN 算法与相关方                              此外，本小节利用二维 t- 分布随机邻域嵌入
           法进行了比较，包括 VGG-19            ［19］ ，ResNet-50 ［25］ ，  （t-distributed Stochastic Neighbor Embedding，t-SNE）
           DenseNet-101 ［26］ ，RepVGG-B3 ［20］  和 残差 混合 注意
           网 络（RMAN）     ［6］ 。 其 中，VGG-19，ResNet-50，
           DenseNet-101 和 RepVGG-B3 是在具有挑战性的图像识
           别任务中取得最佳结果的监督模型               ［27］ 。RMAN 通过在
           深度网络中加入改进的注意力模型，在病毒形态识别中
           取得了较好的效果。
               不同模型在不同评价指标上的实验效果显示：
           EGCN 方法分别达到了 3.40% 的 top-1 错误率，1.88%
           的 top-2 错 误 率，96.65% 的 精 确 度 和 96.60% 的 召 回
           率。由于训练集样本数量较少，过深的网络会因参数
           过多而导致过拟合问题。因此，在传统监督网络的实
           验中，VGG-19 和 RepVGG 模型比更深的 ResNet-50 和
           DenseNet-101 算法表现更好。与其他方法相比，EGCN
           算法在 top-1 错误率至少低 1.27%，在 top-2 错误率至
           少低 0.64%，精确度至少提高了 1.24%，召回率至少提
           高了 1.27%。表 3 得到的结果表明，EGCN 算法在 GCN                          图 2 所有对比方法中每个类别的 top-1 错误率
           的特征提取能力基础上，群体超分类挖掘了更丰富的类                              Figure 2 Top-1 error rates of each category in comparison methods


                                        表 3 不同模型对病毒形态分类的定量分析结果汇总（%）
                           Table 3 Summary of quantitative analysis results of virus morphological classification by different models
                      方法                    top-1 错误率             top-2 错误率           精确度            召回率
                     VGG-19                   14.67                  9.69              86.23          85.33
                    ResNet-50                 16.27                  13.89             84.87          83.73
                   DenseNet-101               17.33                  10.36             83.93          82.67
                     RepVGG                   12.27                  8.56              88.45          87.73
                      RMAN                     4.67                  2.52              95.41          95.33
                      EGCN                     3.40                  1.88              96.65          96.60
   87   88   89   90   91   92   93   94   95   96   97