王六一，宋文愛，林鑫山，岳 寧，楊吉江，王 青，雷 毅

1.中北大學(xué) 軟件學(xué)院，太原030051 2.中國醫(yī)學(xué)科學(xué)院 北京協(xié)和醫(yī)學(xué)院 研究生院，北京100730 3.中日友好醫(yī)院 呼吸中心呼吸與危重癥醫(yī)學(xué)科，北京100029 4.山東大學(xué)第二醫(yī)院 影像科，濟(jì)南250033 5.清華大學(xué) 自動化系，北京100089

支氣管擴(kuò)張定義為支氣管的永久性擴(kuò)張，臨床上表現(xiàn)為咳嗽、咳痰，常因感染而導(dǎo)致急性加重，并可引起肺通氣功能障礙[1]?，F(xiàn)有關(guān)于支氣管擴(kuò)張的流行病學(xué)調(diào)查顯示，支氣管擴(kuò)張的患病率已經(jīng)超過5/10 000的罕見病歐盟定義[2]，且其患病率及發(fā)病率呈現(xiàn)出逐年上升的趨勢。2013年，中國第一次進(jìn)行了針對支氣管擴(kuò)張患病情況的流行病學(xué)調(diào)查，調(diào)查顯示中國40歲以上人群經(jīng)醫(yī)師診斷支氣管擴(kuò)張的患病率為1.2%[3]。

支氣管擴(kuò)張癥的診斷以影像學(xué)為基礎(chǔ)，CT檢查是診斷支氣管擴(kuò)張的重要手段。目前常用的CT嚴(yán)重程度評估系統(tǒng)中，改良Reiff評分因其簡便性及有效性在臨床廣泛應(yīng)用，是支氣管擴(kuò)張嚴(yán)重度指數(shù)（The Bronchiectasis Severity Index，BSI）的重要條目[4]，依據(jù)改良Reiff總分可進(jìn)行嚴(yán)重程度分級，其評分標(biāo)準(zhǔn)如表1。2018年推出的BRICS評分系統(tǒng)盡管因推出時(shí)間晚，尚未在臨床推廣，但仍具有較好的臨床應(yīng)用前景[5]，其評分標(biāo)準(zhǔn)如表2。

表1 改良Reiff評分標(biāo)準(zhǔn)

表2 BRICS評分標(biāo)準(zhǔn)

支氣管擴(kuò)張?jiān)u分依據(jù)于醫(yī)生對CT圖像中支氣管擴(kuò)張程度的判斷，要求醫(yī)生具有專業(yè)性，需要醫(yī)生對大量CT圖像進(jìn)行支氣管擴(kuò)張程度的判斷，且由于地域發(fā)展的不平衡，基層醫(yī)師更為缺乏，所以需要一套簡單易行且診斷準(zhǔn)確度在一定水平之上的解決方案。隨著人工智能的發(fā)展，基于深度學(xué)習(xí)的圖像處理方案有了實(shí)現(xiàn)的可能。醫(yī)生根據(jù)輔助診斷系統(tǒng)給出的結(jié)果得到患者的支氣管擴(kuò)張嚴(yán)重程度的評分，這種診斷方式大大減少了醫(yī)生的重復(fù)工作，提高了醫(yī)生的工作效率。該方式可有效向基層進(jìn)行推廣，在此基礎(chǔ)上可獲得大量的數(shù)據(jù)并進(jìn)一步提升診療識別能力，對緩解醫(yī)療資源不足問題有著重要意義。

1 相關(guān)領(lǐng)域研究現(xiàn)狀

當(dāng)前，支氣管擴(kuò)張人工智能自動評分系統(tǒng)領(lǐng)域的研究非常少，我國目前仍缺乏支氣管擴(kuò)張的患病數(shù)據(jù)。尤其是有影像學(xué)診斷證據(jù)支持的支氣管擴(kuò)張研究基本上是空白的。在支氣管擴(kuò)張檢測中，CT影像處理主要包含圖像降噪、肺實(shí)質(zhì)提取和肺葉分割三部分。計(jì)算機(jī)斷層掃描（CT）技術(shù)的不斷發(fā)展和在醫(yī)療實(shí)踐中的廣泛應(yīng)用引起了公眾對患者相關(guān)輻射劑量的關(guān)注，但降低輻射劑量可能導(dǎo)致噪聲和偽影增加[6]。Yang等[6]提出了一種基于生成對抗網(wǎng)絡(luò)的CT圖像降噪方法。將LDCT去噪問題視為從LDCT到NDCT圖像的轉(zhuǎn)換。Skourt等[7]提出了一種基于U-net架構(gòu)的肺部CT圖像分割方法用于肺實(shí)質(zhì)提取，利用很少的圖像進(jìn)行端到端的訓(xùn)練，其結(jié)果十分優(yōu)異。Xie等[8]提出了一種新的用于肺葉分割的方法RTSU-Net，使用了一種新的神經(jīng)網(wǎng)絡(luò)模型來利用肺葉的結(jié)構(gòu)化關(guān)系分割肺葉，并且在由于感染新冠肺炎而導(dǎo)致嚴(yán)重肺部感染的病例中肺葉分割性能出色。

