于靜汶　朱東弼

摘 要 醫(yī)療影像AI是未來(lái)智能醫(yī)療發(fā)展的重要部分。因而基于深度神經(jīng)網(wǎng)絡(luò)的肺部結(jié)節(jié)自動(dòng)檢測(cè)方案研究是未來(lái)醫(yī)療影像AI的研究熱點(diǎn)之一。本文分析現(xiàn)有的肺部結(jié)節(jié)自動(dòng)檢測(cè)方案及存在的問(wèn)題，并提出一種基于深度神經(jīng)網(wǎng)絡(luò)的肺部結(jié)節(jié)自動(dòng)檢測(cè)的新的研究方案，即將傳統(tǒng)方法與深度學(xué)習(xí)方法相結(jié)合，前期預(yù)處理部分采用傳統(tǒng)方法進(jìn)行，后期網(wǎng)絡(luò)模型中采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)方法（將改進(jìn)的VGGNet網(wǎng)絡(luò)模型和改進(jìn)的ResNet網(wǎng)絡(luò)模型級(jí)聯(lián)）。運(yùn)用新的研究方案來(lái)提高檢測(cè)準(zhǔn)確率，對(duì)促進(jìn)醫(yī)療的發(fā)展具有重要的意義。

關(guān)鍵詞 肺結(jié)節(jié);自動(dòng)檢測(cè);深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN929.5 文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.02.051

0 引言

近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，肺癌的發(fā)病率、致死率已位列常見(jiàn)惡性腫瘤的第1位，且隨著我國(guó)人口老齡化，罹患肺癌的總?cè)藬?shù)呈現(xiàn)持續(xù)升高態(tài)勢(shì)[1]。循證醫(yī)學(xué)數(shù)據(jù)顯示，早期肺癌5年的生存率顯著高于中晚期肺癌，故早發(fā)現(xiàn)、早診斷及早治療是改善預(yù)后的重要途徑。肺癌的早期表現(xiàn)形式是肺結(jié)節(jié)，因此肺結(jié)節(jié)的檢測(cè)對(duì)于早期肺癌的確診有著重大的幫助。傳統(tǒng)肺結(jié)節(jié)的檢測(cè)方法是醫(yī)生通過(guò)肉眼觀察肺部的數(shù)百?gòu)圕T圖像切片來(lái)找出每一張CT圖像切片中是否含有肺結(jié)節(jié)，然而較微小的肺結(jié)節(jié)在CT影像上看與血管較為相似，容易遺漏，因此醫(yī)療影像輔助診斷就顯得尤為重要。故幫助醫(yī)生準(zhǔn)確快速地檢測(cè)出肺結(jié)節(jié)是在未來(lái)智能醫(yī)療領(lǐng)域醫(yī)療影像AI方向中需要解決的問(wèn)題之一[2]。本文分析現(xiàn)有的肺結(jié)節(jié)檢測(cè)中出現(xiàn)的問(wèn)題，并在此基礎(chǔ)上提出新的新的解決方案。

1 智能醫(yī)療領(lǐng)域中肺結(jié)節(jié)檢測(cè)方案分析及存在的問(wèn)題

在智能醫(yī)療的大環(huán)境下，肺結(jié)節(jié)的檢測(cè)研究主要分成了兩個(gè)方向：機(jī)器學(xué)習(xí)檢測(cè)肺結(jié)節(jié)以及深度學(xué)習(xí)的方法檢測(cè)肺結(jié)節(jié)。

機(jī)器學(xué)習(xí)檢測(cè)肺結(jié)節(jié)就是在數(shù)據(jù)量較少的情況下由專家手動(dòng)標(biāo)記像素值，形狀，紋理等特征。深度學(xué)習(xí)檢測(cè)肺結(jié)節(jié)需要大量的數(shù)據(jù)，該方法可以從數(shù)據(jù)中直接獲取更高等級(jí)的特征，深度學(xué)習(xí)削減了對(duì)每一個(gè)問(wèn)題設(shè)計(jì)特征提取器的工作。在智能醫(yī)療發(fā)展的大環(huán)境下，采用何種肺結(jié)節(jié)檢測(cè)方法將直接影響肺結(jié)節(jié)檢測(cè)的準(zhǔn)確率。

在早期的肺結(jié)節(jié)檢測(cè)當(dāng)中，研究人員主要集中在借助結(jié)節(jié)類型的病理知識(shí)提取鑒別形態(tài)特征，并應(yīng)用相對(duì)簡(jiǎn)單的線性分類器，如logistic回歸或支持向量機(jī)（Lee等[3]人提出基于改進(jìn)模板匹配技術(shù)的螺旋CT肺結(jié)節(jié)自動(dòng)檢測(cè)，Ye等[4]人提出了在胸部CT圖像中基于形狀的肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)的方法）。對(duì)于肺結(jié)節(jié)的傳統(tǒng)檢測(cè)技術(shù)，主要是運(yùn)用基于傳統(tǒng)的機(jī)器學(xué)習(xí)的方法。該方法流程較煩瑣，更多的是利用人工設(shè)計(jì)的特征，制約了算法的性能。

