于靜汶　朱東弼

摘 要 醫(yī)療影像AI是未來智能醫(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)自動檢測方案研究是未來醫(yī)療影像AI的研究熱點之一。本文分析現(xiàn)有的肺部結(jié)節(jié)自動檢測方案及存在的問題，并提出一種基于深度神經(jīng)網(wǎng)絡(luò)的肺部結(jié)節(jié)自動檢測的新的研究方案，即將傳統(tǒng)方法與深度學習方法相結(jié)合，前期預(yù)處理部分采用傳統(tǒng)方法進行，后期網(wǎng)絡(luò)模型中采用改進的卷積神經(jīng)網(wǎng)絡(luò)方法（將改進的VGGNet網(wǎng)絡(luò)模型和改進的ResNet網(wǎng)絡(luò)模型級聯(lián)）。運用新的研究方案來提高檢測準確率，對促進醫(yī)療的發(fā)展具有重要的意義。

關(guān)鍵詞 肺結(jié)節(jié);自動檢測;深度學習;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號： TN929.5 文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.02.051

0 引言

近年來，隨著社會經(jīng)濟的不斷發(fā)展，肺癌的發(fā)病率、致死率已位列常見惡性腫瘤的第1位，且隨著我國人口老齡化，罹患肺癌的總?cè)藬?shù)呈現(xiàn)持續(xù)升高態(tài)勢[1]。循證醫(yī)學數(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)的檢測對于早期肺癌的確診有著重大的幫助。傳統(tǒng)肺結(jié)節(jié)的檢測方法是醫(yī)生通過肉眼觀察肺部的數(shù)百張CT圖像切片來找出每一張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)生準確快速地檢測出肺結(jié)節(jié)是在未來智能醫(yī)療領(lǐng)域醫(yī)療影像AI方向中需要解決的問題之一[2]。本文分析現(xiàn)有的肺結(jié)節(jié)檢測中出現(xiàn)的問題，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)檢測方案分析及存在的問題

在智能醫(yī)療的大環(huán)境下，肺結(jié)節(jié)的檢測研究主要分成了兩個方向：機器學習檢測肺結(jié)節(jié)以及深度學習的方法檢測肺結(jié)節(jié)。

機器學習檢測肺結(jié)節(jié)就是在數(shù)據(jù)量較少的情況下由專家手動標記像素值，形狀，紋理等特征。深度學習檢測肺結(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的特征，深度學習削減了對每一個問題設(shè)計特征提取器的工作。在智能醫(yī)療發(fā)展的大環(huán)境下，采用何種肺結(jié)節(jié)檢測方法將直接影響肺結(jié)節(jié)檢測的準確率。

在早期的肺結(jié)節(jié)檢測當中，研究人員主要集中在借助結(jié)節(jié)類型的病理知識提取鑒別形態(tài)特征，并應(yīng)用相對簡單的線性分類器，如logistic回歸或支持向量機（Lee等[3]人提出基于改進模板匹配技術(shù)的螺旋CT肺結(jié)節(jié)自動檢測，Ye等[4]人提出了在胸部CT圖像中基于形狀的肺結(jié)節(jié)計算機輔助檢測的方法）。對于肺結(jié)節(jié)的傳統(tǒng)檢測技術(shù)，主要是運用基于傳統(tǒng)的機器學習的方法。該方法流程較煩瑣，更多的是利用人工設(shè)計的特征，制約了算法的性能。

近年來，伴隨著醫(yī)療影像大數(shù)據(jù)趨勢的發(fā)展以及深度神經(jīng)網(wǎng)絡(luò)在單一框架下學習層次特征表示和分類識別的流行和成功，越來越多的研究學者借助深度學習的方法來解決肺結(jié)節(jié)檢測的問題。Ross Gruetzemacher等[5]人使用卷積神經(jīng)網(wǎng)絡(luò)對肺實性結(jié)節(jié)進行良惡性判別，最終通過10層隱藏層的網(wǎng)絡(luò)結(jié)構(gòu)，對肺結(jié)節(jié)進行檢測，準確率為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15562張肺部CT進行了識別，準確率為89.6%。劉家寶[7]利用CNN識別肺結(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，實現(xiàn)了90.8%的準確率。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，可有效地對多種肺結(jié)節(jié)檢測。

