延亞潔，袁細(xì)國

(西安電子科技大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安710071)

0 引言

頸椎間盤突出是一種非常普遍的疾病，尤其多發(fā)于老年患者，它產(chǎn)生的原因主要包括不正確的姿勢習(xí)慣、年齡、外傷等。頸椎長期反復(fù)勞損或者受到外力刺激，可能會加速頸椎間盤的病變，造成頸椎間盤突出。近年來,由于科技的迅猛發(fā)展、多媒體技術(shù)的不斷進(jìn)步和高壓力快節(jié)奏的生活環(huán)境，人們養(yǎng)成了長時間久坐、長時間伏案使用電腦或者低頭玩手機(jī)、睡覺時枕頭過高或者過低、喜歡睡過軟的床或沙發(fā)、喜歡用不正確的姿勢比如躺著看書或電視等不健康的生活習(xí)慣，不僅導(dǎo)致頸椎病每年的確診率逐年上升，而且患者也越來越趨于年輕化[1,2]。

隨著頸椎間盤突出患者數(shù)量的增多，影像科醫(yī)生處理相關(guān)影像的工作壓力也越來越大。據(jù)實地調(diào)研，一名普通醫(yī)院的影像科醫(yī)生一年要診斷600多個病例，而僅靠人工對輸出到電腦屏幕上的影像進(jìn)行診斷的常規(guī)方式，在工作量加大的情況下，極容易造成醫(yī)生產(chǎn)生視覺疲勞，導(dǎo)致醫(yī)生的失誤率增高，從而延誤疾病的及時治療。將人工智能運用于頸椎間盤突出的診斷識別，不僅可以降低錯診和漏診的發(fā)生，也可以節(jié)省醫(yī)生的時間，降低醫(yī)生在這種繁瑣工作上的工作負(fù)擔(dān)。

深度學(xué)習(xí)在肺癌[3]、肺結(jié)節(jié)[4]、乳腺癌[5]、阿爾茲海默癥[6]、肝硬化[7]等多種醫(yī)療領(lǐng)域的研究中都取得了很豐碩的成果，有很多已經(jīng)投入到現(xiàn)實生活的應(yīng)用之中。但是，深度學(xué)習(xí)在頸椎疾病內(nèi)的研究還較少，權(quán)威頸椎疾病影像學(xué)數(shù)據(jù)集也很少?，F(xiàn)階段，國內(nèi)外將計算機(jī)技術(shù)與頸椎疾病相結(jié)合的主要研究有：Chang T K，Hsu C C，Chen K T[8]在2015年等人針對頸椎退行性椎間盤疾病，通過使用非線性C3-T2多級脊柱模型和神經(jīng)遺傳算法建立模型，找到治療過程中固定螺釘?shù)淖罴逊较颉?018年，Arvind V，Kim J S，Oermann E K等人[9]在接受ACDF的患者的多中心數(shù)據(jù)集上訓(xùn)練了人工神經(jīng)網(wǎng)絡(luò)(ANN)，邏輯回歸(LR)，支持向量機(jī)(SVM)和隨機(jī)森林決策樹(RF)模型，證明了機(jī)器學(xué)習(xí)模型在預(yù)測頸椎前路椎間盤切除術(shù)和融合術(shù)(ACDF)術(shù)后并發(fā)癥的性能。2019年，余行[10]等人采用AlexNet網(wǎng)絡(luò)作為深度學(xué)習(xí)模型，并運用遷移學(xué)習(xí)對該模型進(jìn)行預(yù)置，將訓(xùn)練樣本按照椎體部位分為頸部、胸部、腹部和盆腔四類并進(jìn)行標(biāo)記，并利用數(shù)據(jù)擴(kuò)增提高分類準(zhǔn)確率，以達(dá)到準(zhǔn)確對CT圖像進(jìn)行部位定位的目的。

