代湖明，陳彥如，袁平，卓碧華

（1.四川大學(xué)計算機學(xué)院，成都610065；2.重慶市第二師范學(xué)院技術(shù)與信息工程學(xué)院，重慶400067；3.武警警官學(xué)院信息技術(shù)教研室，成都610213）

0 引言

垂體腺瘤是常見的良性神經(jīng)內(nèi)分泌腺瘤，起源于垂體前葉，主要存在于鞍區(qū)，其在人群中的發(fā)病率大致為每年每10 萬人中有80-90 例，約占所有腦腫瘤中的15%[1-4]。

在腺垂體細胞的分化過程中，垂體轉(zhuǎn)錄因子決定著腺垂體祖細胞的分化方向。根據(jù)2017 版世界衛(wèi)生組織對垂體腫瘤的分類解讀，垂體轉(zhuǎn)錄因子主要包括t-box 垂體轉(zhuǎn)錄因子、表達垂體特異性POU-同源結(jié)構(gòu)域的轉(zhuǎn)錄因子（PIT-1）、T-PIT 轉(zhuǎn)錄因子和類固醇生成因子（SF-1）[5-6]。其中，泌乳素細胞和生長激素細胞由表達PIT-1 轉(zhuǎn)錄因子的細胞分化而來，然而泌乳素腺瘤患者和生長激素腺瘤患者在臨床上的治療有明顯的差異。大多數(shù)接受藥物治療的泌乳素腺瘤患者都有較好的效果[7]，而生長激素腺瘤患者則必須進行手術(shù)切除，故對泌乳素腺瘤和生長激素腺瘤的正確分類在臨床上具有重要的意義。

放射組學(xué)能夠把醫(yī)學(xué)影像數(shù)據(jù)轉(zhuǎn)換成大量的定量影像特征，目前已廣泛應(yīng)用于各種腫瘤特征的提取[8-10]。此研究通過提取泌乳素腺瘤和生長激素腺瘤在核磁共振成像（Magnetic Resonance Imaging，MRI）上的放射組學(xué)信息，建立出一個基于放射組學(xué)信息的機器學(xué)習(xí)模型，然后對泌乳素腺瘤和生長激素腺瘤進行精準(zhǔn)分類。

1 數(shù)據(jù)獲取

1.1 圖像采集

本次研究搜集了2016 年1 月至2019 年2 月間確診的110 例垂體瘤患者的術(shù)前MRI 圖像（增強T1 加權(quán)成像），其中38 例為泌乳素腺瘤，72 例為生長激素腺瘤。兩位經(jīng)驗豐富的神經(jīng)外科醫(yī)生對所有診斷材料進行了回顧，以獲得準(zhǔn)確的診斷結(jié)果。數(shù)據(jù)的納入標(biāo)準(zhǔn)如下：①所有患者均經(jīng)過組織學(xué)診斷為垂體瘤，并通過免疫組化染色對垂體瘤進行了明確的分級；②MRI 圖像質(zhì)量良好，無明顯偽影，所有MRI 圖像均在術(shù)前一周獲得。排除標(biāo)準(zhǔn)包括：①垂體瘤免疫組化染色不清楚；（②MRI 圖像質(zhì)量差，偽影明顯。從醫(yī)院的圖像檔案和通信系統(tǒng)中獲取所有患者的MRI 醫(yī)學(xué)數(shù)字成像（Digital Imaging and Communications in Medicine，DICOM）原圖，用于進一步的定性和定量分析。

1.2 腫瘤手動分割

首先將患者的每一張MRI 序列的DICOM 圖像切片載入到開源軟件ITK-SNAP（version 3.8.0, www.itksnap.org）中，然后由一名神經(jīng)外科醫(yī)生和一名神經(jīng)放射學(xué)家（分別有14 年和13 年的神經(jīng)腫瘤診斷經(jīng)驗）在每一張MRI 圖像中勾畫出腫瘤區(qū)域，根據(jù)勾畫出的腫瘤區(qū)域，ITK-SNAP 會為每一個患者的一系列DICOM 圖像切片生成一個NRRD 格式的圖像文件，最后的勾畫結(jié)果由另外兩名放射專家進行回顧。