醫(yī)學(xué)圖像分析是深度學(xué)習(xí)的一個(gè)相當(dāng)活躍的研究領(lǐng)域，近年來深度學(xué)習(xí)尤其是計(jì)算機(jī)視覺在醫(yī)學(xué)領(lǐng)域中的發(fā)展尤為迅速，但支氣管擴(kuò)張疾病方向尚未有成熟模型。Ali等[9]受AlphaGo的啟發(fā)設(shè)計(jì)了基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測系統(tǒng)，并在LIDC-IDRI數(shù)據(jù)集中得出了99.1%的總體準(zhǔn)確率。儲春潔等[10]基于MaskR-CNN[14]框架，使用MSCOCO（Microsoft Commom Objects in Context）數(shù)據(jù)集來做肺結(jié)節(jié)目標(biāo)檢測任務(wù)，對最小的肺結(jié)節(jié)檢測率也達(dá)到了78%。席孝倩等[11]提出了肺結(jié)節(jié)輔助診斷系統(tǒng)，該系統(tǒng)通過訓(xùn)練好的數(shù)據(jù)模型檢測肺部CT影像，盡可能簡化操作，實(shí)現(xiàn)人機(jī)交互式操作，減輕醫(yī)生的負(fù)擔(dān)，降低肺結(jié)節(jié)診斷的誤診和漏診率。

2 支氣管擴(kuò)張自動評分的步驟

基于深度學(xué)習(xí)方法對支氣管擴(kuò)張自動評分目前有兩種主要思路，關(guān)鍵區(qū)別在于對數(shù)據(jù)的利用。

步驟類型1：

此類型使用監(jiān)督學(xué)習(xí)，使用醫(yī)生標(biāo)注好的數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測模型。診斷流程如圖1所示。

圖1 輔助診斷流程圖類型1

（1）獲取原始LDCT（低劑量CT圖像），請醫(yī)生選擇一定數(shù)量的數(shù)據(jù)進(jìn)行標(biāo)記，將不同嚴(yán)重程度的支氣管擴(kuò)張進(jìn)行標(biāo)注，進(jìn)行必要的圖像預(yù)處理。

（2）對處理好的數(shù)據(jù)進(jìn)行目標(biāo)檢測任務(wù)，生成目標(biāo)檢測的預(yù)測模型。將肺部CT圖像輸入識別模型，對檢出的支氣管擴(kuò)張進(jìn)行打分并輸出結(jié)果。

步驟類型2：

此類型和類型1的區(qū)別在于是否可以利用大量的未標(biāo)注數(shù)據(jù)。首先通過醫(yī)生標(biāo)注的數(shù)據(jù)訓(xùn)練一個(gè)多示例學(xué)習(xí)的方法得到帶有粗糙標(biāo)簽的圖像，再利用這些粗糙標(biāo)簽訓(xùn)練一個(gè)有監(jiān)督學(xué)習(xí)的目標(biāo)檢測模型以進(jìn)行目標(biāo)檢測任務(wù)，診斷流程如圖2所示。

圖2 輔助診斷流程圖類型2

在本文接下來的內(nèi)容里，第3章詳細(xì)介紹了支氣管擴(kuò)張檢測中的圖像預(yù)處理部分，主要包含了CT圖像降噪、肺實(shí)質(zhì)提取和肺葉分割三部分。第4章依據(jù)目前支氣管擴(kuò)張檢測的兩種思路，分別介紹了監(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)下的目標(biāo)檢測方法。

3 CT圖像預(yù)處理

3.1 CT影像降噪

圖像去噪的目的是在保留臨床細(xì)節(jié)的情況下抑制圖像中的噪聲，使圖像有助于診斷。隨著CT技術(shù)的發(fā)明，CT圖像的降噪研究應(yīng)運(yùn)而生。CT圖像降噪方法評估中的一個(gè)非常重要的要求是必須保留所有臨床相關(guān)的圖像內(nèi)容，特別是圖像邊緣和小結(jié)構(gòu)。目前的圖像去噪算法可分為兩類，空域像素特征去噪算法和變換域去噪算法。

3.1.1 傳統(tǒng)方法

近年來，雙邊[12]和非局部均值（NLM）[13]濾波器在圖像去噪中非常流行。雙邊濾波是一種用于圖像去噪的非線性、邊緣保護(hù)的平滑濾波器。圖像中每個(gè)像素的亮度值被附近像素的亮度值的加權(quán)平均值代替。Giraldo等[14]對CT圖像的兩種降噪方法進(jìn)行了比較研究。他們在真實(shí)的CT圖像和虛擬圖像上測試了他們的方法。他們的結(jié)論表明這兩種方法的去噪效果都非常好。

Ai等[15]提出了一種基于自適應(yīng)張量主成分分析（AT-PCA）算法的LDCT圖像去噪方案。使用鄰域像素來表示目標(biāo)像素，使用自適應(yīng)搜索窗口來選擇補(bǔ)丁并且搜索相似的補(bǔ)丁。此外，基于張量的主成分分析用于獲得變換矩陣，其中系數(shù)按線性最小均方誤差順序縮小。獲得收縮的斑塊，并對所有收縮的斑塊進(jìn)行聚集以獲得去噪圖像。該方法比NLM濾波能更有效地抑制噪聲，提高圖像質(zhì)量。