本文采用遷移學(xué)習(xí)的方法，將 GoogleNet Inception V3[11]在官方公開的其他類型圖像數(shù)據(jù)集上學(xué)習(xí)得到的圖像分類的共性知識遷移到頸椎疾病識別模型上，對頸椎間盤突出進(jìn)行識別，給出最終的診斷結(jié)果，實現(xiàn)對頸椎間盤突出類型的快速、準(zhǔn)確分類。同時，針對頸椎間盤核磁共振影像的特點，本文也對GoogleNet中的Inception V3模型進(jìn)行了改進(jìn)，將該模型中的最大池化以及平均池化替換成了按不同權(quán)重組合起來的組合池化，以提高模型在本數(shù)據(jù)集上的訓(xùn)練效率和識別率，促進(jìn)人工智能在醫(yī)療領(lǐng)域的進(jìn)一步應(yīng)用與發(fā)展。

1 方法研究

本文采取的研究方法是在采集的頸部MRI影像數(shù)據(jù)的基礎(chǔ)上，結(jié)合遷移學(xué)習(xí)，提出了一種改進(jìn)的遷移學(xué)習(xí)網(wǎng)絡(luò)模型(GoogleNet Inception V3)[11]結(jié)構(gòu)，將模型中的平均池化以及最大池化替換成了組合池化，利用采集的樣本進(jìn)行反復(fù)訓(xùn)練，確定合適參數(shù)，得出最后適用于本數(shù)據(jù)集的分類模型。通過大量測試樣本對分類模型進(jìn)行測試并評價分類模型的性能，該模型的建立、訓(xùn)練、及測試質(zhì)量將直接影響：其一，頸椎間盤突出疾病患者的篩查效率；其二，檢測的敏感性及特異性。整體深度學(xué)習(xí)訓(xùn)練框架如圖1所示。

圖1 深度學(xué)習(xí)模型訓(xùn)練框架圖

1.1 影像數(shù)據(jù)來源

據(jù)醫(yī)生介紹，頸椎疾病包括黃韌帶增厚、頸椎椎體骨刺、頸椎間盤突出、椎管狹窄、頸椎間盤變性、椎體后部血管瘤、頸椎骨質(zhì)增生、曲度反曲等多種類型，本文選取了其中最常見且最高發(fā)的頸椎間盤突出疾病作為研究對象。在多種影像學(xué)方式中，對于頸椎病、腰椎間盤突出等椎間盤疾病，軟組織是非常重要的判斷疾病的信息，而據(jù)醫(yī)生介紹，核磁共振(MRI)是臨床上對于頸椎間盤突出癥針對性最強(qiáng)的方法，該方法可清晰地看出病灶部分，為病情的診斷、治療起到了非常積極的作用，所以采集頸部核磁共振影像。

一個病人的MRI圖像有多張，選取離病灶區(qū)域最近，頸椎間盤最清晰的一層來進(jìn)行標(biāo)注存儲。MRI圖像的層面成像如圖2所示，能看到的椎間盤有C2/3、C3/4、C4/5、C5/6和C6/7，據(jù)醫(yī)生介紹，其中最易發(fā)生頸椎間盤突出的是C3/4、C4/5、C5/6和C6/7，醫(yī)生平時也只要對這些椎間盤進(jìn)行診斷，判斷屬于頸椎間盤突出中的膨出、突出、脫出還是正常哪種類型。

圖2 頸椎間盤標(biāo)號圖

針對目前官方公開的頸椎疾病數(shù)據(jù)集極少的現(xiàn)狀，通過醫(yī)院采集了600余名患者的影像學(xué)圖像。因為頸椎間盤突出癥分為膨出、突出和脫出三類，其中脫出非常少見，一年一萬多個病例中只有一個脫出的情況，綜合醫(yī)院減輕醫(yī)生負(fù)擔(dān)的訴求，所以，脫出的情況不考慮在本次研究的范圍內(nèi)。

