汪 洋, 李建鋒

(吉首大學(xué)信息科學(xué)與工程學(xué)院，湖南 吉首 416000)

0 引 言

肺部結(jié)節(jié)的診斷是肺癌早期臨床指征的重要指標[1]，傳統(tǒng)方法的肺部結(jié)節(jié)診斷方式主要是通過醫(yī)生的臨床經(jīng)驗對患者每一張肺部CT影像進行甄別來判斷肺部結(jié)節(jié)的大小和有無，但是一般情況下，患者完整的CT圖像數(shù)量較多，工作量較大，而且肺部結(jié)節(jié)所占區(qū)域較小，醫(yī)生排查的難度較大，極易造成漏診和誤診[2]，所以基于計算機輔助技術(shù)的醫(yī)療診斷影像十分必要。目前，基于計算機診斷技術(shù)肺部CT圖像病癥的診斷大體步驟為肺部分割、結(jié)節(jié)檢測、結(jié)節(jié)分割、結(jié)節(jié)分類，隨著卷積神經(jīng)網(wǎng)絡(luò)的提出，基于深度學(xué)習方法的肺部CT影像計算機診斷技術(shù)得到了進一步的發(fā)展[4]，如何通過計算機信息輔助技術(shù)提高患者肺部影像病癥的精度和效率成為眾多科研人員關(guān)注的熱點問題。在two-stage目標檢測方法中RCNN(Region CNN：RCNN)[3]打開了目標檢測的大門后，文獻[6、7]在RCNN基礎(chǔ)上分別提出 Fast RCNN、Faster RCNN改進了RCNN算法，對肺部結(jié)節(jié)的檢測提升了一定的準確率，但檢測速度方面有待提升[8]；隨著one-stage目標檢測方法的發(fā)展， YOLO[9]算法提升了目標檢測的速度，但是對目標比較密集的區(qū)域，容易出現(xiàn)漏檢以及檢測錯誤的情況。文獻[11]提出傳統(tǒng)SSD(Single Shot MultiBox Detector:SSD)算法在小目標檢測上的準確度不理想，實際應(yīng)用中對于直徑在5mm-30mm之間的肺部結(jié)節(jié)小目標，檢測更加困難。針對肺部CT影像肺部結(jié)節(jié)的檢測問題，結(jié)合前人的工作基礎(chǔ)，提出結(jié)合深度殘差網(wǎng)絡(luò)的SSD算法，改進傳統(tǒng)SDD算法在檢測精度方面的性能。

1 方法介紹

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)最先是由學(xué)者Hubel和Wiesel提出的，其主要結(jié)構(gòu)有卷積層(convolutional layer)和池化層(pooling layer)[10]。學(xué)者 K.Fukushima提出的新識別機實現(xiàn)了該網(wǎng)絡(luò)，隨后，許多的研究人員對于神經(jīng)網(wǎng)絡(luò)進行了不斷地改進，其中最具代表性是"改進認知機"的提出。該網(wǎng)絡(luò)對二維圖像的特征提取非常有效，目前廣泛用在圖像處理的領(lǐng)域[15]。如圖1所示含有一個隱藏層的卷積神經(jīng)網(wǎng)絡(luò)單元：

圖1 含有一個隱藏層的卷積神經(jīng)網(wǎng)絡(luò)單元

根據(jù)上圖的網(wǎng)絡(luò)單元可以得到：

(1)

(2)

(3)

(4)

其中：a為隱藏層的輸出，f為激活函數(shù)，W為權(quán)重參數(shù)，x為網(wǎng)絡(luò)單元的輸入，b為輸出的偏置，h為網(wǎng)絡(luò)單元的輸出，一個完整的卷積神經(jīng)網(wǎng)絡(luò)模型是由多個圖一所示的網(wǎng)絡(luò)單元構(gòu)成的。這樣使得網(wǎng)絡(luò)的規(guī)?？梢酝ㄟ^實際的問題來決定，增加了網(wǎng)絡(luò)的靈活性。

1.2 目標檢測算法

目前為止，在目標檢測中運用深度學(xué)習的算法主要有以下兩種：

1one-stage：均勻的在圖片上的不同位置進行密集的采樣，然后使用不同的尺度與寬高比對目標進行標記，最后利用卷積神經(jīng)網(wǎng)絡(luò)提取相應(yīng)的特征后直接進行分類與回歸，這類算法在檢測速度上非?？欤唧w算法流程如圖2所示：

圖2 one-stage目標檢測算法流程

(2) two-stage:采用啟發(fā)式的方法產(chǎn)生許多大小不同稀疏性的候選框，然后對于這一系列候選框進行分類與回歸。具體算法流程如圖3所示：

圖3 two-stage目標檢測算法流程

1.3 SSD目標檢測算法

SSD[11]是Wei Liu在ECCV 2016上提出來的目標檢測算法，它是基于一種端到端的思想，SSD不但結(jié)合了上下文的信息，而且采用不同大小的特征圖進行位置回歸和Softmax分類。使得目標檢測不容易漏檢，提高了模型的準確性。

