Transformer 在医学图像分类中的应用

这篇文章的重点是Vision Transformer（ViT）及其在实际问题中的应用。Transformer架构已经成为自然语言处理任务的事实标准。什么是Vision Transformer（ViT）？ViT架构基于图像表示，将图像表示为一组补丁。图像补丁是大小为16x16像素的非重叠图像块。例如，在分辨率为224x224的图像中，有(224 / 16) (224 / 16) = 14  14 = 196个补丁。图像补丁与NLP应用中的令牌（单词）一样对待。ViT将每个补丁表示为其像素的平坦线性投影，并使用长度为768的补丁嵌入向量进行操作（16x16x3 = 768）。下图显示了ViT的完整架构：

ViT架构Transformer的主要部分包括：补丁 + 位置嵌入准备、编码器、池化（多层池化头）。

1. 补丁 + 位置嵌入是从输入图像像素中形成的矩阵，大小为196 x 768（每个补丁位置有768个值的向量，在图像大小为224 x 224时有196个补丁）。在零位置，添加了一个随机初始化的具有768个值的向量，因此补丁 + 位置嵌入是大小为197 x 768的矩阵。

2. 编码器包含一系列多头注意块，后跟标准化层和多层池化块。Transformer编码器是ViT的主要部分，它根据它们的类别从训练相似性的补丁序列。它包含一系列线性、标准化和激活层。大小为197 x 768的嵌入矩阵被转换以表示补丁之间的交互，并表示它们的类值。此矩阵的零位置行是类令牌（768个值的向量），它被用作以下池化块的输入。

3. 池化块最终将类令牌（768个值的向量）转换为感兴趣的类别的嵌入向量的输出。此块中还使用了线性和激活层。

Hugging Face中的ViT实现理解实践

让我们看看Hugging Face的基本ViT模型，使用以下代码块：

安装：

!pip install torchvision
!pip install torchinfo
!pip install -q git+https://github.com/huggingface/transformers.git

导入：

from PIL import Image
from torchinfo import summary
import torch

Google云硬盘挂载（对于Google Colab）：

from google.colab import drive
drive.mount('/content/gdrive')

Cuda设备设置：

device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')

在下面的代码中，我查看了ViT基本模型：

from transformers import ViTConfig, ViTModel
configuration = ViTConfig()
print(configuration)

默认基本模型配置如下：

ViTConfig {
"attention_probs_dropout_prob": 0.0,
"encoder_stride": 16,
"hidden_act": "gelu",
"hidden_dropout_prob": 0.0,
"hidden_size": 768,
"image_size": 224,
"initializer_range": 0.02,
"intermediate_size": 3072,
"layer_norm_eps": 1e-12,
"model_type": "vit",
"num_attention_heads": 12,
"num_channels": 3,
"num_hidden_layers": 12,
"patch_size": 16,
"qkv_bias": true,
"transformers_version": "4.37.0.dev0"
}

通过更改配置的字段，我们可以创建一个自定义的ViT模型。让我们尝试默认的ViT基本模型：

model = ViTModel(configuration).to(device)
model.eval()

在输出中，我们可以看到所有ViT基本模型的层次结构。

模型summary：

summary(model=model, input_size=(1, 3, 224, 224), col_names=['input_size', 'output_size', 'num_params', 'trainable')

ViT基本模型有大量的参数，超过8600万。让我们看看模型输出结构。我向模型发送了一个随机生成的虚假图像：

x = torch.randn((3, 224, 224))
x = torch.unsqueeze(x, 0)
y = model(x.to(device))
print(y.pooler_output.shape)
print(y.last_hidden_state.shape)

在输出中，我们可以看到：

torch.Size([1, 768)
torch.Size([1, 197, 768)

