陳星宇

摘 ?要：肺結(jié)節(jié)檢測(cè)技術(shù)目前是醫(yī)學(xué)圖像處理領(lǐng)域中的一個(gè)熱門研究課題。該文旨在探討如何快速有效地完成打通整個(gè)肺結(jié)節(jié)檢測(cè)的流程，實(shí)現(xiàn)對(duì)輸入的胸部CT圖像進(jìn)行肺結(jié)節(jié)檢測(cè)。該文利用patch與patch之間的空間關(guān)系，針對(duì)數(shù)據(jù)集進(jìn)行合理的數(shù)據(jù)增強(qiáng)和模型調(diào)優(yōu)，提高模型泛化能力。使用圖像分割檢測(cè)圖像中所有可能是肺結(jié)節(jié)的區(qū)域，生成候選集，使用一種基于改進(jìn)后的3D-Unet醫(yī)學(xué)圖像處理模型對(duì)上一步驟生成的結(jié)果進(jìn)行分類，剔除假陽性的候選，保留真正的結(jié)節(jié)，實(shí)現(xiàn)對(duì)輸入的胸部CT圖像進(jìn)行肺結(jié)節(jié)檢測(cè)。該技術(shù)不僅可用于肺結(jié)節(jié)CT智能診斷，也能應(yīng)用于甲狀腺癌、乳腺癌、腦瘤、腎癌、肝癌等重大疾病，具有重要的醫(yī)學(xué)價(jià)值和社會(huì)價(jià)值。

關(guān)鍵詞：3D-Unet ?圖像分割 ?肺結(jié)節(jié) ?機(jī)器學(xué)習(xí)

中圖分類號(hào)：TP39 ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2020）08（c）-0217-03

Abstract： Lung nodule detection technology is a hot topic in the field of medical image processing. This paper aims to explore how to quickly and effectively complete the whole process of pulmonary nodule detection， so as to realize the detection of pulmonary nodules on the input chest CT images. In this paper， the spatial relationship between patch and patch is used to enhance the data set and optimize the model to improve the generalization ability of the model. Image segmentation is used to detect all possible areas of lung nodules in the image， and candidate sets are generated. An improved 3D UNET medical image processing model is used to classify the results generated in the previous step. False positive candidates are eliminated and the real nodules are retained to realize the detection of pulmonary nodules in the input chest CT image. The technology can not only be used in CT intelligent diagnosis of pulmonary nodules， but also be applied to thyroid cancer， breast cancer， brain tumor， renal cancer， liver cancer and other major diseases， which have important medical and social value.

Key Words： 3D UNET; Image segmentation; Pulmonary nodules; Machine learning

肺結(jié)節(jié)檢測(cè)技術(shù)目前是醫(yī)學(xué)圖像處理領(lǐng)域中的一個(gè)熱門研究課題。肺結(jié)節(jié)類醫(yī)療人工智能產(chǎn)品無疑是目前最熱門的方向，中國(guó)年新增肺癌患者數(shù)量全球第一，年肺癌因素死亡人數(shù)全球第一，早篩需求旺盛，低劑量螺旋CT正被廣泛推廣。從圖像質(zhì)量上來說，胸部CT圖像分層薄、視野清晰、干擾因素少、病灶特征規(guī)律可循，是智能影像判讀的理想用武之地，加之中國(guó)影像醫(yī)師的稀缺及國(guó)家政策的大力推動(dòng)，這一領(lǐng)域的應(yīng)用基礎(chǔ)堪稱完美。

1 ?優(yōu)化傳統(tǒng)機(jī)器學(xué)習(xí)輔助診斷

該項(xiàng)目將利用patch與patch之間的空間關(guān)系，提升模型的準(zhǔn)確性，針對(duì)數(shù)據(jù)集進(jìn)行合理的數(shù)據(jù)增強(qiáng)和模型調(diào)優(yōu)，提高模型泛化能力。使用圖像分割（segmentation）算法檢測(cè)圖像中所有可能是肺結(jié)節(jié)的區(qū)域，生成候選集。使用一種3D-Unet算法對(duì)上一步驟生成的結(jié)果進(jìn)行分類，剔除假陽性的候選，保留真正的結(jié)節(jié)。將訓(xùn)練圖像分割模型（U-net）和三維卷積神經(jīng)網(wǎng)絡(luò)（3D-CNN）模型進(jìn)行模型串聯(lián)，最終形成3D-Unet模型，完整打通整個(gè)肺結(jié)節(jié)檢測(cè)的流程，實(shí)現(xiàn)對(duì)輸入的胸部CT圖像進(jìn)行肺結(jié)節(jié)檢測(cè)。最終逐步實(shí)現(xiàn)：（1）機(jī)器（交互平臺(tái)）完成初步篩選、判斷，交由醫(yī)生完成最后判斷。（2）人工智能快速完成初篩，交由醫(yī)生進(jìn)行判斷，大幅縮短醫(yī)生閱片時(shí)間。

