劉敬霞

(1. 衡水市第四人民醫(yī)院，河北 衡水 053000；2.河北醫(yī)科大學(xué)，河北 石家莊 050000)

1 引 言

據(jù)統(tǒng)計數(shù)據(jù)顯示，目前我國的肺癌發(fā)病率以每年26.9%的速度増長。然而肺癌并非完全無法治愈，若在患者形成肺部腫瘤階段診斷出來，則有可能降低肺癌發(fā)病率。但由于腫瘤組織初期時，其特征很難通過PET/CT圖像顯示出來。當前常用的PET/CT計算機輔助診斷方法有基于神經(jīng)網(wǎng)絡(luò)[1]、基于聚類分析和基于支持向量機[2]三種方法，這三種方法雖然可以一定程度上改善診斷性能，但與精確診斷的預(yù)期目標還存在一定差距,為此，本研究提出基于隨機森林的肺部腫瘤PET/CT計算機輔助診斷新方法。該方法首先對肺部腫瘤PET/CT影像進行預(yù)處理，提取PET/CT圖像中肺部腫瘤的病理特征，如紋理、形狀等，然后利用隨機森林算法判斷肺部腫瘤的良惡性，當腫瘤為惡性時，判斷其具體類別。通過仿真實驗測試該方法的有效性，在相同的實驗條件下，通過四種不同PET/CT計算機輔助診斷方法的診斷結(jié)果，對比其診斷性能。

2 基于隨機森林的計算機輔助診斷方法

PET/CT是一種將PET技術(shù)和CT集成為一體的新型影像設(shè)備，可最大限度滿足臨床各種疾病診療需求[3]。然而，現(xiàn)有的PET/CT設(shè)備也僅將診斷精度由30%提高到35%左右。因此，為提高PET/CT圖像的診斷準確性，本研究設(shè)計了一種計算機輔助診斷方法。

2.1 PET/CT圖像預(yù)處理

原始的PET/CT圖像中肺部腫瘤的病變組織特征成像不是很清晰，因此，需要對原始PET/CT圖像的灰度化、平滑和分割三項內(nèi)容[4]進行預(yù)處理。

2.1.1圖像灰度化 圖像灰度化是將彩色圖像轉(zhuǎn)換成像素值在0～255之間的圖像，即將其轉(zhuǎn)換成不同灰度程度的圖像，從而降低色彩對目標腫瘤最終成像的干擾。目前圖像灰度化方法主要有四種：

分量法：

Gray=B；Gray=G；Gray=R

(1)

其中，Gray為轉(zhuǎn)換后的灰度圖像的灰度值。R、G、B為彩色圖的三個分量。

最大值法：

Gray=max(B+G+R)

(2)

平均值法：

Gray=(B+G+R)/3

(3)

加權(quán)平均法：

Gray= 0.11B+ 0.59G+ 0.3R

(4)

2.1.2圖像平滑 圖像平滑是去除圖像中的噪點，提高清晰度。本研究選擇小波去噪的方法進行圖像平滑處理，首先對圖像信號進行小波分解，然后對分解結(jié)果進行閾值量化，最后利用二維小波再次重新構(gòu)建圖像信號，得到去噪后的圖像[5]。

2.1.3圖像分割 肺部腫瘤圖像分割是將圖像劃分為若干個小區(qū)域，從而得到精確的腫瘤輪廓圖，這是圖像特征提取前最關(guān)鍵的一步。目前，對圖像分割有基于EM算法、基于閾值以及基于邊緣檢測的圖像分割等[6]。本研究針對PET/CT圖像的特點，采用基于平均密度投影和平移高斯模型的肺部腫瘤圖像分割新算法，算法基本流程見圖1。

圖1 PET/CT圖像分割基本流程Fig.1 Basic flow of PET/CT image segmentation

2.2 PET/CT圖像特征提取

PET/CT圖像特征提取是肺部腫瘤診斷的關(guān)鍵，直接影響肺部腫瘤圖像分類器的分類性能。需要提取的PET/CT圖像特征包括灰度、形態(tài)特征和紋理等，具體過程見圖2。

圖2 PET/CT圖像特征Fig. 2 PET/CT images features

圖2中，各參數(shù)從不同角度描述了PET/CT圖像的特征，但這些參數(shù)的量綱并不一致，因此，要進行特征歸一化處理將特征參數(shù)的取值范圍映射到預(yù)先設(shè)定的范圍內(nèi)。本研究使用高斯歸一化方法將特征參數(shù)的取值范圍映射到[-1，1]區(qū)間內(nèi)[7]。

2.3 基于隨機森林算法的肺部腫瘤識別

隨機森林建立后，向其中輸入新的樣本，將該樣本特征與隨機森林中每棵決策樹所代表的類別特征進行對比，判斷新樣本的類別，被選擇最多的類別即為該樣本的類別[8]。

建立決策樹在行采樣時，采用有放回的方式，以避免出現(xiàn)過擬合現(xiàn)象。即采集的訓(xùn)練樣本中一部分是重復(fù)的，而列采樣需從M個特征中選擇前m個(m

