增思濤，曹永春，林 強(qiáng)，滿正行，鄧 濤，王 茸

(1.西北民族大學(xué) 中國(guó)民族語言文字信息技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730030；2.西北民族大學(xué) 動(dòng)態(tài)流數(shù)據(jù)計(jì)算與應(yīng)用實(shí)驗(yàn)室，甘肅 蘭州 730030；3.甘肅省人民醫(yī)院 核醫(yī)學(xué)科，甘肅 蘭州 730020)

0 引言

肺是氣體交換的主要場(chǎng)所，對(duì)維持人體生命健康起著至關(guān)重要的作用.受環(huán)境污染以及個(gè)人不良生活習(xí)慣的影響，肺部疾病多發(fā)、頻發(fā)，主要包括肺血管病變及氣道病變.作為常見的肺血管病變，在我國(guó)肺栓塞(Pulmonary Embolism,PE)的死亡率位居第三位[1-2]，它是一種由內(nèi)源性或外源性栓子阻塞肺動(dòng)脈主干及分支引起的肺部呼吸功能障礙的疾病.因此，PE的早期診斷對(duì)及時(shí)治療和康復(fù)起到十分重要的作用.

在臨床醫(yī)學(xué)中，肺部疾病的檢測(cè)主要是有創(chuàng)檢查和無創(chuàng)估測(cè)兩種手段.作為常見的有創(chuàng)檢查手段，肺動(dòng)脈造影是PE診斷的金標(biāo)準(zhǔn)，但其操作復(fù)雜，同時(shí)存在引發(fā)并發(fā)癥及致死的風(fēng)險(xiǎn)，因而不宜反復(fù)檢查，不適宜作為療效評(píng)價(jià)的常規(guī)方法.常見的無創(chuàng)估測(cè)方法主要包括計(jì)算機(jī)斷層掃描(Computed Tomography,CT)、正電子發(fā)射斷層成像術(shù)(Positron EmissionTomography,PET)、磁共振(Magnetic Resonance Imaging,MRI)及SPECT放射性核素肺灌注顯像.其中，CT具有快速及分辨率高的優(yōu)點(diǎn)，但也存在輻射影響.當(dāng)前，PET在肺部疾病的臨床應(yīng)用主要用于惡性腫瘤的鑒別，同樣存在可能的輻射影響，不僅檢查費(fèi)用高，而且存在致癌風(fēng)險(xiǎn).SPECT放射性核素肺灌注顯像作為一種無創(chuàng)性的檢查方法，能夠依據(jù)肺血流受損的分布特點(diǎn)來診斷疾病和判斷病情嚴(yán)重程度，達(dá)到直接反映肺部整體病變的目的，具有對(duì)病灶區(qū)域敏感、易于觀察等優(yōu)點(diǎn)，而且操作簡(jiǎn)便、輻射劑量較低，在PE的臨床檢查中得到廣泛應(yīng)用[3].由于傳統(tǒng)臨床診療應(yīng)用SPECT進(jìn)行PE診斷時(shí)，需要醫(yī)生人工閱片，不僅效率較低，而且易受閱片醫(yī)生的臨床經(jīng)驗(yàn)、學(xué)識(shí)水平、工作狀態(tài)等主觀因素的影響，從而出現(xiàn)漏診和誤診的情況.

利用從歷史數(shù)據(jù)中提取出來的疾病特征，構(gòu)建基于機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)技術(shù)的計(jì)算機(jī)輔助診斷系統(tǒng)(Computer Aid Diagnosis,CAD)，可實(shí)現(xiàn)疾病的輔助診斷，在有效提升診斷效率的同時(shí)大大減少了漏診、誤診現(xiàn)象的發(fā)生.深度學(xué)習(xí)技術(shù)在腦部疾病、乳腺癌和肺結(jié)核等領(lǐng)域的應(yīng)用[4-6]已經(jīng)有了廣泛的研究.在腦部疾病研究中，Sarraf等[7]分別針對(duì)sMRI和fMRI使用LeNet-5模型對(duì)阿爾茲海默癥樣本進(jìn)行訓(xùn)練，分別得到了98.84%和96.85%的檢測(cè)準(zhǔn)確率.在乳腺圖像識(shí)別方面，Carneiro等[8]使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)乳房X光進(jìn)行分類研究，在檢測(cè)良惡性乳腺癌方面AUC超過0.9.在肺部圖像識(shí)別中，Shen等[9]使用多尺度卷積神經(jīng)網(wǎng)絡(luò)對(duì)肺結(jié)節(jié)CT圖像進(jìn)行訓(xùn)練，在檢測(cè)肺結(jié)節(jié)良惡性中分類準(zhǔn)確率達(dá)到86.8%.目前，研究人員利用深度學(xué)習(xí)技術(shù)在CT、X光和MRI圖像方面取得了一定的成績(jī).然而，在SPECT核醫(yī)學(xué)成像模態(tài)范疇下，基于深度學(xué)習(xí)的肺部疾病識(shí)別研究較少.