為了更好地保持邊緣細(xì)節(jié)，Al-Ameen等[16]提出了一種保相去噪算法。傳統(tǒng)相位保持方法抑制了處理過的圖像中的特定細(xì)節(jié)。因此，他們使用2D高斯點(diǎn)擴(kuò)散函數(shù)的維納濾波器對保相算法進(jìn)行了改進(jìn)。該算法的優(yōu)點(diǎn)是更好地保留了次要的醫(yī)學(xué)細(xì)節(jié)，并改善了過度的噪聲抑制。同時(shí)保相去噪方法可以從較高層次的細(xì)節(jié)中去除具體細(xì)節(jié)。

同樣的，Duan等[17]提出了一種基于二階全廣義變分模式的醫(yī)學(xué)圖像去噪方案。他們結(jié)合了基于快速傅里葉變換的分裂布雷格曼算法，以提高計(jì)算效率。對合成醫(yī)學(xué)數(shù)據(jù)來說該方案比現(xiàn)有的最先進(jìn)的降噪方法更好地抑制了噪聲。他們的方法有效地減少了噪聲，而不產(chǎn)生階梯效應(yīng)。

3.1.2 深度學(xué)習(xí)方法

隨著深度學(xué)習(xí)算法在圖像去噪方面的革命性發(fā)展，通過層次化的網(wǎng)絡(luò)概念提高了圖像高級特征的學(xué)習(xí)。圖像去噪已經(jīng)引入了Auto編碼器、堆疊稀疏去噪自編碼器（SSDA）及其變體等技術(shù)。它們具有利用強(qiáng)空間相關(guān)性來提高圖像去噪性能的強(qiáng)大能力。

Kang等[18]介紹了使用小波變換的卷積神經(jīng)網(wǎng)絡(luò)的更高層次版本。他們通過有限角度斷層成像減少了重建誤差，其中濾波后的反投影被用于降噪。Chen等[19]提出了一種基于輕量級卷積神經(jīng)網(wǎng)絡(luò)的CT圖像去噪方法，并取得了很好的結(jié)果。在進(jìn)一步的延伸工作中，Chen等[20]使用反卷積網(wǎng)絡(luò)與CNN模型的快捷連接來增強(qiáng)CT圖像的去噪工作，CNN模型被稱為殘差編碼器解碼器卷積神經(jīng)網(wǎng)絡(luò)（RED-CNN）。同時(shí)，他們進(jìn)行了有助于改善結(jié)果的基于補(bǔ)丁的訓(xùn)練。Gondara[21]首先提出了醫(yī)學(xué)圖像去噪，其中去噪自動編碼器使用卷積層。結(jié)論表示，在大多數(shù)其他去噪方法都失效的地方，他的方法可以抑制更高的噪聲，邊緣也被很好地保留了。一些CT降噪方法的比較如表3所示。

表3 一些CT降噪方法的比較

3.2 肺實(shí)質(zhì)分割

肺實(shí)質(zhì)的準(zhǔn)確分割是肺部疾病診斷和治療的重要前置步驟。由于肺部區(qū)域存在不均勻性，動脈、靜脈、支氣管和細(xì)支氣管等肺部結(jié)構(gòu)具有相似的強(qiáng)度值，所以肺實(shí)質(zhì)分割是一項(xiàng)困難的任務(wù)，它基本上是從肺部CT圖像中提取肺實(shí)質(zhì)部分，為后續(xù)步驟提供準(zhǔn)確的感興趣區(qū)域。在支氣管擴(kuò)張檢測中肺實(shí)質(zhì)分割是一個(gè)必不可少的步驟，且肺實(shí)質(zhì)分割是肺葉分割的前置操作。

3.2.1 傳統(tǒng)肺實(shí)質(zhì)分割方法

雖然傳統(tǒng)的肺實(shí)質(zhì)分割算法不具備基于神經(jīng)網(wǎng)絡(luò)的算法的準(zhǔn)確率，但是對設(shè)備要求相對不高，且花費(fèi)的時(shí)間較少。因此，傳統(tǒng)算法仍然有很大的價(jià)值。

Shariaty等[22]提出了一種新的基于閾值算法的CT圖像肺部分割方法，該方法通過重建操作檢測出附著的結(jié)節(jié)并將其添加到肺部掩膜中。Gopalakrishnan等[23]提出了一種方法，利用自適應(yīng)多級閾值法（Adaptive Multilevel Thresholding）來估計(jì)高斯分布的總數(shù)以及其初始參數(shù)。再對使用高斯混合模型（Gaussian Mixture model）分割的肺實(shí)質(zhì)使用自適應(yīng)形態(tài)濾波（Adaptive Morphological Filtering），以減少邊界誤差。

Zhang等[24]提出了一種新的改進(jìn)GrabCut算法用于肺實(shí)質(zhì)分割，該算法可以自動選擇與肺實(shí)質(zhì)相關(guān)的合適邊界，然后使用GrabCut算法來提取肺實(shí)質(zhì)。該算法能夠適應(yīng)不同形態(tài)的肺實(shí)質(zhì)，有效提高分割的準(zhǔn)確性。Hao等[25]提出了一種基于信息熵和聯(lián)合向量的LBF主動輪廓模型的自動分割方法。該方法通過pet（正電子發(fā)射計(jì)算機(jī)斷層掃描）中的標(biāo)準(zhǔn)攝取值提取肺結(jié)節(jié)的感興趣區(qū)域，并利用自動閾值迭代粗略構(gòu)建初始輪廓。該方法對肺實(shí)質(zhì)的分割有很大的參考意義。