1.2 影像的處理

影像數(shù)據(jù)的處理對于最終訓(xùn)練出的模型分類效果很重要。在實地搜集到的真實數(shù)據(jù)，由于設(shè)備狀態(tài)不同，影像生成時間不同，患者姿勢不同以及影像數(shù)據(jù)人工標(biāo)注繁瑣等多方面的因素，會包含噪聲多、清晰度有差異、經(jīng)過標(biāo)注的影像數(shù)量較少等問題。所以，對收集到的數(shù)據(jù)需要進(jìn)行一定的數(shù)據(jù)處理操作，包括篩選、截取、歸一化、擴(kuò)增等，保證最終獲得的數(shù)據(jù)集有更好的分類特性。下面對每一種影像處理操作和具體實施方法進(jìn)行詳細(xì)描述。

1.2.1 篩選操作。對采集的頸椎圖像數(shù)據(jù)進(jìn)行篩選操作主要分為2種類型：第1種，由于頸椎間盤突出疾病的判斷主要以軸位影像為主，一個頸椎間盤對應(yīng)3張軸位影像，如圖3所示，需要先從每個椎間盤對應(yīng)的三個軸位影像種，篩選出病灶區(qū)域最清晰的一張，作為最終的數(shù)據(jù)集影像。

圖3 圖片篩選

第2種，為保證最終得到的數(shù)據(jù)集質(zhì)量，對于以下情況的數(shù)據(jù)，要對其進(jìn)行舍棄：第一，由于所用的影像學(xué)設(shè)備狀態(tài)不同或機(jī)器不同，會存在個別影像數(shù)據(jù)不夠清晰的情況，這種不清晰的影像需要舍棄。第二，存在一些頸椎骨骼先天性畸形的患者，頸部的骨骼輪廓和正常骨骼有很大不同，無法看清楚其骨骼形態(tài)及病灶區(qū)域的需舍棄。第三，很多患者，尤其是老年患者，在患頸椎間盤突出的同時，還患有頸部曲度過大、頸椎間隙變窄等其他病癥，如果其他病癥過于嚴(yán)重會導(dǎo)致截取出來的頸椎間盤邊緣輪廓不清晰，病灶模糊，這種情況的圖像應(yīng)該予以舍棄。經(jīng)過以上兩種類型篩選后，剩下的高質(zhì)量頸椎間盤影像數(shù)據(jù)量為膨出118張，突出166張，正常44張。

直接將篩選過后的圖像輸入網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，訓(xùn)練效果不佳，推測是以下兩種原因造成：一是軸位影像中存在很多與病灶區(qū)域無關(guān)的干擾信息，二是數(shù)據(jù)量太少，針對這兩個問題，分別進(jìn)行了以下截取和擴(kuò)增兩種操作。

圖4 頸椎軸位影像各部分說明圖

1.2.2 截取操作。在頸椎軸位影像中，如圖4所示，其他部位如喉、甲狀舌骨肌、肩胛舌骨肌、椎動脈、頸韌帶等部分均為無關(guān)信息，在訓(xùn)練過程中，無關(guān)的信息尤其是頸部邊緣的無關(guān)輪廓信息對網(wǎng)絡(luò)模型的訓(xùn)練會產(chǎn)生一定的干擾，所以，我們對頸椎的四個椎間盤進(jìn)行截取操作，進(jìn)行有針對性的訓(xùn)練，減少無關(guān)信息對頸椎間盤特征提取的干擾。

截取后的圖像如圖5所示，僅保留圖像中的椎體、脊髓、脊神經(jīng)根等和病灶區(qū)域相關(guān)的部分。圖5左為這種對脊髓沒有壓迫的情況，是正常人的核磁共振圖像。突出型是如圖5中所示頸椎間盤的相鄰的脊神經(jīng)根遭到了壓迫或者刺激，其突出的癥狀是目前三種類型中最嚴(yán)重的一種，造成這種情況的原因是髓核或者纖維環(huán)被擠壓破裂后，髓核組織突出到后方或椎管內(nèi)，這一點在圖中也能清晰地看出。膨出型是如圖5右這種椎間盤的纖維環(huán)沒有破裂，只是向椎管內(nèi)或神經(jīng)根方向突出，引起的癥狀相對輕微。