本文研究基于深度學(xué)習(xí)的SPECT肺灌注圖像分類識(shí)別，結(jié)合SPECT肺灌注圖像樣本數(shù)少、分辨率低、圖像數(shù)據(jù)變化范圍大等不同于一般圖像的特點(diǎn)，首先進(jìn)行歸一化、數(shù)據(jù)擴(kuò)展等預(yù)處理，其次基于ResNet模型在圖像分類領(lǐng)域的突出表現(xiàn)，在選用ResNet-50為分類模型的基礎(chǔ)上，引入遷移學(xué)習(xí)[10]和特征融合[11]方法有效提高了深度學(xué)習(xí)模型的分類效果.

1 肺灌注醫(yī)學(xué)圖像數(shù)據(jù)

核素肺灌注顯像通過靜脈注射放射性藥物，利用SPECT設(shè)備在病變組織與正常組織中探測(cè)到的放射量不同，從而使得圖像呈現(xiàn)差異性[12].本文所使用的數(shù)據(jù)均為2018年1月至12月在甘肅省人民醫(yī)院使用西門子SPECT-ECAM設(shè)備從SPECT肺灌注顯像中診斷各種生理疾病收集的數(shù)據(jù)，采集矩陣為128×128，數(shù)據(jù)保存格式遵循醫(yī)學(xué)數(shù)字成像和通信協(xié)議(Digital Image and Communications in Medical,DICOM).

1.1 數(shù)據(jù)收集及標(biāo)記

SPECT肺灌注數(shù)據(jù)由DICOM文件和對(duì)應(yīng)的診斷報(bào)告組成.原始數(shù)據(jù)集共包含340個(gè)DICOM文件，其中陰性150例，陽性190例.診斷報(bào)告是兩位核醫(yī)學(xué)科醫(yī)生在共同閱片的基礎(chǔ)下給出的診斷性建議結(jié)果.圖1為DICOM文件轉(zhuǎn)換后的陰性與陽性圖像.

圖1 肺灌注圖像

由圖1可以看出，在正常的(a)圖中，雙肺輪廓完整，雙肺肺尖及周邊稍顯減淡，其余部分分布均勻；在病變的(b)圖中，左肺中葉上段、左頂背段見楔形缺損，右肺中葉部分外側(cè)段、右肺中葉部分內(nèi)側(cè)段、右肺下葉部分前基底段見小楔形放射性缺損.

基于肺灌注圖像所呈現(xiàn)特征，本文結(jié)合診斷報(bào)告對(duì)原始圖像進(jìn)行標(biāo)注，陰性數(shù)據(jù)標(biāo)簽為0，陽性數(shù)據(jù)標(biāo)簽為1，并由三位核醫(yī)學(xué)專家對(duì)標(biāo)記結(jié)果進(jìn)行審核.

1.2 數(shù)據(jù)預(yù)處理

1.2.1 歸一化

SPECT肺灌注顯像數(shù)據(jù)最初存儲(chǔ)在DICOM文件中，文件中的每個(gè)分量值都是對(duì)預(yù)先注入患者體內(nèi)的放射性核素或同位素放射量(16位無符號(hào)整數(shù))的數(shù)字記錄，而不是像素值.SPECT肺灌注檢查產(chǎn)生的DICOM文件放射值不僅變化范圍大，而且存在明顯的個(gè)體差異.因此，需要在模型分類之前對(duì)放射值進(jìn)行變換處理.本文采用Min-Max標(biāo)準(zhǔn)化對(duì)DICOM文件做如下線性變換：

(1)

其中，xi表示圖像像素點(diǎn)值，max(x)和min(x)分別表示圖像像素的最大值與最小值.