曲彥等[26]提出了一種使用閾值方法結(jié)合模糊C均值聚類的傳統(tǒng)方法。他們的方法可以準(zhǔn)確區(qū)分左右肺，準(zhǔn)確率分別為0.983 2和0.980 7。他們通過聚類、標(biāo)記和合并相同類型的超像素子區(qū)域獲得了最終的肺實(shí)質(zhì)分割結(jié)果。他們的方法在肺部計(jì)算機(jī)斷層圖像分割的mAP（平均準(zhǔn)確率）可以達(dá)到0.994 6。

Khan[27]提出了一種結(jié)合顏色特征和改進(jìn)的模糊C均值聚類來分割肺實(shí)質(zhì)的新方法。這種方法解決了現(xiàn)有CT肺實(shí)質(zhì)分割技術(shù)的問題，因?yàn)樗Y(jié)合了整個(gè)圖像中存在的不同像素的顏色特征。改進(jìn)的模糊聚類和顏色特征的結(jié)合是該方法的主要優(yōu)點(diǎn)。

Dharmalingham等[28]提出了一種獨(dú)特的病理肺分割方法，稱為基于參考模型的分割，它利用了人肺的形狀特性。該分割方法使用一種新的采樣線算法（Sampling Lines Algorithm）從輸入切片構(gòu)建參考肺模型，并提取形狀特征。

3.2.2 基于深度學(xué)習(xí)的肺實(shí)質(zhì)分割方法

近年來，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、目標(biāo)檢測等領(lǐng)域取得了非常大的成功。許多網(wǎng)絡(luò)都將CNN作為一種特征提取方法，并且對網(wǎng)絡(luò)進(jìn)行了改進(jìn)，取得了很好的效果。目前，CNN在肺實(shí)質(zhì)提取方面取得了很大的成績。

袁甜等[29]提出了一種基于U-Net的肺部CT圖像自動分割算法。她們對原始的CT圖像進(jìn)行高斯和拉普拉斯濾波。將原始圖像和預(yù)處理后的圖像分別作為輸入使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分割。再將分割后的肺區(qū)使用線性回歸來融合并提取肺實(shí)質(zhì)區(qū)域。其中四類圖像分割的準(zhǔn)確率分別達(dá)到0.991、0.978、0.983、0.997。Harrison等[30]提出了用于病理肺分割的網(wǎng)絡(luò)P-HNNs（Progressive Holistically-Nested Networks），這是一種基于自底向上的深度學(xué)習(xí)方法。這種方法最大的優(yōu)點(diǎn)在于不受肺部形狀變化的影響。P-HNNs結(jié)合了監(jiān)督學(xué)習(xí)框架。它通過一種簡單的、有效的多路徑方法得到增強(qiáng)，他們使用P-HNNs合并來自不同網(wǎng)絡(luò)級的輸出。一些肺實(shí)質(zhì)分割方法的比較如表4所示。

表4 肺實(shí)質(zhì)分割方法比較

3.3 肺葉分割

人體的肺實(shí)質(zhì)可以分為五個(gè)功能相對獨(dú)立的解剖學(xué)區(qū)域——肺葉，相鄰肺葉間的物理邊界被稱為肺裂。在支氣管擴(kuò)張程度兩種評分標(biāo)準(zhǔn)中，改良Reiff評分標(biāo)準(zhǔn)需要對每個(gè)肺葉中的支氣管擴(kuò)張單獨(dú)打分并相加。肺葉的分割基于三個(gè)肺裂的檢測，需要肺實(shí)質(zhì)等傳統(tǒng)解剖學(xué)信息。因此首先要進(jìn)行肺實(shí)質(zhì)提取。目前肺葉分割算法的思路大致相同：檢測屬于肺裂的像素點(diǎn)，使用檢測到的肺裂像素點(diǎn)生成肺裂面，進(jìn)而得到五個(gè)肺葉。

以解剖學(xué)知識為先驗(yàn)知識的肺葉分割，需要依賴肺部結(jié)構(gòu)解剖學(xué)知識。Kuhnigk等[31]基于肺裂附近通常沒有較大的血管的解剖學(xué)知識，利用交互式的三維分水嶺算法來檢測肺葉，接著利用肺葉的邊緣檢測來分割肺葉。Lassen等[32]在Kuhnigk的基礎(chǔ)上，將肺裂分割的信息和肺氣道分割的信息引入代價(jià)函數(shù)，利用三維分水嶺算法來檢測和分割肺葉。Wei等[33]通過預(yù)先估計(jì)的裂縫方向搜索沒有氣管和呼吸道的平坦的感興趣區(qū)域（Region of Interest），然后使用2D小波變換檢測可能的肺裂，并給出了九名患者的肺葉分割結(jié)果。