圖5 圖片截取

1.2.3 擴(kuò)增操作。雖然遷移學(xué)習(xí)所需數(shù)據(jù)量要少一些，但需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，所以需要標(biāo)注大量的數(shù)據(jù)。但是當(dāng)標(biāo)注的數(shù)據(jù)量很大的情況下，難免會產(chǎn)生疲勞導(dǎo)致出錯，在不出錯的情況下，效率也十分低下。且由于每一類患者的人數(shù)不同，導(dǎo)致采集到三類數(shù)據(jù)的數(shù)據(jù)量不均衡。

為解決這些問題，往往需要采取一些圖像處理的方式與策略，在已有的數(shù)據(jù)集上進(jìn)行調(diào)整和改進(jìn)，以得到更多的數(shù)據(jù)。為了增加數(shù)據(jù)集的數(shù)據(jù)量，本文采用了在原有數(shù)據(jù)圖像的基礎(chǔ)上加上隨機(jī)噪聲、翻轉(zhuǎn)、在合理范圍內(nèi)增強(qiáng)對比度等方式，其中，增強(qiáng)對比度后的圖像如圖6所示，擴(kuò)增后的數(shù)據(jù)量達(dá)到：膨出600張，突出600張，正常600張。

圖6 經(jīng)過對比度增強(qiáng)的擴(kuò)增數(shù)據(jù)

1.2.4 大小歸一化及命名操作。針對經(jīng)過上述操作后的椎間盤圖像的大小不統(tǒng)一，存在一定程度的差異的問題，對圖片大小進(jìn)行了歸一化操作，以方便后續(xù)進(jìn)行卷積處理，補(bǔ)全、特征提取等等操作，減少了計算量，縮短了訓(xùn)練時間。因為后續(xù)要進(jìn)行特征提取操作，所以必須保證圖像的特征清晰。最終確定的圖片大小不能過大，這樣會導(dǎo)致失真且增加了神經(jīng)網(wǎng)絡(luò)的參數(shù)計算量；也不能過小，防止信息的丟失，影響影像的識別和分類效率。經(jīng)過對截取的圖片大小的統(tǒng)計后，其均值為32×32，這個大小既能保證大部分圖片的信息都保留完整，又能稍稍降低網(wǎng)絡(luò)模型的計算復(fù)雜度。

對于處理好的圖像要進(jìn)行重命名操作，命名時標(biāo)明影像是哪種類型、屬于哪一椎間盤，因為所有椎間盤的診斷方式都一樣，所以在截取和網(wǎng)絡(luò)輸入的過程中，就丟失了該張核磁共振圖像屬于哪一椎間盤的信息，需要在圖片命名時加以說明。

1.3 深度學(xué)習(xí)模型

隨著深度學(xué)習(xí)的不斷發(fā)展進(jìn)步，神經(jīng)網(wǎng)絡(luò)的研究也促進(jìn)了特征識別、圖像分類的發(fā)展，也使機(jī)器識別頸椎間盤突出病灶以及對頸椎間盤突出癥中：膨出、突出、正常進(jìn)行分類成為了可能。本文先搭建和配置深度學(xué)習(xí)網(wǎng)絡(luò)模型所需的環(huán)境，并提出了Googlenet Inception V3模型的一種改進(jìn)策略，結(jié)合遷移學(xué)習(xí)的方法，以提高準(zhǔn)確率。

1.3.1 設(shè)定訓(xùn)練集、驗證集和測試集。將經(jīng)過處理后得到的頸椎間盤突出數(shù)據(jù)集中的80%作為訓(xùn)練集，10%作為驗證集，剩下10%作為測試集，即訓(xùn)練集1440張，驗證集180張，測試集180張。訓(xùn)練集用來訓(xùn)練分類模型，驗證集用來在模型的訓(xùn)練過程中不斷的對模型做出調(diào)整，測試集用來測試最終得到的模型的識別效果。最終得到的數(shù)據(jù)集類別情況如表1所示。

圖7 優(yōu)化后模型結(jié)構(gòu)