1.2.2 數(shù)據(jù)擴(kuò)展

深度網(wǎng)絡(luò)模型對(duì)訓(xùn)練數(shù)據(jù)的量有較高的要求.因此，首先需要對(duì)已有數(shù)據(jù)做適度擴(kuò)充.考慮到原始數(shù)據(jù)集中可能存在的樣本不平衡，在數(shù)據(jù)擴(kuò)展時(shí)引入類間不等量擴(kuò)展.本文采用平移和旋轉(zhuǎn)兩種處理實(shí)現(xiàn)SPECT肺灌注數(shù)據(jù)的擴(kuò)展.此外，為了提升分類模型的可擴(kuò)展能力，數(shù)據(jù)擴(kuò)展階段相關(guān)參數(shù)的選擇以隨機(jī)方式確定.

平移：假如把(xI,yI)設(shè)置為輸入圖像內(nèi)的某個(gè)像素點(diǎn)，賦予其適當(dāng)?shù)钠揭凭嚯xΔx、Δy，經(jīng)過上述操作后得到像素點(diǎn)的坐標(biāo)(xO,yO)，得到平移計(jì)算公式(2)：

(2)

旋轉(zhuǎn)：假定(xI,yI)為輸入圖像中的像素點(diǎn)，給定旋轉(zhuǎn)角度θ∈[θ1,θ2]，其中θ1和θ2分別代表旋轉(zhuǎn)角度的下限和上限，其取值通過實(shí)驗(yàn)方式確定.圖像旋轉(zhuǎn)的計(jì)算公式(3)：

(3)

如圖2(a)為肺灌注原圖，圖2(b)為平移后的效果圖，圖2(c)為旋轉(zhuǎn)后的效果圖.

圖2 平移旋轉(zhuǎn)效果圖

采用上述處理方法本文對(duì)原始數(shù)據(jù)集進(jìn)行了處理，最終獲得13 600張肺灌注圖像組成的擴(kuò)展數(shù)據(jù)集，其中陰性5 680張，陽性7 920張.在分類實(shí)驗(yàn)中本文以8∶2的比例來劃分訓(xùn)練集和測(cè)試集，具體劃分情況見表1.

表1 擴(kuò)展后數(shù)據(jù)情況

2 基于SPECT肺灌注圖像的分類模型

基于深度神經(jīng)網(wǎng)絡(luò)的圖像分類性能與網(wǎng)絡(luò)的深度存在重要的關(guān)系.隨著深度神經(jīng)網(wǎng)絡(luò)層數(shù)的不斷提升，會(huì)產(chǎn)生梯度消失和網(wǎng)絡(luò)性能退化現(xiàn)象[13],為了解決這一問題，HE等[14]提出了殘差網(wǎng)絡(luò)(Residual Networks,ResNet).

ResNet網(wǎng)絡(luò)主要有ResNet-18、ResNet-34、ResNet-50、ResNet-101和ResNet-152等不同深度的ResNet模型，其主要差別表現(xiàn)在卷積層數(shù)的不同.ResNet模型采用多個(gè)小卷積核進(jìn)行特征提取，在圖像分類領(lǐng)域取得了很好的效果.本文選用ResNet-50為SPECT肺灌注圖像分類器，并通過遷移學(xué)習(xí)和特征融合方法來提高圖像分類效果.

2.1 ResNet-50結(jié)構(gòu)

ResNet-50將深層網(wǎng)絡(luò)模型構(gòu)建為淺層網(wǎng)絡(luò)模型和自身映射的增加層，把訓(xùn)練好的淺層結(jié)構(gòu)與自身映射的増加層通過殘差單元連接在一起，通過shortcut將輸入跨層傳遞，然后與經(jīng)過卷積后的輸出相加，達(dá)到充分訓(xùn)練底層網(wǎng)絡(luò)的效果，殘差單元結(jié)構(gòu)如圖3所示.