圖3 隨機森林算法運行流程Fig. 3 Random forests operation process

利用隨機森林算法進行肺部腫瘤識別診斷，分為訓(xùn)練與應(yīng)用分類[10-11]兩個階段。訓(xùn)練過程如下：

輸入：樣本數(shù)為n，類別為M的肺部腫瘤PET/CT圖像訓(xùn)練集。

輸出：分類模型。

將肺部腫瘤PET/CT圖像訓(xùn)練樣本分為兩類：多數(shù)類Z1和少數(shù)類Z2。

For每個基分類器j=1：S。

Step1：從多數(shù)類Z1中抽出與Z2相同數(shù)量的樣本，并與Z2混合，形成新的樣本集；

Step2：訓(xùn)練隨機森林；

Step3：計算分類置信度；

Step4：當基分類器對任意樣本Zi正確分類時，Pij=1；當基分類器對任意樣本Zi錯誤分類時，Pij=-1。

end

根據(jù)分類器損失函數(shù)，優(yōu)化求解，求出分類器權(quán)重w。

應(yīng)用分類過程如下：

輸入：待分類肺部腫瘤PET/CT圖像樣本。

輸出：肺部腫瘤PET/CT圖像樣本類別。

For每個待分類樣本。

Step1：利用訓(xùn)練好的S個分類器進行種類識別[12]，得到類別概率值；

Step2：對得到的各個類別概率值進行加權(quán)求和，選擇最大概率值所對應(yīng)的類作為待測樣本的所屬類別。

end

利用上述過程判斷肺部腫瘤良惡性。當腫瘤為惡性時判讀屬于哪一類別，實現(xiàn)基于隨機森林的肺部腫瘤PET/CT計算機輔助診斷方法的設(shè)計。

3 仿真實驗分析

3.1 實驗數(shù)據(jù)

從某醫(yī)院選出2014～2018年的68 956例肺部腫瘤患者，其中男性42 010例，女性26 946例。良性肺部腫瘤15 868例，其中男性占42.4%，女性占57.6%，有結(jié)構(gòu)瘤、纖維瘤等。惡性腫瘤53 000例，其中男性占65.2%，女性占34.8%，有鱗癌、腺癌、原位腺癌、大細胞癌、大細胞神經(jīng)內(nèi)分泌腫瘤、小細胞肺癌等。其余肺部疾病88例，包括肺結(jié)核40例、肺部感染48例。

3.2 圖像處理

除影像數(shù)據(jù)外，本研究使用軟件Matlab2012b搭建自編碼網(wǎng)絡(luò)模型。在前期準備工作中，先對PET/CT圖像進行灰度化、去除噪聲、圖像分割等預(yù)處理。

3.2.1灰度化圖像 以某肺部腫瘤PET/CT圖像為例，灰度化結(jié)果見圖4。

圖4 肺部腫瘤PET/CT圖像灰度化Fig. 4 Graying the lung tumor PET/CT image

3.2.2圖像去噪 將上述肺部腫瘤PET/CT進行去噪處理，去噪結(jié)果見圖5。

圖5 肺部腫瘤PET/CT圖像去噪Fig. 5 Denoising the lung tumor PET/CT image

3.2.3圖像分割 將上述肺部腫瘤PET/CT圖像進行圖像病變組織放大分割，結(jié)果見圖6。

圖6 肺部腫瘤PET/CT圖像分割Fig. 6 Segmentation of lung tumor PET/CT image

3.3 圖像特征提取

部分肺部腫瘤PET/CT圖像特征提取數(shù)據(jù)見表1。

表1 部分肺部腫瘤PET/CT圖像特征提取數(shù)據(jù)Table 1 Feature extraction data of partial lung tumor PET/CT image

3.4 評價指標與診斷結(jié)果分析

3.4.1評價指標 ROC是描述真正率(TPR)和假正率(FPR)關(guān)系的曲線，ROC曲線越接近左上角的1點，診斷準確率越高，若越接近右下角的1點，診斷準確率越低；此外，與坐標圖形邊界圍成的面積，即曲線下面積(AUC)越大，說明該方法的準確性越高。

3.4.2診斷結(jié)果 ROC診斷結(jié)果見圖7。

圖7 ROCFig. 7 ROC

由圖7可知，代表本研究方法的A點最接近左上角的1點，且其所占用的AUC為0.854，數(shù)值最大。其次為代表基于神經(jīng)網(wǎng)絡(luò)的輔助診斷方法的B點，然后是代表基于支持向量機的輔助診斷的D點，最后是代表基于聚類分析的輔助診斷方法的C點，說明本研究方法的診斷結(jié)果更為精確。

4 結(jié)束語

肺部腫瘤的早期診斷可以提高其治愈率，但目前在早期診斷出肺部腫瘤的概率只有30%左右。針對該問題，本研究提出一種基于隨機森林的肺部腫瘤PET/CT圖像計算機輔助診斷方法，該方法經(jīng)ROC測試AUC達0.854，有效提高了診斷準確性，達到了預(yù)期目標。