表1 數(shù)據(jù)集類別情況表

1.3.2 基于GoogleNet Inception V3網(wǎng)絡(luò)模型的遷移學(xué)習(xí)。GoogleNet中的Inception V3網(wǎng)絡(luò)模型[11]在圖像分類中表現(xiàn)優(yōu)異，它的進(jìn)步之處在于，它保留了Inception V2結(jié)構(gòu)中將大卷積變成小卷積的思路，引入了分解卷積的思想，將整個GoogleNet模型中較大的二維卷積全部拆分為較小的一維卷積[11]。例如，將3×3卷積拆分成1×3和3×1兩個不對稱的小卷積。這樣不僅可以減輕計算量防止過擬合，而且因為多卷積一次，多一次Relu環(huán)境激活，對非線性多維度的細(xì)微特征更加敏感，這對于需要提取細(xì)微特征的頸椎數(shù)據(jù)集來說十分有優(yōu)勢。

常見的遷移學(xué)習(xí)有：基于距離的遷移學(xué)習(xí)、基于特征的遷移學(xué)習(xí)、基于參數(shù)的遷移學(xué)習(xí)和基于相關(guān)性的遷移學(xué)習(xí)[12]。本文采用的是基于參數(shù)的遷移學(xué)習(xí)，這種遷移學(xué)習(xí)方法可以保留原訓(xùn)練模型時的參數(shù)，僅需重新調(diào)整原模型中的幾層，即可達(dá)到很好的效果。它可以把Inception V3 在其他大規(guī)模數(shù)據(jù)集上學(xué)習(xí)得到經(jīng)驗直接遷移到本次模型的訓(xùn)練中，大大提高了訓(xùn)練效率以及訓(xùn)練速度。

1.3.3 改進(jìn)的GoogleNet Inception V3網(wǎng)絡(luò)模型。由于頸椎核磁共振影像數(shù)據(jù)集相較于其他數(shù)據(jù)集不同，具有其他數(shù)據(jù)集不具備的特點。第一，核磁共振都是灰度影像，邊緣兩邊的顏色對比不是特別強(qiáng)烈，導(dǎo)致一些邊緣特征不易提取，丟失這些邊緣信息對病癥的診斷不利。第二，醫(yī)療影像特征的提取相較于整體特征的把握，更注重細(xì)節(jié)局部特征的提取。針對這兩點，本文對原有模型進(jìn)行了優(yōu)化，最終得到的優(yōu)化模型如圖7所示。

首先，針對圖像對比不強(qiáng)的問題，本文在圖片輸入神經(jīng)網(wǎng)絡(luò)之前的擴(kuò)增操作中，對擴(kuò)增的圖像進(jìn)行了一定范圍內(nèi)的對比度增強(qiáng)處理。第二，由于平均池化著重提取模型的整體特性，最大池化著重提取模型的局部細(xì)節(jié)特征，針對頸椎間盤數(shù)據(jù)集注重局部特征細(xì)節(jié)的特點，本文將Inception V3模型中特征提取部分的池化，都替換為組合池化，即如果原模型是最大池化，則最大池化與平均池化的比例為7比3；如果原模型是平均池化，則最大池化與平均池化比例為3比7。并且，針對GoogleNet Inception V3模型中特有的三種Inception模塊，也按該思路進(jìn)行優(yōu)化，以其中一種Inception模塊為例，優(yōu)化后的Inception模塊如圖8所示。

圖8 優(yōu)化后的Inception模塊

針對組合池化權(quán)重的選取問題，本文對不同的權(quán)重進(jìn)行了嘗試，以迭代訓(xùn)練過程中的loss值和accuracy為評定指標(biāo)，其結(jié)果如表2所示。綜合測試集和驗證集，結(jié)果表明，在組合池化層的比例為3比7時，實驗效果最佳。

通過優(yōu)化網(wǎng)絡(luò)進(jìn)行改進(jìn)從而得出適用于頸椎間盤突出數(shù)據(jù)集的模型具有重要的意義?；诔醪酱_定的網(wǎng)絡(luò)結(jié)構(gòu)，將有效的訓(xùn)練樣本數(shù)據(jù)輸入到網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果不斷優(yōu)化參數(shù)，選取合適的網(wǎng)絡(luò)結(jié)構(gòu)，達(dá)到了較優(yōu)的分類效果。本文通過對膨出、突出、正常樣本的學(xué)習(xí)和訓(xùn)練，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)參數(shù)，以達(dá)到分類模型具有高敏感度、極低假陰性的目標(biāo)。