ViT基本模型的最终输出包含两部分：last_hidden_state，形状为（batch_size，197，768），这是模型.pooler部分之前模型.embeddings + model.encoder + model.layernorm（见图1）的输出；pooler_output，形状为（batch_size，768），这是模型.pooler的输出。在模型.pooler块的输入中，有一个规范化的last_hidden_state矩阵的零位置行，该矩阵在先前步骤中获得。下图说明了逐步调用块（上述）的等价性以及通过一次调用整个模型获取模型输出：

如果我们在图2中同时运行左侧代码和右侧代码，并使用相同的输入张量x进行打印，我们将看到相同的输出张量。理解ViT块及其输出结构对使用ViT进行迁移学习的解决方案的开发非常重要。Model.pooler块更改为自定义块，并使用先前块的ViT模型的推理进行训练。

Hugging Face中提供了两个用于图像分类的预训练ViT模型：

1. 在ImageNet-21k上预训练（包含1400万张图像和21k个类别的集合）；

2. 在ImageNet上微调（也称为ILSVRC 2012，包含130万张图像和1000个类别的集合）。

微调在ImageNet上的分类器架构（ViTForImageClassification）包含model.pooler块而不是model.pooler块，仅包含以下线性层：

(classifier): Linear(in_features=768, out_features=1000, bias=True)

这一层的输入是规范化的last_hidden_state矩阵的零位置行。

ViT与CNN的对比

1. CNN模型从图像中获取所有局部特征，并将整体特征集合视为整个图像进行分类。它被训练为基于所有特征计算图像的类标签。ViT将图像视为一组补丁，并考虑补丁的位置。它被训练为计算补丁嵌入之间的相似性，并决定“相似”补丁的类标签，即ViT架构包含分割的概念。

2. ViT模型具有大量参数（在上面的summary中为8600万），并且需要大型数据集以获得良好的性能。CNN模型可以适应不同大小的数据集，并且可能需要相对较少的参数以获得良好的性能。

ViT如果从头开始在小型自定义数据集上表现不佳。小型自定义数据集的使用案例是使用在大型数据集上预训练的ViT模型进行迁移学习。

ViT用于X射线胸部图像分类 —— 实际实验

在这一部分，我回到了我用CNN解决的任务，并在这里进行了描述。我使用相同的X射线胸部图像数据集。该数据集包含三类图像：

我使用了统一的裁剪图像，其中包含胸部区域。裁剪图像的示例（从左到右为“正常（无肺炎）”、“肺炎-细菌”、“肺炎-病毒”）：

该数据集被分为训练集和测试集。训练集包含3000张图像，其中包括1000张“正常（无肺炎）”、1000张“肺炎-细菌”和1000张“肺炎-病毒”图像，从各自的组中随机选择。其余的图像构成测试集，因此包含2908张图像，其中包括576张“正常（无肺炎）”、1777张“肺炎-细菌”和555张“肺炎-病毒”图像。

CNN vs ViT用于2类分类器“正常（无肺炎）”/“肺炎（细菌或病毒）”

我使用X射线数据解决了以下任务：创建一个系统，该系统可以确定输入的X射线胸部图像属于“正常（无肺炎）”类还是“肺炎（细菌或病毒）”类，即2类分类器，使用ViT。我已经使用包含3个卷积块的CNN实现了解决方案，该模型在这里进行了描述。这个模型在这个数据集中是CNN模型中效果最好的。3卷积模型的summary如下：

该模型包含348,050个参数，比ViT模型的参数要少得多。请注意，对于CNN模型，我使用分辨率为256x256的图像。在这里，我尝试使用在ImageNet-21k数据集上预训练的ViT模型，并对X射线图像进行微调。

模型1：在经过ViT处理的输入图像之后添加“小型”线性分类器

首先，我尝试最简单的解决方案，即一个线性层，其输入是从last_hidden_state矩阵中的零位置行中获取的向量，该向量具有768个值。这种最终拟合方式适用于ImageNet数据集上具有1000个类别的图像分类器。

加载预训练的ViT模型+图像处理器：

from transformers import ViTConfig, ViTModel
from transformers import AutoImageProcessor
 
 
image_processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224-in21k")
model = ViTModel.from_pretrained("google/vit-base-patch16-224-in21k")