圖譜引導(dǎo)（atlas-guided）方法是利用標(biāo)準(zhǔn)模板對醫(yī)學(xué)圖像進(jìn)行分割，將圖像分割問題轉(zhuǎn)換為圖像配準(zhǔn)問題，將標(biāo)準(zhǔn)圖譜通過線性或非線性映射到待分割的圖像上[34]。Zhang等[35]使用圖譜來初始化對感興趣裂隙區(qū)域的搜索。該圖譜由裂隙和肺邊界構(gòu)建，并初始化對包含傾斜裂隙的區(qū)域的模糊推理搜索。然后，使用基于結(jié)構(gòu)張量的裂隙點(diǎn)檢測和平滑約束，通過圖形搜索找到最佳裂隙曲線，進(jìn)行肺葉分割。van Rikxoort等[36]使用基于圖譜的配準(zhǔn)，基于使用監(jiān)督過濾器檢測到的肺邊界和裂點(diǎn)，分割肺裂。在兩個(gè)數(shù)據(jù)集上分別給出了定量和定性的結(jié)果。

George等[37]將深度學(xué)習(xí)與隨機(jī)游走（random walk）算法相結(jié)合，提出了一種新的肺葉分割方法。先使用P-HNN模型來識別潛在的肺葉邊界，再使用隨機(jī)游走算法生成肺葉分割的結(jié)果。他們是最先將深度學(xué)習(xí)應(yīng)用到肺葉分割的人。其優(yōu)點(diǎn)是增強(qiáng)了病變肺的穩(wěn)健性，且方法簡單，不會犧牲準(zhǔn)確性，其準(zhǔn)確性顯著勝過傳統(tǒng)方法。Tang等[38]提出了一種新的深度學(xué)習(xí)方法用于肺葉分割，在LUNA16數(shù)據(jù)集上隨機(jī)標(biāo)記了50個(gè)CT掃描數(shù)據(jù)，使用Dice系數(shù)差異函數(shù)來處理極端的數(shù)據(jù)不平衡問題和焦點(diǎn)損失。在LUNA16測試集和天池測試集的平均Dice系數(shù)分別達(dá)到91.48%和94.17%。Imran等[39]介紹了一種漸進(jìn)性的深度學(xué)習(xí)方法Progressive Dense V-Network（PDV-Net）。CT影像只在一個(gè)單一的向前的網(wǎng)絡(luò)中進(jìn)行處理，不依賴于先驗(yàn)的肺部解剖學(xué)知識、不依賴于專業(yè)人員的專業(yè)知識介入，且在三個(gè)公開數(shù)據(jù)集中得到了很好的結(jié)果。一些肺葉分割方法的比較如表5所示。

表5 肺葉分割方法比較

4 目標(biāo)檢測

目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域中的一項(xiàng)重要課題，主要研究內(nèi)容是將圖像或視頻中的目標(biāo)物體與其他信息進(jìn)行切分，并獲得這一目標(biāo)的類別信息和位置信息，其應(yīng)用范圍包括人臉檢測、自動駕駛、醫(yī)學(xué)圖像檢測等。在支氣管擴(kuò)張?jiān)\斷中有兩個(gè)主要任務(wù)：檢測和分割，在CT圖像中檢測支氣管擴(kuò)張后，依據(jù)支氣管擴(kuò)張的位置與單獨(dú)得分，結(jié)合肺葉分割位置和兩大評分規(guī)則，可以得出病人在兩大評分標(biāo)準(zhǔn)：改良Reiff[4]和BRICS[5]下的支氣管擴(kuò)張嚴(yán)重程度的最終得分。

4.1 目標(biāo)檢測的傳統(tǒng)方法

傳統(tǒng)目標(biāo)檢測的流程為：（1）確定滑動窗口后在圖像中的不同位置提取候選區(qū)域；（2）對候選區(qū)域進(jìn)行特征提??；（3）利用事先訓(xùn)練好的分類器對特征信息進(jìn)行分類。根據(jù)不同的應(yīng)用背景可以靈活選取不同的目標(biāo)檢測方法，傳統(tǒng)目標(biāo)檢測方法可以分為四類：基于像素分析的方法、基于特征匹配的方法、基于頻域的方法和基于識別的檢測方法[41]。傳統(tǒng)的目標(biāo)檢測方法采用人工手動提取特征信息，無法避免在此過程中存在特征信息不完整的問題，從而導(dǎo)致識別效果較差。具體來說，傳統(tǒng)的目標(biāo)檢測算法還存在以下問題：

（1）基于滑動窗口的候選區(qū)域選擇沒有明確的目標(biāo)，時(shí)間復(fù)雜度高。

（2）手工設(shè)計(jì)的特征對于多樣性的變化沒有很好的魯棒性。

4.2 深度學(xué)習(xí)方法

深度學(xué)習(xí)的方法自2012年AlexNet[42]提出以來就引發(fā)了研究熱潮，目標(biāo)檢測領(lǐng)域也引入了深度學(xué)習(xí)方法。深度學(xué)習(xí)方法的優(yōu)勢在于模型抽取特征代替了傳統(tǒng)的手工設(shè)計(jì)特征，且可以實(shí)現(xiàn)端到端的訓(xùn)練方式。在醫(yī)學(xué)圖像處理的目標(biāo)檢測任務(wù)中，由于醫(yī)學(xué)圖像的特殊性，后續(xù)的實(shí)現(xiàn)思路可以區(qū)分為監(jiān)督學(xué)習(xí)方法和弱監(jiān)督學(xué)習(xí)方法。