SSD先驗框的設(shè)置是借鑒了Faster RCNN中的anchor機制，在每一個單元生成的先驗框上，都會得出一系列的檢測值。對于每一個邊界框，都會得到兩個信息，首先是每個類別的置信度，其中SSD算法是將背景也當做一個類別。其次可得到邊界框的位置，其中包含邊界框所在的中心坐標以及它的寬高。SSD設(shè)置的默認框的尺寸是按照特征圖的大小線性遞增的，具體計算公式如式(5)：

(5)

其中表示Smin最底層的尺寸為0.2，Smax表示最高層的尺寸為0.9。至于默認框的寬高比SSD提供了5種不同的比例：

ar={1,2,3,1/2,1/3}

(6)

所以每個默認框的寬高尺寸計算公式分別為：

(7)

(8)

(9)

因此，在每一個特征圖上都會出現(xiàn)6種不同的默認框，比例都是不相同的，這樣模型的檢測就可以涵蓋更多的不同大小的物體，對于圖片中待檢目標密度較大時也有較好的效果。

SSD的損失函數(shù)主要是由物體類別的置信度誤差和位置誤差的加權(quán)和組成的，其表達式如下：

(10)

式中：x表示是否含有目標，c表示置信度，l表示預(yù)測框，g表示真實框，Lconf表示置信度損失，Lloc表示定位損失，N為匹配的默認框的數(shù)目，α為權(quán)重參數(shù)。

SSD算法在VOC數(shù)據(jù)集上表現(xiàn)出較好的檢測性能，但是對于圖片中的小目標的檢測就會存在漏檢的情況，主要的問題是由于待檢的小目標淺層特征分辨率更高，相關(guān)特征更容易表達，因此得到的特征信息更加完全，然而SSD算法是檢測和分類同時進行，在這個過程中會把一些IOU較小的過濾掉，所以檢測的精度表現(xiàn)不佳。

2 融合深度殘差網(wǎng)絡(luò)的SSD目標檢測算法

2.1 問題描述

引入了一種遷移學(xué)習的方法改進傳統(tǒng)的SSD方法，解決傳統(tǒng)SSD方法在肺部CT影像細小肺部結(jié)節(jié)檢測效果不好的問題。遷移學(xué)習[14]實質(zhì)就是在源域中找到與目標域相似的數(shù)據(jù)，通過把這些數(shù)據(jù)的權(quán)值進行適當?shù)恼{(diào)整，使得調(diào)整后的新的數(shù)據(jù)與目標域的數(shù)據(jù)能夠進行匹配，然后進行訓(xùn)練學(xué)習，得到適用于目標域的模型。使得模型在微調(diào)之前具有更高的起點，在訓(xùn)練過程中模型的收斂性更強。

通過遷移學(xué)習初步確定了網(wǎng)絡(luò)的超參數(shù)的權(quán)值之后，然后改進SSD算法的主干網(wǎng)絡(luò)，最初的SSD的主干網(wǎng)絡(luò)采用的是VGG16[12]，但是對小目標檢測網(wǎng)絡(luò)層數(shù)還是太淺，算法提取目標特征不夠充分，但是盲目的增加網(wǎng)絡(luò)的層數(shù)會使模型產(chǎn)生梯度彌散和梯度爆炸，這里引入一種參數(shù)訓(xùn)練較好的ResNet152[13]模型，解決VGG16網(wǎng)絡(luò)層數(shù)不夠的問題，更好的提取較小的肺部結(jié)節(jié)的信息，并消除梯度彌散和梯度爆炸的問題。

2.2 算法基本框架介紹

殘差網(wǎng)絡(luò)[12]的思想最早是由Kaiming He在2016的CVPR會議上提出來的，它的基本思路就是存在一個名為M的模型，它的最優(yōu)網(wǎng)絡(luò)是N層，那么就可以構(gòu)造一個更加深的網(wǎng)絡(luò)模型，在其最后幾層的網(wǎng)絡(luò)的輸出相當于模型M的第N層的輸出的恒等映射(Identity Mapping)，就可以取得幾乎一致的結(jié)果。然而，相對于較為淺層的網(wǎng)絡(luò)，更深的網(wǎng)絡(luò)有著更好的效果，ResNet152模型就是深層網(wǎng)絡(luò)，所以需要引入殘差網(wǎng)絡(luò)易于訓(xùn)練。

ResNet152主要是由許多的殘差單元構(gòu)成的，如圖4所示。假設(shè)該殘差單為第l層，其的映射結(jié)果為：

圖4 殘差單元

H(xl,wl)=F(xl,wl)+xl

(11)

其中：xl為第l層的輸入，Wl是第l層的參數(shù)。

那么，第l+1層的輸入為：

xl+1=H(xl,wl)

(12)

所以可以得到：xl+1=F(xl,wl)+xl，通過不斷地的代入該式子：

xl+2=xl+1+F(xl+1,wl+1)=xl+F(xl,wl)+F(xl+1,wl+1)

(13)

最終可以得到通項式：

(14)