2 特征提取與處理

2.1 圖像預(yù)處理

提取放射組學(xué)特征的方法是基于1.2 小節(jié)中獲得的分割結(jié)果。首先對每個患者的原始DICOM 圖像進行標(biāo)準(zhǔn)化處理，如公式（1）所示，然后再對標(biāo)準(zhǔn)化后的圖像進行小波變換，得到8 張小波變換圖像。

公式（1）中x 表示圖像中的每一個像素點，μx表示圖像的均值，σx是圖像的標(biāo)準(zhǔn)差。

2.2 提取放射組學(xué)特征

首先，把每個患者的一系列MRI 的DICOM 原圖合并成一張三維圖像，并把1.2 小節(jié)中提取到的分割圖像也合并成一張三維圖像，接著把兩張三維圖像輸入提取放射組學(xué)信息的開源軟件Pyradiomics（https://pyradiomics.readthedocs.io/）中提取放射組學(xué)特征。從原始圖像中提取出18 個一階統(tǒng)計特征、14 個形狀特征、22 個灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）特征、16 個灰度行程矩陣特征（Gray Level Run Length Matrix，GLRLM）、16 個灰度區(qū)域大小矩陣（Gray Level Size Zone Matrix，GLSZM）以及14 個灰度相關(guān)矩陣（Gray Level Dependence Matrix，GLDM），總共從每個患者的MRI 原始圖像中提取100 個特征，從8 張小波變換圖像中提取出688 個相同類型的紋理特征（沒有提取形狀特征），所以總共從每個患者的MRI 序列圖像中提取出了788 個放射組學(xué)特征。所有特征的詳細描述信息可以從網(wǎng)站（http://www.radiomics.io/pyradiomics.html）中找到。對每個患者MRI 圖像（增強T1 加權(quán)成像）均進行上述的特征提取。

2.3 數(shù)據(jù)增強

從1.1 小節(jié)中可知，收集到的110 名垂體瘤患者中，有38 名患者為泌乳素腺瘤，72 名生長激素腺瘤，數(shù)據(jù)存在嚴(yán)重的類別不平衡現(xiàn)象。通常而言，分類學(xué)習(xí)方法中都假設(shè)不同類別的訓(xùn)練樣例數(shù)目相同。如果某一類別的訓(xùn)練樣例數(shù)比其他類別的訓(xùn)練樣例數(shù)多，那么機器學(xué)習(xí)模型會更偏向于樣例數(shù)多的類別，這是由于機器學(xué)習(xí)模型只要將樣本的結(jié)果判定為樣例數(shù)多的類別，模型就能取得較高的精確率，但這樣的模型對于實際應(yīng)用而言是沒有意義的。為了解決數(shù)據(jù)中存在的類別不平衡現(xiàn)象，利用SMOTE（Synthetic Minority Oversampling Technique）算法對訓(xùn)練集進行數(shù)據(jù)增強。

SMOTE 算法的目的在于生成新的少數(shù)類樣本，生成的策略如下：對樣本中的每個少數(shù)類樣本a，從它的最近鄰樣本中隨機選出一個樣本b，然后再樣本a、b 之間的連線上隨機選一個點生成新的少數(shù)類樣本，如圖1所示。

SMOTE 算法流程：

（1）從少數(shù)類中的樣本a，計算它到少數(shù)類樣本集中其他所有樣本的歐氏距離，得到k 個與樣本a 距離最近的點。

（2）計算樣本不平衡的比例，從而確定過采樣的倍率N，少數(shù)類中的每一個樣本a，從其k 個距離最近的樣本中隨機選擇N 個樣本，假設(shè)選擇的樣本為b。

（3）對于每一個隨機選出的樣本b，分別與樣本a按照公式（2）生成新的樣本c。

圖1 SMOTE算法

2.4 數(shù)據(jù)標(biāo)準(zhǔn)化

從每個病人的MRI 序列中提取到的788 個特征存在量綱上的差異，有的特征值并不是同一個數(shù)量級，然而量綱上的差異并不能真實表達出特征的重要性。在模型學(xué)習(xí)的過程中，量綱大的特征對最終學(xué)習(xí)到的結(jié)果影響更大，會導(dǎo)致最終學(xué)到的模型不可信。為了解決這一問題，通過標(biāo)準(zhǔn)化可以使得不同的特征變量具有相同的尺度，那么在使用梯度下降法學(xué)習(xí)模型參數(shù)的時候，不同特征對參數(shù)的影響程度就一致了。同時，通過將數(shù)據(jù)標(biāo)準(zhǔn)化，還可以加速損失函數(shù)的收斂速度。本文使用的標(biāo)準(zhǔn)化方法為z-score 標(biāo)準(zhǔn)化，如公式（3）所示。