近年來(lái)，伴隨著醫(yī)療影像大數(shù)據(jù)趨勢(shì)的發(fā)展以及深度神經(jīng)網(wǎng)絡(luò)在單一框架下學(xué)習(xí)層次特征表示和分類識(shí)別的流行和成功，越來(lái)越多的研究學(xué)者借助深度學(xué)習(xí)的方法來(lái)解決肺結(jié)節(jié)檢測(cè)的問(wèn)題。Ross Gruetzemacher等[5]人使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)肺實(shí)性結(jié)節(jié)進(jìn)行良惡性判別，最終通過(guò)10層隱藏層的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)肺結(jié)節(jié)進(jìn)行檢測(cè)，準(zhǔn)確率為82.10%。Shelia Ramaswamy等[6]人利用現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet，GoogleNet等對(duì)15562張肺部CT進(jìn)行了識(shí)別，準(zhǔn)確率為89.6%。劉家寶[7]利用CNN識(shí)別肺結(jié)節(jié)的良惡性屬性，以殘差網(wǎng)絡(luò)為主干網(wǎng)絡(luò)，在置信度閾值選取為0.58時(shí)，實(shí)現(xiàn)了90.8%的準(zhǔn)確率。WANG[8]提出了一種基于多視角卷積神經(jīng)網(wǎng)絡(luò)（MV-CNN）的方法，該網(wǎng)絡(luò)利用全連接層整合了三條卷積神經(jīng)網(wǎng)絡(luò)分支，可有效地對(duì)多種肺結(jié)節(jié)檢測(cè)。

這些方法的共同特點(diǎn)是敏感性高，特異性低，識(shí)別率不高，研究空間大。上述不同類型的算法從不同的角度對(duì)肺結(jié)節(jié)進(jìn)行了檢測(cè)，不同的算法各有優(yōu)劣、各有側(cè)重點(diǎn)，但這些算法對(duì)于提高假陽(yáng)性肺結(jié)節(jié)檢測(cè)率以及一些難例肺結(jié)節(jié)的檢測(cè)，仍存在一些缺陷目前并沒(méi)有得到解決。

現(xiàn)階段研究學(xué)者們檢測(cè)肺結(jié)節(jié)大部分都是直接采用端到端的檢測(cè)方式。如果將病例圖片先用傳統(tǒng)方法進(jìn)行肺實(shí)質(zhì)分割處理后再用深度學(xué)習(xí)方法進(jìn)行肺結(jié)節(jié)的檢測(cè)可以大大減少后續(xù)操作并且有效的彌補(bǔ)在檢測(cè)肺結(jié)節(jié)中僅采用以上算法而導(dǎo)致的缺點(diǎn)。通過(guò)應(yīng)用該改進(jìn)算法可以提高檢測(cè)肺結(jié)節(jié)的準(zhǔn)確率，有效解決了一些難例肺結(jié)節(jié)難以檢測(cè)或檢測(cè)出假陽(yáng)性肺結(jié)節(jié)的情況。

2 新的肺結(jié)節(jié)檢測(cè)方案探討

2.1 病例圖像預(yù)處理（肺實(shí)質(zhì)分割）

由于肺部組織結(jié)構(gòu)復(fù)雜，同時(shí)受低劑量CT掃描設(shè)備的影響，肺部CT圖像還存在高噪聲和偽影現(xiàn)象，這些問(wèn)題一定程度上影響了肺實(shí)質(zhì)分割的準(zhǔn)確性。為了減少上述因素對(duì)分割準(zhǔn)確性的干擾，需要對(duì)病例CT圖像做濾波操作（高斯濾波）和去噪操作（ROF去噪）以及圖像增強(qiáng)操作。

為了減少檢測(cè)區(qū)域，節(jié)省運(yùn)算時(shí)間，提高準(zhǔn)確率，在肺部疾病的計(jì)算機(jī)輔助診斷中，肺實(shí)質(zhì)的正確分割尤為重要。首先對(duì)病例圖像進(jìn)行全局閾值的操作，對(duì)連通區(qū)域標(biāo)記獲取輪廓，利用基于閾值的改進(jìn)算法去除氣管、肺液等干擾，分離肺實(shí)質(zhì)與背景，運(yùn)用區(qū)域生長(zhǎng)法對(duì)左右肺葉粘連的情況進(jìn)行有效分離，并提取最大連通區(qū)域，然后進(jìn)行孔洞填充與掩膜相減操作，剔除面積小于1000的連通區(qū)域后，用掩膜乘原圖即可得到肺實(shí)質(zhì)分割圖像。

2.2 改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)算法檢測(cè)肺結(jié)節(jié)

改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)算法檢測(cè)肺結(jié)節(jié)可以包含兩個(gè)階段：（1）肺結(jié)節(jié)候選檢測(cè)，（2）假陽(yáng)性抑制。