4.2.1 監(jiān)督學(xué)習(xí)的思路

監(jiān)督學(xué)習(xí)，是機(jī)器學(xué)習(xí)中的一種思路，可以由標(biāo)記好的訓(xùn)練集中建立一個(gè)模式或函數(shù)，并依此模式或函數(shù)推測新的實(shí)例。在支氣管擴(kuò)張的評估任務(wù)中需要對醫(yī)學(xué)圖像進(jìn)行人工標(biāo)注，且只依賴于標(biāo)注的數(shù)據(jù)，送入深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，并不斷地調(diào)參與調(diào)優(yōu)，最終可以得到一個(gè)能夠?qū)]有任何標(biāo)記的肺部CT圖像自動進(jìn)行支氣管擴(kuò)張檢測與分割的模型。

在當(dāng)前基于深度學(xué)習(xí)的目標(biāo)檢測方法中，大體可以分為兩類：“two-stage”和“one-stage”。第一類思想的代表方法是Girshick等[43]在2014年提出的R-CNN。R-CNN的實(shí)現(xiàn)思路是首先通過選擇搜索提取一組候選區(qū)域，再將每個(gè)候選區(qū)域調(diào)整為固定的大小，然后進(jìn)行特征提取。最后，利用線性SVM（Support Vector Machine）分類器識別目標(biāo)檢測。Girshick[44]在2015年對R-CNN進(jìn)一步改進(jìn)，提出了Fast R-CNN。Fast R-CNN可以在相同的神經(jīng)網(wǎng)絡(luò)下同時(shí)訓(xùn)練檢測器和邊框回歸，進(jìn)一步提升了目標(biāo)檢測的精度。Ren等[45]在Fast R-CNN之后提出了FasterR-CNN算法。Faster R-CNN是第一個(gè)端到端的深度學(xué)習(xí)目標(biāo)檢測方法。He等[46]提出的Mask R-CNN，融合了分割和檢測任務(wù)，使用插值方法將ROI對齊，進(jìn)一步提高了目標(biāo)檢測準(zhǔn)確度。Han等[47]使用了多條件生成對抗網(wǎng)絡(luò)（MCGAN）來生成近似真實(shí)結(jié)節(jié)的3D結(jié)節(jié)，并置于真實(shí)肺部CT圖像上，再將肺部CT圖像輸入3D Faster R-CNN以進(jìn)行結(jié)節(jié)檢測。他們的結(jié)果表明，3D卷積神經(jīng)網(wǎng)絡(luò)的檢測實(shí)現(xiàn)了更高的靈敏度，并解決了醫(yī)學(xué)數(shù)據(jù)匱乏的問題。

Liu等[48]使用Mask R-CNN用于肺結(jié)節(jié)檢測。由于正負(fù)樣本之間的不平衡，他們訓(xùn)練了基于塊的分類網(wǎng)絡(luò)，并選擇了精度最高的分類網(wǎng)絡(luò)用作Mask R-CNN的骨干網(wǎng)絡(luò)，該網(wǎng)絡(luò)在自然圖像上表現(xiàn)出色。最后，將在COCO數(shù)據(jù)集上訓(xùn)練的Mask R-CNN模型進(jìn)行了微調(diào)用以檢測肺結(jié)節(jié)。獲得的平均精度為0.733 4 mAP。

第二類方法是one-stage算法。這類思想的代表方法是Redmon等[49]于2016年提出YOLO（You Only Look Once）。YOLO將單個(gè)神經(jīng)網(wǎng)絡(luò)應(yīng)用于目標(biāo)檢測任務(wù)的整體上。YOLO將圖像分割成多個(gè)區(qū)域，并同時(shí)預(yù)測每個(gè)區(qū)域的邊界框和概率。接下來，Redmon等進(jìn)一步提出了YOLOv2[50]和YOLOv3[51]版本，同最初的YOLO相比檢測精度進(jìn)一步提高。Liu等[52]在2016年結(jié)合了R-CNN的錨點(diǎn)機(jī)制和YOLO的回歸思想，提出了SSD算法，引入了多尺度的檢測方法，即在每一個(gè)尺度提取的特征圖上都進(jìn)行檢測，檢測速度和準(zhǔn)確度同YOLO進(jìn)一步提升。

George等[53]提出了一種用于肺結(jié)節(jié)定位的檢測系統(tǒng)，該系統(tǒng)利用了基于YOLO的同時(shí)兼具魯棒性和性能的DetectNet網(wǎng)絡(luò)。不同于帶有滑動窗口的CNN分類器中那樣存在重疊窗口，因此該方法更快且計(jì)算效率更高。通過采用遷移學(xué)習(xí)來提高結(jié)節(jié)檢測系統(tǒng)的準(zhǔn)確性，在每張圖像有6個(gè)假陽性的情況下具有89%的靈敏度。宋艷艷等[54]為了解決目標(biāo)檢測的多尺度和多姿態(tài)的問題，在YOLOV3的基礎(chǔ)上進(jìn)行了改進(jìn)。添加了104×104尺度檢測層，通過K-means聚類分析得到適用于行人目標(biāo)檢測數(shù)據(jù)集的邊界框尺寸，用于目標(biāo)檢測以提高其網(wǎng)絡(luò)性能，改善了目標(biāo)遮擋影響以提高檢測效果。在行人檢測數(shù)據(jù)集上的準(zhǔn)確率分別為78.10%和80.53%，具有較好的檢測性能和魯棒性。