表2 池化比例的選取

2 實驗過程及結(jié)果分析

2.1 實驗準(zhǔn)備

本實驗的實驗設(shè)備、系統(tǒng)環(huán)境如表3所示，操作系統(tǒng)為Windows10，處理器型號為Intel(R) Core(TM) i7-8500U CPU，顯卡型號為GeForce GTX 1050 with Max-Q Design，編程語言為python3.6.10，深度學(xué)習(xí)框架為Tensorflow框架,所選學(xué)習(xí)率為固定值0.01。

表3 實驗設(shè)備及系統(tǒng)環(huán)境

2.2 訓(xùn)練過程

在整個訓(xùn)練過程中，判斷訓(xùn)練是否正常進(jìn)行，在迭代多少步終止能得到最佳模型主要觀察以下兩個指標(biāo)：其一為accuracy，它是將所有判斷正確的個數(shù)累加起來，然后除以樣本總數(shù)，其中正確的個數(shù)指的是真陽性、真陰性，錯誤的個數(shù)指的是假陽性、假陰性；第二個指標(biāo)為Loss函數(shù)，Loss函數(shù)采用的是Cross Entropy Error Function(交叉熵?fù)p失函數(shù))[12]，其在多分類的情況下的公式如

(1)

其中M表示類別的數(shù)量；yic表示如果該類別和樣本i的類別相同就是1，否則是0；pic表示對于觀測樣本i屬于類別的預(yù)測概率。pi涉及到計算每個類別的概率，所以交叉熵常與softmax函數(shù)[12]一起使用，表示將圖片識別為特別類的概率，其公式如

(2)

圖9 Trainning loss值變化曲線

最后對損失函數(shù)做L2正則化，放大誤差，避免過擬合。假設(shè)待正則的網(wǎng)絡(luò)參數(shù)為w，則其表達(dá)式為

(3)

其中λ越大對模型復(fù)雜度的約束就越大。最終的Loss函數(shù)為

Loss=L+L1。

(4)

最終在學(xué)習(xí)率0.01，迭代次數(shù)9200次的時候模型達(dá)到最優(yōu)，經(jīng)過一定平滑處理后的trainning loss值變化曲線圖如圖9所示。

2.3 模型評估結(jié)果

在測試集上，定義的識別準(zhǔn)確率，即疾病實際類別標(biāo)記值和模型預(yù)測的類別輸出值一致率。由于此問題是三分類問題，所以不能簡單用傳統(tǒng)的混淆矩陣，本文建立一個本次實驗的三分類的混淆矩陣[13,14]，如表4。由該混淆矩陣，可以計算每一個類別的精準(zhǔn)率和召回率，在計算該類別時其他類別可以當(dāng)作負(fù)樣本，此時對于該類別就可以變成一個二分類問題。

表4 三分類結(jié)果混淆矩陣

精準(zhǔn)率(Precision)[13,14]是針對預(yù)測結(jié)果而言的，其含義是在被所有預(yù)測為正的樣本中實際為正樣本的概率，表達(dá)式為公式(6)。精確率和準(zhǔn)確率看上去有些類似，但是是兩個完全不同的概念。精確率代表對正樣本結(jié)果中的預(yù)測準(zhǔn)確程度，準(zhǔn)確率則代表整體的預(yù)測準(zhǔn)確程度，包括正樣本和負(fù)樣本。

(6)

召回率(Recall)[13，14]是針對原來本的數(shù)據(jù)樣本來說的，其含義是被預(yù)測為正的樣本相對于實際正樣本的占比，表達(dá)式為公式(7)。

(7)

雖然我們希望精確率和召回率都很高，但實際上上述兩個指標(biāo)是矛盾的。因此，選擇合適的閾值點，就需要根據(jù)實際問題需求來定。通常情況下，是根據(jù)他們之間的平衡點，定義一個新的指標(biāo)：F1分?jǐn)?shù)(F1-Score)[13,14],F1分?jǐn)?shù)同時考慮精確率和召回率，讓兩者同時達(dá)到最高，取得平衡,F1分?jǐn)?shù)表達(dá)式為