在第一個(gè)階段肺結(jié)節(jié)候選檢測(cè)中該方法的基本特征提取的網(wǎng)絡(luò)是VGG卷積神經(jīng)網(wǎng)絡(luò)。在較大的肺部圖像中檢測(cè)較小的結(jié)節(jié)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。肺結(jié)節(jié)的最小直徑約為3毫米，最大尺寸約為30毫米，屬于圖像中非常小的物體。由于肺結(jié)節(jié)的這一特點(diǎn)，在使用CNN進(jìn)行肺結(jié)節(jié)檢測(cè)時(shí)，感受野的選擇對(duì)肺結(jié)節(jié)的檢測(cè)具有重要的意義。經(jīng)過(guò)一系列的卷積和匯集，感受野變大。由于小的特征圖不能清晰地表示結(jié)節(jié)的特征，會(huì)導(dǎo)致其檢測(cè)ROI區(qū)域受到限制。故在改進(jìn)過(guò)程中要使卷積層的特征圖大一些。

神經(jīng)網(wǎng)絡(luò)的一個(gè)普遍的規(guī)律是：淺層網(wǎng)絡(luò)的感受野小，提取到的是局部特征，深層網(wǎng)絡(luò)感受野更大，提取到的是一些物體級(jí)別的高語(yǔ)義特征，對(duì)于識(shí)別目標(biāo)尤為重要，決定了模型的表達(dá)能力。故在第一個(gè)階段肺結(jié)節(jié)候選檢測(cè)中改進(jìn)VGG網(wǎng)絡(luò)模型，把由淺到深的兩個(gè)VGG模型級(jí)聯(lián)，做到可以由粗到細(xì)的篩選候選肺結(jié)節(jié)。

在第二個(gè)階段中之所以采用ResNet網(wǎng)絡(luò)模型作為假陽(yáng)性抑制模型的基本特征提取網(wǎng)絡(luò)，是因?yàn)楫?dāng)網(wǎng)絡(luò)變得越來(lái)越深的時(shí)候，訓(xùn)練的準(zhǔn)確率會(huì)趨于平緩，為了解決這一問(wèn)題，引入殘差塊。然后把改進(jìn)后的Resnet模型和VGG模型進(jìn)行級(jí)聯(lián)，可以提高假陽(yáng)性肺結(jié)節(jié)檢出率。

該改進(jìn)后的方案可以有效地解決一些難例肺結(jié)節(jié)難以檢測(cè)或檢測(cè)出有假陽(yáng)性肺結(jié)節(jié)的情況。并且可以減輕放射科醫(yī)生的負(fù)擔(dān)，為醫(yī)生提供了更客觀更準(zhǔn)確地診斷結(jié)果，具有重要的臨床應(yīng)用價(jià)值和研究意義。

3 結(jié)論

本文分析了智能醫(yī)療領(lǐng)域中現(xiàn)有的肺結(jié)節(jié)自動(dòng)檢測(cè)方案以及存在的問(wèn)題，以此為基礎(chǔ)，提出并討論了一種全新的肺結(jié)節(jié)檢測(cè)方案。該方案運(yùn)用傳統(tǒng)方法對(duì)病例圖像進(jìn)行了預(yù)處理操作（肺實(shí)質(zhì)分割），并改進(jìn)已有的卷積神經(jīng)網(wǎng)絡(luò)對(duì)肺結(jié)節(jié)進(jìn)行檢測(cè)，可以提高難例肺結(jié)節(jié)的檢出率，為智能醫(yī)療打下了夯實(shí)的基礎(chǔ)。

參考文獻(xiàn)

[1]鄒小農(nóng)，中國(guó)肺癌流行病學(xué)，中華腫瘤防治雜志，2007，14（2）;881-883.

[2]R.LSiegel，K.D.Miller，A Jemal，Cancer statistics，2016，CA，Cancer J，Clin.2016.

[3]Lee Y，et al Automated detection of pulmonary nodules in helical CT images based on an improved template-matching technique.IEEE Transactions on Medical Imaging， 20（7）（2001）， pp. 595-604.

[4]Ye X，et al Shape-based computer-aided detection of lung nodules in thoracic CT images.IEEE Transactions on Biomedical Engineering，56（7）（2009），pp.1810-1820.

[5]Gruetzemacher R，Gupta A.Using deep learning for pulmonary nodule detection&diagnosis[J].2016.

[6]Ramaswamy S，Truong K.Pulmonary Nodule Classifica tion with Convolutional Neural Network[J].2018.

[7]劉家寶.CT肺結(jié)節(jié)診斷的計(jì)算機(jī)輔助系統(tǒng)研究[D].北京：首都醫(yī)科大學(xué)，2017.

[8]WANG S ZHOU M，GEVAERT O，et al A multi-view deep convolutional neural networks for lung nodule segmentation[C].Proceedings of AnNual International Conference of the IEEE Engineering in Medicine and Biology Society，2017：1752-1755.