Khosravan等[55]提出了一種新的基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測方法S4ND，以端到端的方式進(jìn)行訓(xùn)練。他們分別與SSD網(wǎng)絡(luò)以及高效的肺結(jié)節(jié)檢測方法3D DCNN在來自LUNA的挑戰(zhàn)數(shù)據(jù)集上進(jìn)行了肺結(jié)節(jié)檢測準(zhǔn)確率的比較。依據(jù)實(shí)驗(yàn)結(jié)果，他們提出的方法在效率和準(zhǔn)確性方面均優(yōu)于其他兩種方法。

4.2.2 弱監(jiān)督學(xué)習(xí)思路

目標(biāo)檢測模型的性能在很大程度上取決于有標(biāo)簽的訓(xùn)練樣本數(shù)量，但是，圖像中目標(biāo)邊界注釋框的收集是一項(xiàng)耗時(shí)的任務(wù)，而且在一些特殊情況下，有監(jiān)督的訓(xùn)練樣本難以獲取。因此，一些學(xué)者開展了弱監(jiān)督目標(biāo)檢測研究。弱監(jiān)督學(xué)習(xí)在醫(yī)學(xué)圖像中的主要思想是不完全監(jiān)督，指的是訓(xùn)練數(shù)據(jù)中部分?jǐn)?shù)據(jù)帶有人工標(biāo)注的標(biāo)簽，而其他的大量數(shù)據(jù)都是原始數(shù)據(jù)。這不僅僅是因?yàn)闃?biāo)注工作的量大，還是因?yàn)槟承╊I(lǐng)域的數(shù)據(jù)對于標(biāo)注人員的要求極高。例如，在醫(yī)學(xué)領(lǐng)域中需要構(gòu)建大型的醫(yī)學(xué)圖像數(shù)據(jù)時(shí)，這就需要由專業(yè)的醫(yī)生進(jìn)行標(biāo)注，然而醫(yī)生對于數(shù)據(jù)科學(xué)的理解可能不夠，有些數(shù)據(jù)的標(biāo)注無法達(dá)到一定的要求。

目前主流的弱監(jiān)督目標(biāo)檢測算法是首先通過訓(xùn)練一個(gè)多示例學(xué)習(xí)的方法得到帶有粗糙標(biāo)簽的圖像，然后利用這些粗糙標(biāo)簽來訓(xùn)練一個(gè)監(jiān)督學(xué)習(xí)的目標(biāo)檢測模型。這些粗糙的標(biāo)簽也被稱為偽標(biāo)簽。這是一個(gè)多階段的過程，容易造成的后果是由于算法具有非凸性因而使模型陷入局部極小值，從而造成不能檢測整個(gè)物體，Wan等[56]提出了C-MIL模型，將實(shí)例劃分為多個(gè)空間相關(guān)和類相關(guān)的子集，通過子集中一系列平滑損失函數(shù)來近似原始目標(biāo)損失函數(shù)，緩解了非凸性問題。Bilen等[57]提出WSDDN（Weakly Supervised Deep Detection Networks）方法，WSDDN是第一個(gè)可以實(shí)現(xiàn)端到端訓(xùn)練的弱監(jiān)督學(xué)習(xí)模型。

在利用其他弱監(jiān)督信息方面，Yang等[58]注意到物體的空間位置、外觀和運(yùn)動與圖像中物體的動作密切相關(guān)，提出了利用僅帶有動作標(biāo)簽的樣本訓(xùn)練目標(biāo)檢測模型，不僅在訓(xùn)練過程中減少了目標(biāo)候選框的搜索范圍，還減少了目標(biāo)檢測模型所需的監(jiān)督量，實(shí)現(xiàn)了一定程度的性能提升。近年來，新的弱監(jiān)督多層協(xié)作學(xué)習(xí)思路被提出，即將監(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)相結(jié)合。同時(shí)給定兩個(gè)相關(guān)模型，一個(gè)是弱監(jiān)督模型，一個(gè)是監(jiān)督模型，通過協(xié)作模型將它們結(jié)合起來。Wang等[59]提出了弱監(jiān)督協(xié)作學(xué)習(xí)（WSCL）方法，將弱監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)和監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)整合為一個(gè)端到端的網(wǎng)絡(luò)。通過一致性損失約束監(jiān)督網(wǎng)絡(luò)和弱監(jiān)督網(wǎng)絡(luò)，使其具有近似的結(jié)果，通過共享特征來保證監(jiān)督網(wǎng)絡(luò)和弱監(jiān)督網(wǎng)絡(luò)的一致性，來實(shí)現(xiàn)弱監(jiān)督協(xié)作學(xué)習(xí)。Desai等[60]提出了一種基于主動學(xué)習(xí)的自適應(yīng)弱監(jiān)督框架，將Faster R-CNN與PBAL（基于標(biāo)準(zhǔn)池的主動學(xué)習(xí)）結(jié)合。他們與監(jiān)督學(xué)習(xí)下的目標(biāo)檢測方法相比較，既保證了目標(biāo)檢測的準(zhǔn)確度，又減少了訓(xùn)練目標(biāo)檢測模型的時(shí)間成本。他們證明了弱監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)可以進(jìn)行協(xié)作學(xué)習(xí)，為弱監(jiān)督技術(shù)與監(jiān)督學(xué)習(xí)的結(jié)合提出了新的思路。馬圓等[61]對基于深度信念網(wǎng)絡(luò)（DBN）的協(xié)作學(xué)習(xí)方法與SVM方法在肺結(jié)節(jié)良惡性檢測中進(jìn)行對比，發(fā)現(xiàn)DBN識別肺結(jié)節(jié)良惡性的準(zhǔn)確性高于SVM方法接近20%，且方便程度與準(zhǔn)確程度都優(yōu)于SVM方法。DBN通過有監(jiān)督和無監(jiān)督學(xué)習(xí)過程的協(xié)作，能較好地完成目標(biāo)檢測與分類任務(wù)。