同樣，在反向傳播過程中，假設(shè)網(wǎng)絡(luò)的為ε，利用鏈式求導(dǎo)法則可以得出：

(15)

通過改進SSD算法中的主干網(wǎng)絡(luò)，引入ResNet152網(wǎng)絡(luò)構(gòu)成一種新的網(wǎng)絡(luò)模型，其模型結(jié)構(gòu)如圖5所示。通過主干網(wǎng)絡(luò)中的一系列的卷積層和池化層，不斷的提取肺部切片上的肺結(jié)節(jié)特征生成預(yù)測框，最終生成的預(yù)測框就達到8732個，通過非極大值抑制可以刪除高度冗余的預(yù)測框，使得保留下來的預(yù)測框逼近真實的目標。因為該模型的網(wǎng)絡(luò)較深，對于較小的肺部結(jié)節(jié)的信息得到更好的學(xué)習，使得檢測的結(jié)果能夠更加的準確。

圖5 融合深度殘差網(wǎng)絡(luò)的SSD目標檢測算法模型結(jié)構(gòu)

3 數(shù)據(jù)的預(yù)處理

使用的是數(shù)據(jù)集是LUNA16，其中包含了大量的由多個軸向切片構(gòu)成的肺部CT影像，其中每個CT影像的軸向切片數(shù)量會有所不同，這與掃描機器的種類，掃描設(shè)置的厚度以及患者的不同有關(guān)。整個CT影像是一個三維圖像，它是由多個數(shù)量不同的二維圖像堆疊而成的。其中的一個二維切片如圖6所示。

圖6 肺部切片

為了使得模型得到更好的數(shù)據(jù)，加快訓(xùn)練的速度以及檢測的精確度，需要對數(shù)據(jù)進行預(yù)處理處理操作，避免某一組數(shù)據(jù)的特殊性對實驗結(jié)果造成干擾。所以在肺部CT切片中需要得到帶有肺結(jié)節(jié)的肺實質(zhì)。在這個預(yù)處理過程有標準化像素值，確定肺部的實際邊界，取出最大的連通區(qū)域，進行腐蝕、膨脹等操作，最后得到肺實質(zhì)，結(jié)果如圖7所示，具體的操作過程為：

1圖中a為原始的肺部切片，首先對其進行二值化處理，用于區(qū)分肺部區(qū)域與其他區(qū)域，以便于所設(shè)的閾值能夠明顯的區(qū)分肺部和其他組織，得到圖7(b)。

2據(jù)每一個區(qū)域的邊界框的大小來確定肺部的邊界，將圖7(b)的白色區(qū)域以及噪聲區(qū)提取出來，對于圖像邊緣位置的噪聲產(chǎn)生的黑色區(qū)域通過將其值設(shè)置為0來消除，保留最大的兩塊連通區(qū)域,如圖7(c)所示。

3對于圖7(c)的肺部圖像中會有許多的空洞氣孔，可以通過腐蝕與膨脹來進行消除，可以得到肺部掩碼，然后提取出肺實質(zhì)，如圖7(d)所示，最終得到的肺部圖片如圖7(e)所示。

圖7 數(shù)據(jù)的預(yù)處理

4 實驗結(jié)果與分析

本文主要從算法敏感度、假陽性率等方面進行分析

使用的數(shù)據(jù)集為公開的LUNA16數(shù)據(jù)集，其中包含的肺部CT有888例，總共的肺部結(jié)節(jié)有1186個。對于該模型輸出的每一個候選肺結(jié)節(jié)，計算出出肺部結(jié)節(jié)的距離，通過與標注文件進行比較，當該距離小于標準結(jié)節(jié)半徑時該肺結(jié)節(jié)視為真陽性(true positive，TP)，反之視為假陽性(false positive，F(xiàn)P)。當參考標準中有肺結(jié)節(jié)被漏檢時該結(jié)節(jié)被視為假陰性(false negative，F(xiàn)N)。敏感度(sensitivity)是指在判斷陽性的樣本中，其真實值為陽性的概率。計算公式如式(16)：

(16)

表1比較了兩種網(wǎng)絡(luò)模型進行檢測的敏感度與假陽性率。實驗數(shù)據(jù)結(jié)果表明本方法無論在敏感度和假陽性率上都要優(yōu)于VGG16。本方法加深了網(wǎng)絡(luò)的深度，在肺部結(jié)節(jié)的細節(jié)特征提出上更加全面，所以在檢測的過程中有較好的表現(xiàn)。

表1 本方法與其他檢測算法的比較

5 結(jié) 論

將殘差網(wǎng)絡(luò)與傳統(tǒng)的SSD算法結(jié)合，并且加大了網(wǎng)絡(luò)的深度，通過對數(shù)據(jù)集中的CT圖像進行預(yù)處理操作，從而得到肺部的實質(zhì)，運用遷移學(xué)習的方法，快速的得到檢測的結(jié)果，使得模型對于肺結(jié)節(jié)有較高的檢出率。也進一步說明了基于深度學(xué)習的目標檢測在肺部結(jié)節(jié)上的有效性和實用性。