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

現(xiàn)階段研究學者們檢測肺結(jié)節(jié)大部分都是直接采用端到端的檢測方式。如果將病例圖片先用傳統(tǒng)方法進行肺實質(zhì)分割處理后再用深度學習方法進行肺結(jié)節(jié)的檢測可以大大減少后續(xù)操作并且有效的彌補在檢測肺結(jié)節(jié)中僅采用以上算法而導致的缺點。通過應(yīng)用該改進算法可以提高檢測肺結(jié)節(jié)的準確率，有效解決了一些難例肺結(jié)節(jié)難以檢測或檢測出假陽性肺結(jié)節(jié)的情況。

2 新的肺結(jié)節(jié)檢測方案探討

2.1 病例圖像預(yù)處理（肺實質(zhì)分割）

由于肺部組織結(jié)構(gòu)復(fù)雜，同時受低劑量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，這些問題一定程度上影響了肺實質(zhì)分割的準確性。為了減少上述因素對分割準確性的干擾，需要對病例CT圖像做濾波操作（高斯濾波）和去噪操作（ROF去噪）以及圖像增強操作。

為了減少檢測區(qū)域，節(jié)省運算時間，提高準確率，在肺部疾病的計算機輔助診斷中，肺實質(zhì)的正確分割尤為重要。首先對病例圖像進行全局閾值的操作，對連通區(qū)域標記獲取輪廓，利用基于閾值的改進算法去除氣管、肺液等干擾，分離肺實質(zhì)與背景，運用區(qū)域生長法對左右肺葉粘連的情況進行有效分離，并提取最大連通區(qū)域，然后進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質(zhì)分割圖像。

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

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

在第一個階段肺結(jié)節(jié)候選檢測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較小的結(jié)節(jié)是一項具有挑戰(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，在使用CNN進行肺結(jié)節(jié)檢測時，感受野的選擇對肺結(jié)節(jié)的檢測具有重要的意義。經(jīng)過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，會導致其檢測ROI區(qū)域受到限制。故在改進過程中要使卷積層的特征圖大一些。

神經(jīng)網(wǎng)絡(luò)的一個普遍的規(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別的高語義特征，對于識別目標尤為重要，決定了模型的表達能力。故在第一個階段肺結(jié)節(jié)候選檢測中改進VGG網(wǎng)絡(luò)模型，把由淺到深的兩個VGG模型級聯(lián)，做到可以由粗到細的篩選候選肺結(jié)節(jié)。

在第二個階段中之所以采用ResNet網(wǎng)絡(luò)模型作為假陽性抑制模型的基本特征提取網(wǎng)絡(luò)，是因為當網(wǎng)絡(luò)變得越來越深的時候，訓練的準確率會趨于平緩，為了解決這一問題，引入殘差塊。然后把改進后的Resnet模型和VGG模型進行級聯(lián)，可以提高假陽性肺結(jié)節(jié)檢出率。

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

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)自動檢測方案以及存在的問題，以此為基礎(chǔ)，提出并討論了一種全新的肺結(jié)節(jié)檢測方案。該方案運用傳統(tǒng)方法對病例圖像進行了預(yù)處理操作（肺實質(zhì)分割），并改進已有的卷積神經(jīng)網(wǎng)絡(luò)對肺結(jié)節(jié)進行檢測，可以提高難例肺結(jié)節(jié)的檢出率，為智能醫(yī)療打下了夯實的基礎(chǔ)。

參考文獻

[1]鄒小農(nóng)，中國肺癌流行病學，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)診斷的計算機輔助系統(tǒng)研究[D].北京：首都醫(yī)科大學，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.