唐思源，楊 敏*，劉燕茹

（1. 內(nèi)蒙古科技大學(xué)包頭醫(yī)學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，2. 內(nèi)蒙古科技大學(xué)包頭醫(yī)學(xué)院 醫(yī)學(xué)影像技術(shù)系，內(nèi)蒙古 包頭 014060）

0 引言

胰腺癌（Pancreatic Cancer）是全球致死率較高的惡性腫瘤之一，盡早發(fā)現(xiàn)可以顯著提高患者的生存率[1]。具美國國家胰腺癌篩查試驗(yàn)的研究結(jié)果顯示，CT的檢測可以降低胰腺癌高危人群死亡率約20%，印證了CT在胰腺癌檢測方面的巨大價(jià)值[2]。目前，高精度的 CT掃描儀掃描一次患者部位可產(chǎn)生上百副圖像，放射科醫(yī)生巨大的閱片工作量導(dǎo)致誤判等情況無可避免，因此，開發(fā)一個(gè)輔助放射科醫(yī)生診斷的計(jì)算機(jī)系統(tǒng)勢在必行。

目前，專家學(xué)者們提出了很多有效的胰腺癌檢測方法，傳統(tǒng)的方法是先提取胰腺癌區(qū)域的灰度、紋理等特征，然后采用支持向量機(jī)等分類器對提取的特征進(jìn)行分類訓(xùn)練，檢測出胰腺癌[3]。傳統(tǒng)的方法，需要人為的選定圖像特征，具有很多不確定性，容易出現(xiàn)漏診、誤診等現(xiàn)象。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支，近幾年得到了迅猛發(fā)展，深度學(xué)習(xí)可以通過自主學(xué)習(xí)，提取圖像的特征。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中較好的網(wǎng)絡(luò)模型，它不需要人工設(shè)計(jì)，可以根據(jù)現(xiàn)有的數(shù)據(jù)自動(dòng)學(xué)習(xí)并提取圖像特征，較適合于大數(shù)據(jù)量的醫(yī)學(xué)圖像處理。目前，大量可用數(shù)據(jù)和高效的圖形處理器（GPU）的計(jì)算能力使得卷積神經(jīng)網(wǎng)絡(luò)在腦部、細(xì)胞、肺部等進(jìn)行分割與檢測中取得了不錯(cuò)的成就[4]。

本文利用卷積神經(jīng)網(wǎng)絡(luò)模型檢測胰腺癌，在進(jìn)行分類器訓(xùn)練時(shí)，利用量子遺傳算法對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，提高胰腺癌的檢測準(zhǔn)確率。檢測胰腺癌的過程為：首先，將獲取的醫(yī)學(xué) DICOM格式圖像轉(zhuǎn)換成BMP格式圖像；然后，提取整個(gè)胰腺區(qū)域（即感興趣區(qū)域ROI）；接著，對圖像進(jìn)行預(yù)處理，把處理后的圖像送入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；最后，優(yōu)化網(wǎng)絡(luò)模型參數(shù)，提取圖像特征，再對測試集中的數(shù)據(jù)進(jìn)行檢測及分類，得出胰腺癌檢測結(jié)果。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的胰腺癌檢測

在本節(jié)中，詳細(xì)介紹所提出的計(jì)算機(jī)輔助檢測方案。胰腺癌檢測過程如圖1所示，檢測過程分為兩個(gè)階段，學(xué)習(xí)階段和檢測階段。

圖1 胰腺癌檢測系統(tǒng)框架圖Fig.1 Panoramic cancer detection system framework

1.1 數(shù)據(jù)預(yù)處理

從醫(yī)院CT影像設(shè)備直接獲取的圖像是DICOM格式，需要將圖像轉(zhuǎn)換成常用的BMP或JPG格式，才能被諸如MATLAB、Photo shop等常用圖像處理軟件直接打開，再對圖像進(jìn)行降噪、檢測等后續(xù)操作。本文通過SPM和MriCro兩個(gè)軟件進(jìn)行圖像格式轉(zhuǎn)換[5]，該方法操作簡單易懂，安裝后按照步驟即可轉(zhuǎn)換。該軟件能自動(dòng)適應(yīng)各種影像設(shè)備生成的圖像，經(jīng)過實(shí)驗(yàn)后，轉(zhuǎn)換后的圖像損耗少，基本包含了原有的圖像信息，完全能滿足后續(xù)圖像處理和分析的要求。

