吳洪渝

摘要：目前，我國的醫(yī)療資源嚴重的分配不均勻。我國共有醫(yī)療衛(wèi)生機構(gòu)989，403個，其中基層醫(yī)療衛(wèi)生機構(gòu)占據(jù)了總體的9成以上，而醫(yī)院僅有不到3萬個，比例不足3%。并且如今就醫(yī)的趨勢進一步向三甲醫(yī)院集中。根據(jù)統(tǒng)計，在因為癌癥死亡的人數(shù)之中，肺癌也是目前世界上死亡率最高的癌癥之一，并且這個數(shù)字還在不斷的上升。肺癌有一個最主要的特征就是存在肺結(jié)節(jié)。如果能在早期發(fā)現(xiàn)肺結(jié)節(jié)的話，早期癌癥的治愈率超過90%，手術(shù)后3-5天就可以出院，并發(fā)癥少，而且手術(shù)費用低廉只要28000元左右。但是由于當今針對肺癌早期診斷效果非常不佳，通常患者被診斷出肺癌的時候都已經(jīng)為時已晚，正常的患者往往只能存活5年的時間。但是在這個過程之中會產(chǎn)生大量的CT圖片，會大大增加醫(yī)生的工作壓力，在這種情況之下，如何提高就醫(yī)的效率以及更加合理的利用醫(yī)療資源成為了炙手可熱的問題。本文提出一種，基于深度學習的肺結(jié)節(jié)檢測方案，能夠合理的利用CT片，并且有效的減輕醫(yī)生的負擔，同時也讓患者更加明了自身的病情。

關(guān)鍵詞：圖像識別；卷積神經(jīng)網(wǎng)絡(luò)；深度學習；檢測方案

1 前言

隨著人工智能技術(shù)的發(fā)展，人工智能在生活中的各個方面的應用越來越多。可以說現(xiàn)在的人工智能技術(shù)取得了很大的發(fā)展，在某些領(lǐng)域已經(jīng)超過人類的水平，比如說圍棋。人工智能在醫(yī)療領(lǐng)域上的應用也逐漸增多。在醫(yī)療方面也不例外，目前主要分為“AI與影像輔助診斷”、“AI與藥物開發(fā)”和“AI與醫(yī)療機器人”三個研究方向，在國內(nèi)，阿里、騰訊、百度、科大訊飛、華大基因都在利用人工智能技術(shù)在醫(yī)療領(lǐng)域做一些相關(guān)的開發(fā)，比如2018年騰訊開啟的“騰訊尋影”，2017年阿里在糖尿病這一領(lǐng)域的AI等不同領(lǐng)域的醫(yī)療AI。但是目前AI在整個大環(huán)境下都是處于一種研發(fā)和測試的狀態(tài)下，暫時還沒有在各大醫(yī)院中盛行。一旦做到可以商用的地步，那對于整個醫(yī)療體系來說，都是一個翻天覆地的改革。

2 正文

2.1產(chǎn)品功能概述

在本文中，我們提出的肺結(jié)節(jié)檢測AI中包括的功能主要有：對標記數(shù)據(jù)進行解析讀取、對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練、模型對讀取CT片、對CT片進行識別并且標注和根據(jù)計算的結(jié)果給出一定的建議以及治療方案。該模型的訓練數(shù)據(jù)集來自LIDC-IDRI，該數(shù)據(jù)集是由美國癌癥研究所（National Cancer Institute）收集并且公開的。數(shù)據(jù)集里面含有胸部CT圖片、X光片（以512*512分辨率的形式存儲）以及專家標注的病變的結(jié)果，結(jié)果以xml的形式進行儲存。利用專家的標注，將病變的數(shù)據(jù)提取出來，作為模型的初始訓練數(shù)據(jù)。在生活中，醫(yī)生只需要將患者的CT圖像輸入到該模型中，就能夠得到標注結(jié)果之后的圖片。這樣會讓醫(yī)生檢驗這張CT片的時候，會格外注意這些有標注的位置。在早期，由于數(shù)據(jù)的來源比較單一。會出現(xiàn)一些誤檢的情況，醫(yī)生在確定之后，可以對其進行標準，作為下一次模型訓練得數(shù)據(jù)。從而使得模型的正確率越來越高。

2.2產(chǎn)品原理

①醫(yī)學影像輸入到模型之中；

②模型對每一個切分單位進行識別；

③根據(jù)識別結(jié)果對圖片進行標注；

④生成醫(yī)療報告；

2.3關(guān)鍵技術(shù)

2.3.1圖像邊緣填充算法

在整個產(chǎn)品的開發(fā)過程中，首先應該先對圖片進行灰度化、二值化處理。然后根據(jù)數(shù)據(jù)集中的標注，對xml文件進行解析，獲取到病變結(jié)節(jié)的一些主要的屬性。比如圖片的Id號、坐標、半徑。根據(jù)統(tǒng)計病變結(jié)節(jié)在半徑為28像素以下的占總的病變數(shù)目的95%，所以這里以28*28的分辨率為一個單位進行處理。在病變結(jié)節(jié)的半徑大于28像素的時候，選擇以縮放的形式對其進行處理。因為專家在數(shù)據(jù)集中只標注了病變結(jié)節(jié)的輪廓，導致要對輪廓進行填充，根據(jù)邊緣填充算法實現(xiàn)填充。

2.3.2掃描式匹配算法

在對一張圖片進行識別的時候，在模型中是將CT片或者X光片切割成許許多多的28*28為一個單位的圖片。然后把每一張分割之后的圖片作為輸入，利用之前訓練好的卷積神經(jīng)網(wǎng)絡(luò)進行計算。將分類為病變結(jié)節(jié)的圖片保存為圖片的編號、病變結(jié)節(jié)的中心位置、病變結(jié)節(jié)的半徑等信息。之后再我們利用縮放技術(shù)進行更大像素的切割和匹配。

2.3.3 DBSCAN分類聚類算法

DBCSAN（Density-Based Spatial Clustering of Application with Noise）算法是一種非常經(jīng)典的分類聚類算法，它是基于密度來進行分類聚類的。在該產(chǎn)品中，我們在上述技術(shù)之后得到的只是一個病變位置的大概區(qū)域，是以28*28為一個基本單位的范圍。產(chǎn)品中想將病變結(jié)節(jié)很好的提取出來，選用了DBSCAN算法。圖片經(jīng)過二值化的處理，只存在為0和1的色素。根據(jù)九宮格的原理對密度進行設(shè)置，最終提取出結(jié)節(jié)形態(tài)，并在原圖中進行展示。

3模型的正確率和產(chǎn)品正確率的檢驗

因為神經(jīng)網(wǎng)絡(luò)的學習能力非常之強，在項目中，總共提取了50000多張正樣本以及等量的負樣本。對整個網(wǎng)絡(luò)重復訓練5次，模型的正確率能夠達到95%以上。但是在實際檢測新的CT圖片時候，10張中存在2、3張出現(xiàn)誤檢，正確率大概為70%-75%，這樣的正確率肯定是不能夠用以商用的。可能存在過擬合的問題，正在籌劃與醫(yī)學院進行合作。從而以更加專業(yè)的知識，對模型進行改進。

參考文獻：

[1]周兵 CT影像中肺結(jié)節(jié)檢測與識別方法的研究 電子科技大學

[2]基于密度的分類聚類算法DBSCAN.https：//blog.csdn.net/google19890102/article/details/37656733

[3]LIDC-IDRI數(shù)據(jù)集以及說明.https：//wiki.cancerimagingar chive.net