圖3 殘差單元結(jié)構(gòu)示意圖

假定神經(jīng)網(wǎng)絡(luò)最初的輸入值是m，有一函數(shù)為H(m)，該函數(shù)代表的意義是網(wǎng)絡(luò)堆疊層的最下一層的映射，針對(duì)普通的線性網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)目標(biāo)所設(shè)立的函數(shù)F(m)是與上述底層映射的函數(shù)H(m)相同的，而面對(duì)殘差網(wǎng)絡(luò)結(jié)構(gòu)，則有所不同，因?yàn)檫@種結(jié)構(gòu)是把m不直接輸送到底層，最終形成一個(gè)輸出結(jié)果，所以這里的F(m)就與H(m)有所區(qū)別，其具體等式為F(m)=H(m)-m，這種方式能夠使底層直接參與到學(xué)習(xí)殘差中，這種連接變更了一般的直連神經(jīng)網(wǎng)絡(luò)模型，特別是其中后一層的情況只能通過前一層的輸出，非間接地運(yùn)行恒等映射，最終很好地處理了網(wǎng)絡(luò)層數(shù)過多而導(dǎo)致的梯度消失、性能退化等棘手的難題，殘差單元定義如公式(4)：

xl+1=f[xl+F(xl，wl)]

(4)

式中xl和xl+1分別為第l個(gè)殘差單元的輸入和輸出F(xl,wl)為待學(xué)習(xí)的殘差映射，w為卷積核，f為激活函數(shù)，采用線性整流函數(shù)(Rectified Linear Unit,ReLU),其公式(5)為：

Relu(x)=max(0,x)

(5)

ResNet-50模型結(jié)構(gòu)如圖4所示，包含了49個(gè)卷積層和1個(gè)全連接層，有2個(gè)基本的Block，一個(gè)是ID Block，輸入和輸出的維度是一樣的，所以可以串聯(lián)多個(gè)；另外一個(gè)基本Block是CONV Block，輸入和輸出的維度是不一樣的，所以不能連續(xù)串聯(lián)，它的作用本是為了改變特征向量的維度.其中第2～5階段中ID Blcok×2代表兩個(gè)不改變維度的殘差塊，CONV Block代表的是添加維度的殘差塊，每個(gè)殘差塊包含3個(gè)卷積層.圖中CONV表示卷積操作，Batch Normal是批正則化處理，ReLu為激活函數(shù)，MAX Pool和AVG Pool分別表示最大池化和平均池化，第2～5階段表示殘差塊.

圖4 ResNet-50模型

2.2 基于ResNet-50分類模型的構(gòu)建

2.2.1 遷移學(xué)習(xí)(TL)

遷移學(xué)習(xí)是將在已有領(lǐng)域中學(xué)習(xí)到的知識(shí)，應(yīng)用到新的相關(guān)領(lǐng)域中，從而提高在新領(lǐng)域中的表現(xiàn)效果[15].Yosinski等[16]通過大量實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)基于特征遷移的卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)效果比隨機(jī)初始化權(quán)重的網(wǎng)絡(luò)效果好，可以大幅度提升網(wǎng)絡(luò)的泛化能力.

針對(duì)SPECT肺灌注數(shù)據(jù)量少和數(shù)據(jù)不平衡導(dǎo)致的過擬合問題，采用遷移學(xué)習(xí)方法來改善，處理過程如圖5所示.首先，將自然圖像數(shù)據(jù)集上學(xué)習(xí)到的特征作為先驗(yàn)知識(shí)遷移到ResNet-50網(wǎng)絡(luò)模型上.其次，由于SPECT肺灌注圖像與自然圖像數(shù)據(jù)有一定的差異，因此需要將預(yù)訓(xùn)練網(wǎng)絡(luò)在SPECT肺灌注圖像上進(jìn)行二次訓(xùn)練，使網(wǎng)絡(luò)針對(duì)SPECT肺灌注圖像自適應(yīng)調(diào)整參數(shù).最后，網(wǎng)絡(luò)模型的最后一層與具體數(shù)據(jù)集密切相關(guān)，每一個(gè)輸出節(jié)點(diǎn)都對(duì)應(yīng)一個(gè)特定的類別.因此，基于本文數(shù)據(jù)集實(shí)現(xiàn)網(wǎng)絡(luò)層遷移后重新構(gòu)建分類層，實(shí)現(xiàn)SPECT肺灌注圖像的分類識(shí)別.

圖5 基于遷移學(xué)習(xí)的ResNet-50模型

2.2.2 特征融合(FF)

圖像識(shí)別研究中，為了充分利用圖像信息，常常采用特征融合方法.而在醫(yī)學(xué)圖像領(lǐng)域，淺層、深層特征同樣能夠?qū)崿F(xiàn)病灶識(shí)別，因此，本文基于ResNet-50采用特征融合方法進(jìn)行肺灌注圖像識(shí)別.