1.2 感興趣區(qū)域（ROI）的獲取

由于胰腺在人體位置的特殊性，體積也比較小，周圍相近的組織器官也比較多，因?yàn)?，把整個(gè)胰腺作為ROI進(jìn)行提取。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)存在特征提取不充分的情況，本文應(yīng)用改進(jìn)的射線法自動(dòng)提取完整的胰腺區(qū)域。首先，將放射醫(yī)生手動(dòng)標(biāo)記的胰腺輪廓區(qū)域進(jìn)行填充并取交集；然后，把填充的輪廓區(qū)域再取交集，再與自動(dòng)獲取的相同結(jié)節(jié)的輪廓區(qū)域取交集；最后，為了更好地將取交集后的胰腺輪廓在圖像上標(biāo)記出來，提出了一種鄰域搜索方法，通過結(jié)節(jié)的區(qū)域信息提取邊界坐標(biāo)，把ROI區(qū)域標(biāo)記出來，得到唯一綜合的胰腺區(qū)域輸入網(wǎng)絡(luò)模型檢測出胰腺ROI區(qū)域。

1.3 數(shù)據(jù)集不平衡及數(shù)據(jù)增強(qiáng)

所采集的數(shù)據(jù)，由于受到噪聲等因素的影響，病灶不明顯的區(qū)域很容易遺漏，遺漏的區(qū)域很可能是惡性腫瘤區(qū)域，這類樣本就被忽視后，會(huì)造成漏診現(xiàn)象。為了避免少數(shù)類樣本在收集的過程中被遺漏，造成數(shù)據(jù)不平衡，本文采用隨機(jī)采樣算法對容易遺漏的樣本數(shù)據(jù)集進(jìn)行處理，收集少數(shù)類樣本更多的樣本信息，減少少量樣本信息的丟失，保證樣本數(shù)據(jù)集中數(shù)據(jù)信息的全面及平衡。

應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)集，需要大數(shù)據(jù)量的樣本支持，從醫(yī)院獲得的數(shù)據(jù)樣本有限，本文通過水平、垂直翻轉(zhuǎn)、平移變換等方法[6]擴(kuò)大數(shù)據(jù)量，增加訓(xùn)練樣本的數(shù)量，提高網(wǎng)絡(luò)的泛化能力。

1.4 基于卷積神經(jīng)網(wǎng)絡(luò)胰腺癌分類模型的構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層以及分類器組成[7]。輸入層用來接受預(yù)處理后的ROI區(qū)域，對輸入圖像進(jìn)行歸一化處理后，選取40 pixel×40 pixel大小的圖像塊可以將胰腺區(qū)域完全包含在內(nèi)。選取6層卷積層提取圖像的特征，為了提取更豐富的特征，對每一個(gè)卷積層提取的特征進(jìn)行融合，最終得到融合后的特征圖。通過引入的池化層的最大池化方法對特征圖進(jìn)行精簡以降低訓(xùn)練的復(fù)雜度，在減少特征數(shù)目的同時(shí)，保留了主要特征。全連接層通過神經(jīng)元將前面的卷積層及池化層進(jìn)行全連接，將獲取的特征傳遞給分類器得出分類結(jié)果，在全連接層加入 PRelu（parametric rectified linear unit）激勵(lì)函數(shù)[8]，可以增強(qiáng)網(wǎng)絡(luò)的泛化能力，避免過擬合的產(chǎn)生。在卷積神經(jīng)網(wǎng)絡(luò)中采用Softmax分類器計(jì)算分類概率，最終得出檢測結(jié)果。

掘進(jìn)機(jī)試驗(yàn)樣機(jī)的遠(yuǎn)程控制可由控制中心通過自動(dòng)控制算法的計(jì)算實(shí)現(xiàn)自動(dòng)控制，若試驗(yàn)過程中沒有智能算法，通過遙控手柄進(jìn)行控制更加方便，遙控手柄如圖3所示?？刂菩盘?hào)在光纖上的透明傳輸，大幅延長控制距離。