2 ?基于改進(jìn)后的3D-Unet醫(yī)學(xué)圖像處理模型

在生物醫(yī)學(xué)影像處理的時(shí)候，很多數(shù)據(jù)都是塊狀的，實(shí)際上是由多個(gè)切片堆疊成一張3D的圖像。如果用Unet處理3D的圖像，需要將3D的圖像切成多個(gè)切片2D數(shù)據(jù)，忽略了不同切片之間的內(nèi)在聯(lián)系和空間維度的關(guān)系，使得準(zhǔn)確度難以提升。因此，將3D數(shù)據(jù)一層一層轉(zhuǎn)化為2D數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)訓(xùn)練是不現(xiàn)實(shí)的，而且用整個(gè)3D體積的全部數(shù)據(jù)去訓(xùn)練既效率低又會(huì)造成過擬合的問題。該文利用3D卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在少部分2D的標(biāo)注切片上就能夠形成密集的立體分割。這種網(wǎng)絡(luò)有兩個(gè)好處：一是在稀疏標(biāo)注的數(shù)據(jù)集上訓(xùn)練并能夠預(yù)測(cè)其他未標(biāo)注的地方;二是能夠在多個(gè)稀疏標(biāo)注的數(shù)據(jù)集上進(jìn)行訓(xùn)練，然后預(yù)測(cè)新的數(shù)據(jù)。該文以3D-Unet作為基礎(chǔ)模型，在3D-Unet上進(jìn)行改進(jìn)。

為了證明方法的有效性，該文在BRATS 2018數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證。BRATS 2018的訓(xùn)練集中有285個(gè)病例，每個(gè)病例有4個(gè)模態(tài)，需要分割出whole tumor， enhance tumor and tumor core。該文將每個(gè)病例以3D的形式輸入3D uent。該文的實(shí)驗(yàn)環(huán)境為L(zhǎng)inux電腦，使用了一塊2080Ti GPU，使用的深度學(xué)習(xí)環(huán)境是Keras。該文分別在3D-Unet和改進(jìn)后的 3D-Unet上進(jìn)行實(shí)驗(yàn)對(duì)比，證明該文方法的有效性。

圖1是原始3D-Unet的loss和該文提出的改進(jìn)后的3D-Unet的loss。通過對(duì)比發(fā)現(xiàn)，該文提出的改進(jìn)后的3D-Unet的loss值下降較快，且波動(dòng)較小，而且validation loss和training loss值箱單，說明該文提出的方法的魯棒性較好，不容易存在過擬合的現(xiàn)象，不止在訓(xùn)練集上效果良好。

圖3是測(cè)試集上的結(jié)果，通過結(jié)果可以看到，兩種算法在Enhancing Tumor這個(gè)指標(biāo)上效果都不好，說明未來還需要更好地改進(jìn)算法提高這個(gè)指標(biāo)。在Whole Tumor和Tumor Core上，該文提出的改進(jìn)后的3D-Unet效果明顯優(yōu)于原來的3D-Unet算法。

3 ?結(jié)語

該文利用3D-Unet進(jìn)行訓(xùn)練，在少部分2D的標(biāo)注切片上就能夠形成密集的立體分割。這樣不僅在稀疏標(biāo)注的數(shù)據(jù)集上訓(xùn)練并能夠預(yù)測(cè)其他未標(biāo)注的地方，還能夠在多個(gè)稀疏標(biāo)注的數(shù)據(jù)集上進(jìn)行訓(xùn)練，然后預(yù)測(cè)新的數(shù)據(jù)。為醫(yī)生進(jìn)行肺癌預(yù)測(cè)性診斷提供有效輔助，旨在嘗試建立肺結(jié)節(jié)定性診斷的輔助診斷模型，以實(shí)現(xiàn)肺結(jié)節(jié)的智能化快速和準(zhǔn)確診斷，為臨床提供一種現(xiàn)代化、智能化輔助診斷方法。

參考文獻(xiàn)

[1] Shen W，Zhou M，Yang F，et al. Learning from Experts： Developing Transferable Deep Features for Patient-Level Lung Cancer Prediction[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention.2016：124-131.

[2] Tang X，Wang X，Luo P.Hierarchical face parsing via deep learning[C]//Proceeding of the 2012 IEEE Confereceon Computer Vision and Pattern Recognition.2012：2480-2487.

[3] Hu J，Shen L，Sun G.Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2018：7132-7141.

[4] 田繼祥，王碩禾，張冰華，等.基于分?jǐn)?shù)階改進(jìn)Retinex低光圖像增強(qiáng)的儀表檢測(cè)算法[J].濟(jì)南大學(xué)學(xué)報(bào)：自然科學(xué)版，2020（4）：313-320.

[5] 袁野，和曉歌，朱定坤，等.視覺圖像顯著性檢測(cè)綜述[J].計(jì)算機(jī)科學(xué)：，2020，47（7）：84-91.

[6] 曾建華，黃時(shí)杰.典型圖像邊緣檢測(cè)算子的比較與分析[J].河北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2020，44（4）：295-301.