以下代码显示了将最初以PIL Image形式存在的一张图像预处理为来自预训练ViT模型的类令牌向量（768个值）的过程：

img = <load PIL Image>
 
 
inputs = image_processor(img, return_tensors="pt")
 
 
with torch.no_grad():
    outputs = model(**inputs)
 
 
img = outputs.last_hidden_state
img = img[:, 0, :]

注意：我假设二维图像将被发送到torch DataLoader，该DataLoader会向图像批次添加批次维度。

一批经过处理的输入图像，形状为(batch_size, 1, 768)，被发送到以下模型：

class ChestClassifier(nn.Module):
def __init__(self, num_classes):
super(ChestClassifier, self).__init__()
self.num_classes = num_classes
self.ln = nn.Linear(768, self.num_classes)
def forward(self, x):
x = nn.Flatten()(x)
x = self.ln(x)
return x
 
 
model1 = ChestClassifier(2).to(device)

该“小型”分类器模型的summary：

summary(model=model1, input_size=(1, 1, 768), col_names=['input_size', 'output_size', 'num_params', 'trainable')

“小型”分类器模型仅包含1,538个参数。

我使用Adam优化器和学习率为0.001。训练使用了3000张图像，测试使用了2908张图像。我使训练批次保持平衡（每类约50%的图像）。在下图中，比较了CNN架构（其结果已在此处获得并呈现）和上述model1的结果。在下面的结果中，“Class 0”表示“正常（无肺炎）”，“Class 1”表示“肺炎（细菌或病毒）”。对于两个模型，我选择了最佳检查点：

ViT微调与“小型”线性分类器的结果明显不如CNN架构的结果。我认为这些结果的原因有以下几点：医学图像与ViT模型训练时使用的ImageNet数据非常不同，并且我的“小型”线性分类器的可训练参数数量不足以使迁移学习结果优于CNN模型结果。

如何改进模型呢？首先，我可以使用整个预训练的补丁位置状态——ViT输出的整个last_hidden_state——来微调分类器。其次，我可以尝试使用可训练参数更多的更复杂的分类器模型。

模型2：在经过ViT处理的输入图像之后添加“大型”线性分类器

与model1相比，我改变了输入PIL图像的预处理方式，以获取预训练ViT模型的整个转置last_hidden_state矩阵。该矩阵形成我的分类器模型的输入：

img = <load PIL Image>
inputs = image_processor(img, return_tensors="pt")
with torch.no_grad():
outputs = model(inputs)
img = outputs.last_hidden_state.permute(0, 2, 1)
img = img.squeeze()

注意：我使用`img.squeeze()`来去除单个图像的批次维度，因为我假设它将被发送到torch DataLoader，该DataLoader会向图像批次添加批次维度。一批经过处理的输入图像，形状为(batch_size, 768, 197)，被发送到以下模型：

class ChestClassifierL(nn.Module):
def __init__(self, num_classes):
super(ChestClassifierL, self).__init__()
self.num_classes = num_classes
self.ln1 = nn.Linear(197, 256)
self.relu = nn.ReLU(inplace=True)
self.ln2 = nn.Linear(768256, self.num_classes)
def forward(self, x):
x = self.ln1(x)
x = self.relu(x)
x = nn.Flatten()(x)
x = self.ln2(x)
return x
model2 = ChestClassifierL(2).to(device)

该“大型”分类器模型的summary：

summary(model=model2, input_size=(1, 768, 197), col_names=['input_size', 'output_size', 'num_params', 'trainable')

“大型”分类器模型包含443,906个参数。

我使用Adam优化器和学习率为0.001。下图显示了CNN架构（其结果已在此处获得并呈现）与上述model2的结果的比较。在下面的结果中，“Class 0”表示“正常（无肺炎）”，“Class 1”表示“肺炎（细菌或病毒）”。对于两个模型，我选择了最佳检查点：