在深度學(xué)習(xí)網(wǎng)絡(luò)中，將網(wǎng)絡(luò)中的隱藏層進(jìn)行特征融合，從而達(dá)到網(wǎng)絡(luò)模型最優(yōu)的效果.對(duì)于空間特征融合算法，可以融合卷積層的輸出特征圖，將得到的結(jié)果傳送到下一層，融合函數(shù)公式(6)：

(6)

ResNet-50模型是一個(gè)50層的深層神經(jīng)網(wǎng)絡(luò)，在特征提取過程中，隨著卷積層數(shù)的增加，網(wǎng)絡(luò)會(huì)更加注重深層的總體特征信息，忽略細(xì)節(jié)特征信息，從而對(duì)模型識(shí)別精度產(chǎn)生影響.為了更好的實(shí)現(xiàn)對(duì)肺灌注圖像的識(shí)別，采取特征融合方法對(duì)ResNet-50進(jìn)行改進(jìn).ResNet-50模型第2階段輸出特征圖經(jīng)過10層卷積，第3階段輸出特征圖經(jīng)過22層卷積，分別將第2階段的輸出特征圖、第3階段的輸出特征圖與第5階段的輸出特征圖進(jìn)行融合，然后送入全連接層.經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，第3階段輸出特征圖和第5階段的輸出特征圖融合，對(duì)肺灌注圖像識(shí)別的準(zhǔn)確率明顯高于第2階段輸出特征圖和第5階段輸出特征圖的融合.因此，本文將第3階段和第5階段輸出特征圖融合方式對(duì)肺灌注圖像識(shí)別.ResNet-50模型的輸入尺寸為224×224，第3階段的輸出特征圖尺寸為28×28，第5階段的輸出特征圖為7×7，通過雙線性插值對(duì)第3階段輸出特征圖進(jìn)行池化操作，與第5階段的輸出特征圖進(jìn)行融合，經(jīng)過扁平層Flatten，最后使用2個(gè)全連接層和SoftMax激活函數(shù)，模型結(jié)構(gòu)如圖6所示.

3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

本實(shí)驗(yàn)的實(shí)驗(yàn)環(huán)境為Windows10操作系統(tǒng)，所用GPU型號(hào)為GTX1080Ti，內(nèi)存為32G，選擇Pytorch深度學(xué)習(xí)框架進(jìn)行模型訓(xùn)練和測(cè)試，編程語言為Python3.7.基于擴(kuò)展后的SPECT肺灌注圖像數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，模型訓(xùn)練設(shè)置損失函數(shù)為交叉熵，優(yōu)化器為隨機(jī)梯度下降，激活函數(shù)為ReLu，學(xué)習(xí)率為0.001，最大迭代次數(shù)為40 000次.

3.1 實(shí)驗(yàn)過程及評(píng)價(jià)指標(biāo)

在實(shí)驗(yàn)中，為了適應(yīng)ResNet-50模型輸入要求，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行resize操作，將圖像拉伸至224×224，并利用Convert(RGB)函數(shù)將單通道圖像轉(zhuǎn)換為三通道，然后以8∶2的比例隨機(jī)分配訓(xùn)練集和測(cè)試集.

為比較本文提出的改進(jìn)方法在SPECT肺灌注圖像分類中的有效性，我們進(jìn)行了4組對(duì)比實(shí)驗(yàn).1)基于原始ResNet-50模型的SPECT肺灌注圖像分類；2)將遷移學(xué)習(xí)方法引入原始ResNet-50模型進(jìn)行SPECT肺灌注圖像分類(TL_ResNet-50)；3)將ResNet-50模型中第3階段輸出特征與第5階段輸出特征進(jìn)行融合的SPECT肺灌注圖像分類(FF_ResNet-50)；4)將遷移學(xué)習(xí)方法引入到FF_ResNet-50模型進(jìn)行SPECT肺灌注圖像分類(TL_FF_ResNet-50).通過比較分析以上四組實(shí)驗(yàn)的分類效果，進(jìn)一步驗(yàn)證本文在ResNet-50模型中引入遷移學(xué)習(xí)和特征融合方法的分類效果.

對(duì)上述四組實(shí)驗(yàn)的分類效果本文以分類準(zhǔn)確率(Accuracy)、ROC曲線下的面積(Area Under Curve,AUC)、靈敏度(Sensitivity)和特異度(Specificity)作為評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)并比較.