其中μ為所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

2.5 數(shù)據(jù)降維

數(shù)據(jù)集特征維度太高會導(dǎo)致過擬合的現(xiàn)象，特別是當(dāng)數(shù)據(jù)樣本較少的時候。由2.2 小節(jié)可知，每個病人的MRI 序列可以提取出788 個特征，然而數(shù)據(jù)集中只有110 個樣本，由此可知目前的特征維度太高。為了增加機器學(xué)習(xí)模型的泛化能力，減少過擬合的現(xiàn)象，需要對當(dāng)前的數(shù)據(jù)集進行降維。

主成分分析（Principal Component Analysis，PCA）是常用的數(shù)據(jù)降維方法，PCA 通過低維的特征去盡可能的表達原樣本中的高維特征空間，不僅可以將數(shù)據(jù)壓縮到低維，保留樣本的主要信息，同時還可以使降維之后的數(shù)據(jù)特征之間相互獨立。另外，PCA 將不重要的信息去掉，能起到一定的去噪效果。

3 實驗

為了更好地評估模型的泛化能力，本文使用五折交叉驗證對模型進行訓(xùn)練與測試。首先將38 個泌乳素腺瘤樣本和72 個生長激素腺瘤樣本按比例隨機的平均分成5 折，然后將其中四折的共88 個樣本數(shù)據(jù)作為訓(xùn)練集用于訓(xùn)練模型，剩余一折的樣本數(shù)據(jù)用于測試模型的泛化能力，循環(huán)測試5 輪。劃分好訓(xùn)練集與測試集之后，由于泌乳素腺瘤的樣本數(shù)比較少，使用sklearn（https://scikit-learn.org/stable/）的SMOTE 函數(shù)對訓(xùn)練集進行數(shù)據(jù)增強，得到增強后的訓(xùn)練集共116個樣本，新生成的樣本均為泌乳素腺瘤樣本。

圖2 五折交叉驗證

對訓(xùn)練集進行數(shù)據(jù)增強后，然后使用z-score 對訓(xùn)練集和測試集分別進行標(biāo)準(zhǔn)化，最后再使用PCA 分別對訓(xùn)練集和測試集進行數(shù)據(jù)降維。通過不斷測試，發(fā)現(xiàn)把數(shù)據(jù)降到44 維的時候，模型的泛化能力最好。

把降維后的訓(xùn)練集樣本輸入到邏輯回歸（Logistics Regression）中進行訓(xùn)練，然后用測試集測試學(xué)習(xí)到的模型的效果，得到五折的正確率分別82.6%、91.3%、77.2%、80.95%、85.7%，平均正確率為83.5%。從測試結(jié)果可以看出，有幾折的正確率相差較大，這是由于測試集的樣本較少，少量的判斷錯誤就會導(dǎo)致正確率有比較大的降低。

4 結(jié)語

本文提出了基于放射組學(xué)信息對泌乳素腺瘤和生長激素腺瘤進行精準(zhǔn)分類的機器學(xué)習(xí)模型，通過提取放射組學(xué)的專用軟件包Pyradiomics 提取出兩種腫瘤在MRI 圖片上的放射組學(xué)信息，再通過SMOTE 算法生成新樣本以平衡樣本數(shù)據(jù)集，然后再對平衡后的樣本數(shù)據(jù)集進行z-score 標(biāo)準(zhǔn)化以去除特征間的量綱差異，并利用PCA 對樣本數(shù)據(jù)集進行特征降維以增強機器學(xué)習(xí)模型的泛化能力，之后利用五折交叉驗證對邏輯回歸模型進行訓(xùn)練和測試，模型的平均正確率為83.5%，能精準(zhǔn)地對泌乳素腺瘤和生長激素腺瘤進行分類，具有較高的臨床實用價值。