使用“大型”分类器的ViT微调显示出比CNN更好的性能！这个结果的原因不仅仅是可训练参数数量的增加，还考虑了整个补丁位置信息。分割概念对医学图像非常重要，因为它们可能包含特定问题的异常区域。

在下面，我展示了ViT在另一个分类器上的正面趋势——用于不同类型肺炎的分类器：“肺炎-细菌”和“肺炎-病毒”。我在训练集中有1000张“肺炎-细菌”图像加上1000张“肺炎-病毒”图像，并在测试集中使用1777张“肺炎-细菌”图像加上555张“肺炎-病毒”图像。因此，训练集包含2000张图像，测试集包含2332张图像。我比较了具有3个卷积块的相同CNN架构和相同的ViT加model2组合，如上述分类器“正常（无肺炎）”/“肺炎（细菌或病毒）”。在下面的结果中，“Class 0”表示“肺炎细菌”，“Class 1”表示“肺炎病毒”。对于两个模型，我选择了最佳检查点：

我在之前的帖子中已经展示过，区分不同类型的肺炎质量较好是困难的。无论如何，上述结果显示，与CNN相比，ViT微调解决方案的性能更好。

Model3：用于自定义输入分辨率的ViT微调

在上面讨论的所有示例中，我比较了在分辨率为256x256的输入图像上训练的CNN模型与ViT微调结果，其中ViT预训练模型需要分辨率为224x224的输入图像。在本文中，我找到了在更高分辨率上进行迁移学习的解决方案：预训练模型的输出大小应根据更高分辨率的嵌入位置进行更改，然后将其发送到使用新分辨率进行微调的模型。一张224x224的图像有196个补丁，而ViT的last_hidden_state分辨率为197x768。一张256x256的图像有256个补丁，ViT的last_hidden_state分辨率应为257x768。因此，为了微调输入分辨率为256x256的ViT，我需要将last_hidden_state矩阵调整为分辨率257x768，并使用这个矩阵继续训练。

让我们在实践中尝试一下。输入PIL图像的预处理如下：

img = <load PIL Image>
inputs = image_processor(img, return_tensors="pt")
with torch.no_grad():
outputs = model(inputs)
img = outputs.last_hidden_state.permute(0, 2, 1)
# 新的补丁位置嵌入分辨率
img = transforms.Resize((768, 257))(img)
img = img.squeeze()

注意：我使用`img.squeeze()`来去除单个图像的批次维度，因为我假设它将被发送到torch DataLoader，该DataLoader会向图像批次添加批次维度。

一批经过处理的输入图像，形状为(batch_size, 768, 257)，被发送到以下模型：

class ChestClassifierL256(nn.Module):
def __init__(self, num_classes):
super(ChestClassifierL256, self).__init__()
self.num_classes = num_classes
self.ln1 = nn.Linear(257, 256)
self.relu = nn.ReLU(inplace=True)
self.ln2 = nn.Linear(768256, self.num_classes)
def forward(self, x):
x = self.ln1(x)
x = self.relu(x)
x = nn.Flatten()(x)
x = self.ln2(x)
return x
model3 = ChestClassifierL256(2).to(device)

该模型的summary：

summary(model=model3, input_size=(1, 768, 257), col_names=['input_size', 'output_size', 'num_params', 'trainable')

我已尝试将model3用于2类分类器“正常（无肺炎）”/“肺炎（细菌或病毒）”。下图显示了输入分辨率为224x224的model2与输入分辨率为256x256的model3的结果比较。在结果中，“Class 0”表示“正常（无肺炎）”，“Class 1”表示“肺炎（细菌或病毒）”。对于两个模型，我选择了最佳检查点：

分辨率变化的结果在与224x224非常不同的分辨率上更为明显。

结论

ViT推断和微调模型的适当组合可能会提高分类器的性能，即使在如医学图像这样非常特定的数据集上也是如此。

·  END  ·

HAPPY LIFE

本文仅供学习交流使用，如有侵权请联系作者删除