準(zhǔn)確率是評(píng)估分類模型全局準(zhǔn)確程度的常用指標(biāo)，其值表示分類準(zhǔn)確的樣本數(shù)占總樣本數(shù)的比例，一般準(zhǔn)確率越接近1則表示分類效果越好.計(jì)算公式(7):

(7)

其中，TP為陰性樣本的正確識(shí)別數(shù)；FP為陰性樣本的錯(cuò)誤識(shí)別數(shù)；FN為陽性樣本的錯(cuò)誤識(shí)別數(shù)；TN為陽性樣本的正確識(shí)別數(shù).

為了更全面評(píng)估網(wǎng)絡(luò)的分類性能，本文繪制了受試者工作特征曲線(Receiver Operating Characteristics,ROC)并計(jì)算AUC值.ROC曲線的橫坐標(biāo)為假正例率(False Positive Rate,FPR)，縱坐標(biāo)為真正例率(True Positive Rate,TPR)，AUC值越接近1，網(wǎng)絡(luò)的診斷性能越好.

臨床輔助診斷中，僅靠分類準(zhǔn)確率難以準(zhǔn)確反映分類模型性能的強(qiáng)弱.為了客觀、準(zhǔn)確、全面地評(píng)估網(wǎng)絡(luò)的診斷性能以及考慮到對(duì)患者漏診、誤診后果的嚴(yán)重性，還需要靈敏度、特異度評(píng)判指標(biāo).

靈敏度又稱為真陽性率(TPR)，即實(shí)際陽性樣本被正確判斷為陽性的比例，反映模型發(fā)現(xiàn)陽性的能力，靈敏度越高，則越不容易漏診，其計(jì)算公式(8)為：

(8)

特異度又稱真陰性率(1-FPR)，即實(shí)際陰性被正確判斷為陰性的比例，反映模型發(fā)現(xiàn)陰性的能力，特異度越高，則越不容易誤診，其計(jì)算公式(9)為：

(9)

3.2 實(shí)驗(yàn)結(jié)果與分析

以上四組實(shí)驗(yàn)的訓(xùn)練過程中隨著訓(xùn)練批次的變化損失曲線如圖7所示，橫坐標(biāo)為網(wǎng)絡(luò)迭代次數(shù)，縱坐標(biāo)為損失值.從圖7中看出，隨著迭代次數(shù)的增加，ResNet-50和FF_ResNet-50模型在迭代次數(shù)達(dá)到390 000次左右時(shí)趨于平穩(wěn)狀態(tài)，在迭代次數(shù)達(dá)到25 000次時(shí)，ResNet-50模型loss曲線仍有較高幅度的波動(dòng)，而FF_ResNet-50模型在引入特征融合方法后，使得模型充分學(xué)習(xí)淺層信息和深層信息，可以明顯看到模型的波動(dòng)趨于平穩(wěn)，說明特征融合使得網(wǎng)絡(luò)模型更快趨于穩(wěn)定.為了解決因數(shù)據(jù)量較少引起的模型易過擬合問題，TL_FF_ResNet-50模型和TL_ResNet-50模型引入遷移學(xué)習(xí)算法明顯加快了模型的收斂速度，TL_FF_ResNet-50模型在迭代次數(shù)達(dá)到14 000次時(shí)已經(jīng)趨于平穩(wěn)狀態(tài)，TL_ResNet-50模型在迭代次數(shù)達(dá)到19 000次時(shí)趨于平穩(wěn)狀態(tài)，相比原始ResNet-50模型的收斂速度提高了將近1倍.

圖7 訓(xùn)練集損失曲線

四種分類模型對(duì)應(yīng)ROC曲線如圖8所示，橫軸為FPR，縱軸為TPR，圖中虛線表示預(yù)測(cè)分界線，預(yù)測(cè)結(jié)果位于分界線之上，說明分類器性能高于隨機(jī)預(yù)測(cè)；預(yù)測(cè)結(jié)果位于分界線之下，說明分類器性能較差.ResNet-50、TL_ResNet-50、FF_ResNet-50和TL_FF_ResNet-50網(wǎng)絡(luò)模型對(duì)應(yīng)的ROC曲線分別為圖8的(a)(b)(c)和(d).由圖8可見，四種模型的曲線都在預(yù)測(cè)分界線之上，AUC值都達(dá)到了0.85以上，說明均有一定的分類效果，其中，TL_FF_ResNet-50模型的AUC值達(dá)到了0.986，說明引入了遷移學(xué)習(xí)和特征融合后的ResNet-50模型在SPECT肺灌注圖像上的分類性能最好.

