基于隨機森林的肺部腫瘤PET/CT圖像計算機輔助診斷方法研究*

2020-07-20 08:31:50劉敬霞

生物醫(yī)學工程研究 2020年2期

劉敬霞

(1. 衡水市第四人民醫(yī)院，河北衡水 053000；2.河北醫(yī)科大學，河北石家莊 050000)

1 引言

據統計數據顯示，目前我國的肺癌發(fā)病率以每年26.9%的速度増長。然而肺癌并非完全無法治愈，若在患者形成肺部腫瘤階段診斷出來，則有可能降低肺癌發(fā)病率。但由于腫瘤組織初期時，其特征很難通過PET/CT圖像顯示出來。當前常用的PET/CT計算機輔助診斷方法有基于神經網絡[1]、基于聚類分析和基于支持向量機[2]三種方法，這三種方法雖然可以一定程度上改善診斷性能，但與精確診斷的預期目標還存在一定差距,為此，本研究提出基于隨機森林的肺部腫瘤PET/CT計算機輔助診斷新方法。該方法首先對肺部腫瘤PET/CT影像進行預處理，提取PET/CT圖像中肺部腫瘤的病理特征，如紋理、形狀等，然后利用隨機森林算法判斷肺部腫瘤的良惡性，當腫瘤為惡性時，判斷其具體類別。通過仿真實驗測試該方法的有效性，在相同的實驗條件下，通過四種不同PET/CT計算機輔助診斷方法的診斷結果，對比其診斷性能。

2 基于隨機森林的計算機輔助診斷方法

PET/CT是一種將PET技術和CT集成為一體的新型影像設備，可最大限度滿足臨床各種疾病診療需求[3]。然而，現有的PET/CT設備也僅將診斷精度由30%提高到35%左右。因此，為提高PET/CT圖像的診斷準確性，本研究設計了一種計算機輔助診斷方法。

2.1 PET/CT圖像預處理

原始的PET/CT圖像中肺部腫瘤的病變組織特征成像不是很清晰，因此，需要對原始PET/CT圖像的灰度化、平滑和分割三項內容[4]進行預處理。

2.1.1圖像灰度化圖像灰度化是將彩色圖像轉換成像素值在0～255之間的圖像，即將其轉換成不同灰度程度的圖像，從而降低色彩對目標腫瘤最終成像的干擾。目前圖像灰度化方法主要有四種：

分量法：

Gray=B；Gray=G；Gray=R

(1)

其中，Gray為轉換后的灰度圖像的灰度值。R、G、B為彩色圖的三個分量。

最大值法：

Gray=max(B+G+R)

(2)

平均值法：

Gray=(B+G+R)/3

(3)

加權平均法：

Gray= 0.11B+ 0.59G+ 0.3R

(4)

2.1.2圖像平滑圖像平滑是去除圖像中的噪點，提高清晰度。本研究選擇小波去噪的方法進行圖像平滑處理，首先對圖像信號進行小波分解，然后對分解結果進行閾值量化，最后利用二維小波再次重新構建圖像信號，得到去噪后的圖像[5]。

2.1.3圖像分割肺部腫瘤圖像分割是將圖像劃分為若干個小區(qū)域，從而得到精確的腫瘤輪廓圖，這是圖像特征提取前最關鍵的一步。目前，對圖像分割有基于EM算法、基于閾值以及基于邊緣檢測的圖像分割等[6]。本研究針對PET/CT圖像的特點，采用基于平均密度投影和平移高斯模型的肺部腫瘤圖像分割新算法，算法基本流程見圖1。

圖1 PET/CT圖像分割基本流程Fig.1 Basic flow of PET/CT image segmentation

2.2 PET/CT圖像特征提取

PET/CT圖像特征提取是肺部腫瘤診斷的關鍵，直接影響肺部腫瘤圖像分類器的分類性能。需要提取的PET/CT圖像特征包括灰度、形態(tài)特征和紋理等，具體過程見圖2。

圖2 PET/CT圖像特征Fig. 2 PET/CT images features

圖2中，各參數從不同角度描述了PET/CT圖像的特征，但這些參數的量綱并不一致，因此，要進行特征歸一化處理將特征參數的取值范圍映射到預先設定的范圍內。本研究使用高斯歸一化方法將特征參數的取值范圍映射到[-1，1]區(qū)間內[7]。

2.3 基于隨機森林算法的肺部腫瘤識別

隨機森林建立后，向其中輸入新的樣本，將該樣本特征與隨機森林中每棵決策樹所代表的類別特征進行對比，判斷新樣本的類別，被選擇最多的類別即為該樣本的類別[8]。

建立決策樹在行采樣時，采用有放回的方式，以避免出現過擬合現象。即采集的訓練樣本中一部分是重復的，而列采樣需從M個特征中選擇前m個(m

圖3 隨機森林算法運行流程Fig. 3 Random forests operation process

利用隨機森林算法進行肺部腫瘤識別診斷，分為訓練與應用分類[10-11]兩個階段。訓練過程如下：

輸入：樣本數為n，類別為M的肺部腫瘤PET/CT圖像訓練集。

輸出：分類模型。

將肺部腫瘤PET/CT圖像訓練樣本分為兩類：多數類Z1和少數類Z2。

For每個基分類器j=1：S。

Step1：從多數類Z1中抽出與Z2相同數量的樣本，并與Z2混合，形成新的樣本集；

Step2：訓練隨機森林；

Step3：計算分類置信度；

Step4：當基分類器對任意樣本Zi正確分類時，Pij=1；當基分類器對任意樣本Zi錯誤分類時，Pij=-1。

end

根據分類器損失函數，優(yōu)化求解，求出分類器權重w。

應用分類過程如下：

輸入：待分類肺部腫瘤PET/CT圖像樣本。

輸出：肺部腫瘤PET/CT圖像樣本類別。

For每個待分類樣本。

Step1：利用訓練好的S個分類器進行種類識別[12]，得到類別概率值；

Step2：對得到的各個類別概率值進行加權求和，選擇最大概率值所對應的類作為待測樣本的所屬類別。

end

利用上述過程判斷肺部腫瘤良惡性。當腫瘤為惡性時判讀屬于哪一類別，實現基于隨機森林的肺部腫瘤PET/CT計算機輔助診斷方法的設計。

3 仿真實驗分析

3.1 實驗數據

從某醫(yī)院選出2014～2018年的68 956例肺部腫瘤患者，其中男性42 010例，女性26 946例。良性肺部腫瘤15 868例，其中男性占42.4%，女性占57.6%，有結構瘤、纖維瘤等。惡性腫瘤53 000例，其中男性占65.2%，女性占34.8%，有鱗癌、腺癌、原位腺癌、大細胞癌、大細胞神經內分泌腫瘤、小細胞肺癌等。其余肺部疾病88例，包括肺結核40例、肺部感染48例。