1.5 卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練及測試

本文的研究是在 Matlab2010a的環(huán)境下進(jìn)行實(shí)驗(yàn)的。實(shí)驗(yàn)的硬件環(huán)境為：CPU Intel Core i5-2520M，顯存 2G。實(shí)驗(yàn)中所使用的數(shù)據(jù)來自包頭第一附屬醫(yī)院影像科，所獲得的數(shù)據(jù)都是經(jīng)過醫(yī)院批準(zhǔn)同意，免簽患者知情同意書，無任何糾紛，所采集的 CT圖像病灶清晰、有醫(yī)生標(biāo)注。數(shù)據(jù)都是64層CT機(jī)掃描獲得，層間距為2 mm，格式為DICOM，總共采集的樣本數(shù)為120例，其中胰腺癌37例，胰腺炎49例，正常的34例。

對數(shù)據(jù)進(jìn)行預(yù)處理后，把實(shí)驗(yàn)數(shù)據(jù)集隨機(jī)均勻的劃分為訓(xùn)練集和測試集兩組，訓(xùn)練集62例（癌癥19例，非癌癥43例），測試集58例（癌癥17例，非癌癥41例）。但考慮到隨機(jī)的將原始數(shù)據(jù)分組，測試集分類準(zhǔn)確率的高低與原始數(shù)據(jù)的分組有很大關(guān)系，因此將多次均分訓(xùn)練集和測試集，降低有限樣本帶來的誤差，計(jì)算均方誤差這一指標(biāo)，說明算法的有效性。

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程分為前向傳播和反向傳播兩個(gè)階段[9]，前向傳播主要是收集特征并把特征傳遞給不同的網(wǎng)絡(luò)層，反向傳播主要是調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，保證特征信息傳遞無誤，其詳細(xì)的訓(xùn)練過程如下：

（1）前向傳播的公式為：

ul表示當(dāng)前層，f表示ReLU函數(shù)， xl表示輸出層， xl-1表示輸出層的上一層， Wl和bl表示權(quán)值和偏置兩個(gè)參數(shù)。前向傳播通過不斷改變權(quán)值和偏置值提取圖像的特征，把特征送給下一個(gè)網(wǎng)絡(luò)層。

（2）反向傳播的公式為：

δl表示l層殘差值，yn表示n個(gè)數(shù)據(jù)樣本輸出結(jié)果， tn表示n個(gè)樣本中得到正確訓(xùn)練的值，f′表示激活函數(shù)。反向傳播就是不斷計(jì)算每一層的梯度值，優(yōu)化網(wǎng)絡(luò)模型，使實(shí)際輸出與理想輸出誤差達(dá)到最小的過程。反向傳播的過程是從后向前，通過不斷調(diào)整參數(shù)，使損失函數(shù)最小，反向傳播算法過程如下所示：

Begin：

參數(shù)的選擇對網(wǎng)絡(luò)結(jié)構(gòu)的影響很大，其中卷積核尺寸的大小是影響網(wǎng)絡(luò)模型檢測的重要因素，本文在保證其它參數(shù)不變的情況下，利用3*3，5*5，7*7，9*9和11*11尺寸的卷積核訓(xùn)練網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明，不斷增加卷積核尺寸可以提高檢測的準(zhǔn)確率，但是增大到一定尺寸，準(zhǔn)確率趨于不變后，但訓(xùn)練耗時(shí)變長，因此選擇5*5的卷積核尺寸較為合適，可以保證準(zhǔn)確率高的前提下，獲得較好的網(wǎng)絡(luò)模型。加入優(yōu)化算法也可以提高網(wǎng)絡(luò)的收斂速度，本文通過選擇 Adadelta、Adagrad、Adam、Nadam四種優(yōu)化算法[10]驗(yàn)證網(wǎng)絡(luò)結(jié)構(gòu)的檢測性能，實(shí)驗(yàn)結(jié)果表明，加入Adagrad優(yōu)化算法后，網(wǎng)絡(luò)模型的檢測準(zhǔn)確率最高，收斂速度也快。