(8)

由于頸椎間盤突出癥中，突出比膨出的情況更嚴(yán)重，所以可以人為設(shè)定權(quán)重，將這三個類別的F1score按照權(quán)重合成在一起。我所定義的人工權(quán)重如表5所示。

表5 人工權(quán)重設(shè)置

得到最后該網(wǎng)絡(luò)的總得分Score為

Score=0.45×F1score+0.35×F1score+0.20×F1score。

(9)

最終計算結(jié)果如表6所示。

表6 計算結(jié)果

由表6可知，最終得到的該模型分類結(jié)果評分為0.8628。

2.4 與其他算法的對比

為了測試改進(jìn)的方法是否優(yōu)于其他的方法，本次頸椎影像學(xué)分類在頸椎間盤突出的數(shù)據(jù)集上測試中進(jìn)行了一系列的對比實驗，將該模型與其他用于圖像分類的深度學(xué)習(xí)模型進(jìn)行了對比。

圖10 評分對比圖

LeNet[15]、ResNet[16]以及VggNet[17]三種神經(jīng)網(wǎng)絡(luò)均是用于圖像分類的經(jīng)典神經(jīng)網(wǎng)絡(luò)。其中LeNet是卷積神經(jīng)網(wǎng)絡(luò)的開山之作，是最經(jīng)典也是最基本的結(jié)構(gòu)[15]；而ResNet作為2015年ILSVRC競賽中圖片分類和物體識別的優(yōu)勝，在圖片分類方面有很好的表現(xiàn)[16]；雖然2014年ILSVRC競賽中的第一名是GoogLeNet[18]，第二名VggNet，但是它在很多遷移學(xué)習(xí)任務(wù)中的表現(xiàn)要優(yōu)于GoogLeNet[17]。

將數(shù)據(jù)集帶入這三種用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)模型：VggNet、ResNet、LeNet中，將其效果與本課題采用的方法進(jìn)行對比，采用上一節(jié)中提到的測試集F1score的加權(quán)評分來評判模型的優(yōu)略。結(jié)果表明，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集的評分為0.8628分。LeNet、ResNet、VggNet的測試集加權(quán)評分分別為：0.6627分、0.7298分、0.6832分，對比圖如圖10所示。

3 結(jié)論

本文主要以頸椎間盤突出作為研究對象，以頸椎核磁共振影像為基礎(chǔ)，提出一種改進(jìn)的GoogleNet Incption V3遷移學(xué)習(xí)模型，訓(xùn)練出了一種深度學(xué)習(xí)模型，來實現(xiàn)頸椎間盤突出疾病的影像學(xué)分類，判斷被診斷者是否患有頸椎間盤突出。如果他患有該疾病，判斷他患有的是膨出類型還是突出類型。

在研究過程中，首先，采集影像數(shù)據(jù)并且制作了頸椎間盤突出數(shù)據(jù)集，經(jīng)過篩選、截取、擴(kuò)增、以及大小歸一等操作后，得到正常600張，膨出600張，突出600張共1800張的一個三分類數(shù)據(jù)集。然后，結(jié)合遷移學(xué)習(xí)方法，針對本數(shù)據(jù)集特點，提出了一種對本數(shù)據(jù)集有優(yōu)勢的一種改進(jìn)的GoogleNet Inception V3網(wǎng)絡(luò)模型，將數(shù)據(jù)集帶入模型進(jìn)行訓(xùn)練，最終實現(xiàn)對頸椎間盤突出影像的分類。最后，通過綜合三分類混淆矩陣、查準(zhǔn)率、查全率、F1score提出了一種0到1的評分方法來評估神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確度。得到改進(jìn)后的GoogleNet Inception V3模型評分為0.8628分，高于其他深度學(xué)習(xí)方法LeNet的0.6627分、ResNet的0.7298分以及VggNet的0.6832分。