彭偉浩 鄭凱林 吳曉丹 張瑞 深圳信息職業(yè)技術(shù)學(xué)院

1 背景

PET/CT 成像被認為是用來確診肺癌的有效方法之一。目前有很多學(xué)者投身到利用PET 和CT 成像對肺腫瘤進行智能篩查的相關(guān)研究中。Cuiying 等人提出應(yīng)用支持向量機（SVM）訓(xùn)練圖像向量及其特征，包括從PET 圖像和CT 紋理中提取的異質(zhì)性，以提高肺癌的診斷和分期。Punithavathy 等人提出了一種基于模糊C均值（FCM）聚類的方法，旨在開發(fā)一種從PET/CT 圖像自動檢測肺癌的方法。王宏凱提出了一種基于反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）的深度學(xué)習(xí)方法，利用PET/CT 圖像對非小細胞肺癌縱隔淋巴結(jié)轉(zhuǎn)移進行分類。Ding 提出了一種基于DCNN 的肺結(jié)節(jié)檢測新方法。

在本文中，筆者利用小樣本學(xué)習(xí)數(shù)據(jù)，提出一種基于Mask Region-based Convolutional Neural Network (Mask R-CNN)的肺癌智能篩查新方法。我們針對PET 和CT 圖像建立了兩個深度學(xué)習(xí)模型，這兩個模型分別通過訓(xùn)練PET 與CT 圖像微調(diào)Mask R-CNN 來獲得并被用來檢測肺結(jié)節(jié)即肺癌候選區(qū)。之后通過集成學(xué)習(xí)的方法將兩個模型進行集成以減少肺癌候選區(qū)中的偽陽性數(shù)量從而實現(xiàn)肺癌的最終確診。

2 方法

2.1 基于Mask R-CNN 的肺癌候選區(qū)檢出模型

首先分別建立PET 和CT 圖像的訓(xùn)練數(shù)據(jù)庫。用于本研究的PET 和CT 圖像來自長海醫(yī)院的PET/CT 中心。PET 和CT 圖像的訓(xùn)練數(shù)據(jù)集分別包括300 張肺癌橫軸截面圖像。測試數(shù)據(jù)為80 個PET/CT 橫截面圖片，其中50 張為包含肺癌病變PET/CT 圖片，30張為無病變胸腔PET/CT 掃描圖片。所有訓(xùn)練數(shù)據(jù)都在醫(yī)生的指導(dǎo)下進行了標注。

2.2 基于集成學(xué)習(xí)的偽陽性降低模型

在這個步驟中，提出一個集成模型用來集合PET 與CT 對應(yīng)的Mask R-CNN 模型。

(1）將PET 與CT 的篩查結(jié)果進行匹配

對于PET 模型中所檢測出的mask，我們將其與CT 模型中的mask 逐一進行匹配操作。如果PET 模型中的mask 與CT 模型中mask 的overlap 大于某一閾值，就認定該CT 模型中的mask 與PET 模型中的mask 為同一個mask，即該對mask 是匹配的。

(2）加權(quán)投票

對于在上一個步驟被認定為匹配的同一mask，第二個步驟是對它們進行加權(quán)投票。即兩者的置信度相加和并被重新賦值給mask。如果最終的置信度值小于某個固定的值，則該mask 被認定為假陽，否則認定為真陽。

3 實驗結(jié)果和分析

3.1 肺結(jié)節(jié)檢出

在本文的方法中，PET 與CT 的單體模型被用于肺結(jié)節(jié)的提取，也就是肺癌候選區(qū)的提取。在該步驟的所有樣本測試中，肺結(jié)節(jié)絕大部分都可以被提取出來，PET 模型中的肺結(jié)節(jié)檢出率可以達到100%。但不可否認的是，也有非常多的偽陽性即“假的”肺結(jié)節(jié)也被檢測出來，因此雖然全部的肺結(jié)節(jié)都可以檢測出來，但是如何有效的降低偽陽性的結(jié)果是本文方法的重點。

3.2 模型評估指標

Sensitivity 和Specificity 為 評 估 指 標。 Sensitivity 和Specificity 的計算公式如下所示：

其中TP 為真陽數(shù)量，F(xiàn)P 為偽陽數(shù)量，F(xiàn)N 為偽陰數(shù)量，TN 為真陰數(shù)量。其計算方法參考之前的文獻。

3.3 肺癌檢測模型評估

我們通過對比PET與CT 的單模型來評估本文提出的集成模型方法。 PET 模型、CT 模型與集成模型的Sensitivity 和Specificity的值在表1 中展示。在單模型中，PET 模型的Sensitivity 值為1，這說明PET 模型對于肺癌的檢出還是非常敏感的，對于真陽的結(jié)果檢測達到了非常好的效果。CT 模型的Sensitivity 值為0.98，該數(shù)值表明CT 模型對于肺癌的檢測率效果也較好，但相較于PET 模型要低，會出現(xiàn)漏診的情況。CT 模型和PET 模型的Specificity 值都為0.27。這是一個比較低的值，是正確判斷非癌癥病例能力的指標。這說明針對PET與CT的單體模型，對于非癌癥圖像的識別能力還是比較低的。PET 與CT 的單體模型在Sensitivity 和Specificity 的指標上沒有達到一個有效的平衡。

從表1 中我們可以看出集成模型在肺癌檢測中產(chǎn)生了更精確更有效的結(jié)果。集成模型的Sensitivity 和Specificity為0.96 和0.862。與單模型相比，集成模型抽取出了更全面的特征，通過使用加權(quán)投票策略來進行肺癌的檢測使得更有效且更精確的降低了偽陽性。因此在Sensitivity 和Specificity 的指標上達到一個較好的平衡。

表 1 Sensitivity 和Specificity

3.4 體積計量

對于利用Mask R-CNN 分割出來的肺結(jié)節(jié)大小，我們通過計算像素數(shù)來計算本方法所分割出的肺結(jié)節(jié)的體積計量相對誤差。根據(jù)醫(yī)生提供的兩個直徑大于5mm 標記的肺癌CT 圖像，標注肺癌所占像素總數(shù)為6029 及7549，我們用本文方法對其進行了體積測量。本文方法分割出的肺結(jié)節(jié)像素總數(shù)為6291 及7854，則相對體積計量相對誤差分別為：4.3%和4.0%。，平均體積計量相對誤差為4.15%。

4 結(jié)論

在本文中，我們利用小樣本訓(xùn)練集，提出了一個基于Mask R-CNN 的新方法用于肺癌的智能篩查。以PET 和CT 圖像數(shù)據(jù)訓(xùn)練的Mask R-CNN 模型，用于肺結(jié)節(jié)的檢出，即肺癌候選區(qū)域的提取，之后我們通過加權(quán)投票的方法將兩種模型集成用于減少偽陽性的數(shù)量，最終實現(xiàn)肺癌的檢測。實驗結(jié)果表明所提出的方法可以有效的檢測出癌癥，并且有效的減少偽陽性的產(chǎn)生?；赑ET 的模型肺結(jié)節(jié)檢出率達可以達到100%，本文方法對肺癌診斷的Sensitivity 和Specificity 可以的達到 0.96 和0.862，所抽取的直徑超過5mm 以上的肺結(jié)節(jié)體積計量相對平均誤差為4.15%。因此本方法可以輔助醫(yī)生進行圖片的分析診斷并且提供有效的輔助診斷信息。