為了解決學(xué)習(xí)模型中數(shù)據(jù)量不足的問題，應(yīng)用遷移學(xué)習(xí)思想[11]調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)及權(quán)值后，實(shí)現(xiàn)小規(guī)模數(shù)據(jù)集的遷移訓(xùn)練。遷移學(xué)習(xí)訓(xùn)練的流程為：首先，收集大數(shù)據(jù)量數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，采用遷移學(xué)習(xí)方法獲得圖像的特征及參數(shù)，并初始化小數(shù)據(jù)集模型。然后，應(yīng)用 BP算法與隨機(jī)梯度下降算法相結(jié)合對網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行過程的微調(diào)整。最后，選擇 Softmax激活函數(shù)結(jié)合分類器輸出檢測識(shí)別結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 評估標(biāo)準(zhǔn)

最終的實(shí)驗(yàn)結(jié)果需要客觀的評價(jià)參數(shù)來判斷實(shí)驗(yàn)的可行性及檢測性能。本文采用正確率（Accuracy，ACC）、靈敏度（Sensitivity，SN）、特異度（Specificity，SP）、FROC曲線下與坐標(biāo)軸圍成的面積AUC（Area Under Curve）來評估實(shí)驗(yàn)結(jié)果，相關(guān)的概念描述如下。

ACC表示全部的樣本都被正確檢測出的概率；SN表示靈敏度，又稱真陽率，表示所有正樣本數(shù)被檢測出的準(zhǔn)確率，是將真患病者準(zhǔn)確地判斷為真陽性的比例，若SN越高，誤診率越小；SP表示特異度，又稱假陽率，表示所有負(fù)樣本數(shù)被檢測出的準(zhǔn)確率，是將未患病者準(zhǔn)確地判斷為真陰性的比例，若SP值越大，漏診率越小。AUC是指FROC曲線下方的面積，AUC的取值范圍為0～1，值越大，說明檢測性能越好。

2.2 實(shí)驗(yàn)結(jié)果及對比

為了驗(yàn)證本方案的可行性，與 BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)SVM分類器進(jìn)行性能比較，對比實(shí)驗(yàn)結(jié)果如表1所示。結(jié)果顯示，利用本方案的網(wǎng)絡(luò)模型，相比于已有的網(wǎng)絡(luò)模型檢測胰腺癌的準(zhǔn)確率、真陽率、假陽率都有所提高，有效的降低了誤診率和漏診率，AUC面積值也最大。實(shí)驗(yàn)結(jié)果表明，本方案提出的網(wǎng)絡(luò)結(jié)構(gòu)具有更好的胰腺癌檢測能力。

表1 不同網(wǎng)絡(luò)模型在數(shù)據(jù)集上的結(jié)果Tab.1 Results of different network models on data sets

3 結(jié)論

本文設(shè)計(jì)出一種有效、可行的基于 CT圖像的胰腺癌檢測方案，該方案可以輔助醫(yī)生檢測胰腺癌并給出客觀的診斷意見，減輕醫(yī)生的工作量，提高診斷的準(zhǔn)確性。研究的主要內(nèi)容包括：收集病變CT圖像，建立起實(shí)驗(yàn)樣本數(shù)據(jù)庫；提取整體胰腺區(qū)域作為感興趣區(qū)域；構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的胰腺癌分類模型，對圖像進(jìn)行預(yù)處理，根據(jù)胰腺癌圖像特征，選擇樣本數(shù)據(jù)庫中的合適圖像，構(gòu)建訓(xùn)練集，把訓(xùn)練集放入卷積神經(jīng)網(wǎng)絡(luò)模型中學(xué)習(xí)訓(xùn)練，構(gòu)建測試集，驗(yàn)證提出的網(wǎng)絡(luò)模型可以檢測出胰腺癌；制定胰腺癌檢測系統(tǒng)評價(jià)標(biāo)準(zhǔn)，實(shí)驗(yàn)驗(yàn)證該算法的有效性，得出測試圖像的分類結(jié)果，證明本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的胰腺癌檢測方案是一種可行的、有效的胰腺癌早期診斷方法。