圖8 四種網(wǎng)絡(luò)模型對(duì)應(yīng)ROC曲線

四組實(shí)驗(yàn)在測(cè)試集上的四項(xiàng)分類指標(biāo)評(píng)價(jià)結(jié)果如表2所示.由表2可見，在SPECT肺灌注圖像的診斷中，原始ResNet-50模型在測(cè)試集上的準(zhǔn)確率、靈敏度和特異度均表現(xiàn)最差，相比ResNet-50，TL_ResNet-50模型由于引入遷移學(xué)習(xí)而改善了數(shù)據(jù)量不足所帶來的過擬合情況，在測(cè)試數(shù)據(jù)集上的分類準(zhǔn)確率、靈敏度和特異度分別提高了7.9%、8.4%和9.3%.相比ResNet-50模型，F(xiàn)F_ResNet-50模型由于融合了網(wǎng)絡(luò)淺層特征和深層特征分類準(zhǔn)確率、靈敏度和特異度也有較明顯的提升.靈敏度和特異度在臨床診斷中意義重大，靈敏度的提升意味著漏診率的下降，特異度的提升意味著誤診率的下降，低漏診率和低誤診率為病人的及時(shí)確診及后續(xù)治療爭(zhēng)取了寶貴時(shí)間.上述兩種網(wǎng)絡(luò)雖然取得了不錯(cuò)的效果，但還不能滿足臨床應(yīng)用的要求.TL_FF_ResNet-50模型在特征融合的基礎(chǔ)上同時(shí)引入遷移學(xué)習(xí)，不僅有效提高了深度學(xué)習(xí)模型的分類準(zhǔn)確率，同時(shí)改善了數(shù)據(jù)量不足導(dǎo)致的過擬合現(xiàn)象，分類準(zhǔn)確率達(dá)到了95.5%，靈敏度和特異度分別達(dá)到了94.7%和96.7%，具有較低的漏診率和誤診率，取得了較為理想的結(jié)果，可以為臨床醫(yī)生提供更為精確的輔助診斷信息.

表2 實(shí)驗(yàn)結(jié)果

4 總結(jié)與展望

本文研究了基于ResNet深度模型的SPECT肺灌注功能成像分類方法.針對(duì)SPECT核醫(yī)學(xué)成像自身特征及醫(yī)學(xué)圖像數(shù)據(jù)量少、數(shù)據(jù)不平衡等問題所帶來的深度學(xué)習(xí)模型分類效果不理想及過擬合現(xiàn)象，通過數(shù)據(jù)歸一化、數(shù)據(jù)擴(kuò)展和遷移學(xué)習(xí)[10]方法進(jìn)行改善.為有效提高SPECT肺灌注圖像的分類效果，在ResNet-50深度模型中引入特征融合[11]方法實(shí)現(xiàn)對(duì)SPECT圖像淺層信息和深度信息的充分利用從而達(dá)到肺部疾病的識(shí)別.通過在一組真實(shí)SPECT肺灌注圖像上的比較實(shí)驗(yàn)，驗(yàn)證了本文模型在SPECT肺灌注圖像分類方面的適用性和有效性.

為提高深度模型的泛化能力本文對(duì)肺灌注圖像數(shù)據(jù)做了一定的擴(kuò)展，但是擴(kuò)展后的數(shù)據(jù)相關(guān)性較大，并且數(shù)據(jù)不夠全面，在一定程度上影響識(shí)別效果.下一步研究一方面將擴(kuò)大真實(shí)數(shù)據(jù)集，對(duì)模型的結(jié)構(gòu)進(jìn)行改進(jìn)和優(yōu)化，以期訓(xùn)練出更具泛化能力的分類模型.另一方面針對(duì)單個(gè)病例8個(gè)體位的肺灌注圖像進(jìn)行三維建模，并進(jìn)行定量分析，在此基礎(chǔ)上根據(jù)肺灌注缺損程度研究多分類問題，以期進(jìn)一步判斷肺部疾病的嚴(yán)重程度.