當(dāng)前最新的弱監(jiān)督學(xué)習(xí)目標(biāo)檢測框架依然達(dá)不到主流監(jiān)督學(xué)習(xí)目標(biāo)檢測的準(zhǔn)確度。因此，將弱監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)結(jié)合進(jìn)行協(xié)作學(xué)習(xí)是弱監(jiān)督目標(biāo)檢測的未來發(fā)展的趨勢。一些目標(biāo)檢測方法的比較如表6所示。

表6 深度學(xué)習(xí)目標(biāo)檢測模型

5 總結(jié)

肺實(shí)質(zhì)提取、肺葉分割、目標(biāo)檢測是做支氣管擴(kuò)張?jiān)u估的核心任務(wù)，由優(yōu)秀的肺實(shí)質(zhì)提取算法得到準(zhǔn)確的肺實(shí)質(zhì)，再依據(jù)兩種評分標(biāo)準(zhǔn)，判斷是否需要分割肺葉，然后再基于數(shù)據(jù)集的情況進(jìn)行目標(biāo)檢測，最終得到醫(yī)療層面的支氣管擴(kuò)張嚴(yán)重程度的評分，這是目前來看最具可行性的技術(shù)路線。監(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)這兩種思路各有優(yōu)缺點(diǎn)，對于監(jiān)督學(xué)習(xí)的思路來說，對數(shù)據(jù)集的要求較高，需要專業(yè)的醫(yī)生來對數(shù)據(jù)進(jìn)行標(biāo)注，但在對支氣管擴(kuò)張嚴(yán)重程度的檢測上準(zhǔn)確度更好。對于弱監(jiān)督學(xué)習(xí)的思路來說，對標(biāo)注數(shù)據(jù)的要求不高，但是對數(shù)據(jù)量有要求，且可以利用大量未標(biāo)注的數(shù)據(jù)。

目前肺實(shí)質(zhì)提取和肺葉分割已經(jīng)有了準(zhǔn)確度足夠高的方法。支氣管擴(kuò)張AI診斷系統(tǒng)想要實(shí)現(xiàn)落地目標(biāo)，其未來重點(diǎn)研究方向包含兩個(gè)層面：第一是盡管醫(yī)學(xué)圖像分析是深度學(xué)習(xí)的一個(gè)活躍的研究領(lǐng)域，但目前仍未有支氣管擴(kuò)張?jiān)\斷的研究應(yīng)用，支氣管擴(kuò)張疾病方向尚未有成熟模型。第二是對于支氣管擴(kuò)張?jiān)\斷系統(tǒng)目前數(shù)據(jù)集缺失問題，目前還沒有公開的支氣管擴(kuò)張的數(shù)據(jù)集?？尚械慕鉀Q手段主要有兩種方式，第一類是通過與醫(yī)院加強(qiáng)合作，這樣可以直接獲得所需的數(shù)據(jù)集，但這樣得到的數(shù)據(jù)量可能存在限制，第二類是利用遷移學(xué)習(xí)，但做遷移學(xué)習(xí)過程中可能會產(chǎn)生準(zhǔn)確度下降的問題。

結(jié)合深度學(xué)習(xí)技術(shù)的特點(diǎn)和發(fā)展，提出支氣管擴(kuò)張AI診斷系統(tǒng)未來的發(fā)展趨勢。第一是深度學(xué)習(xí)方法需要大量帶有精確標(biāo)注的數(shù)據(jù)，由于醫(yī)學(xué)影像數(shù)據(jù)的稀缺性和特殊性，數(shù)據(jù)的標(biāo)注更是困難，所以基于弱監(jiān)督或協(xié)作學(xué)習(xí)的深度學(xué)習(xí)方法或許是解決這些問題的新思路。第二是隨著生成對抗網(wǎng)絡(luò)的蓬勃發(fā)展，可以生成逼真且有效的醫(yī)學(xué)影像數(shù)據(jù)，可以有效降低醫(yī)學(xué)影像數(shù)據(jù)采集的成本，并結(jié)合弱監(jiān)督學(xué)習(xí)或協(xié)作學(xué)習(xí)來解決計(jì)算機(jī)輔助診斷系統(tǒng)存在的問題。

AI診斷系統(tǒng)的開發(fā)仍面臨著諸多難點(diǎn)，自動化診斷是其主流發(fā)展方向之一，通過建立數(shù)據(jù)采樣、數(shù)據(jù)分析、數(shù)據(jù)產(chǎn)出等自動化流程，可進(jìn)一步實(shí)現(xiàn)技術(shù)落地和推廣，該技術(shù)的進(jìn)一步發(fā)展可以輔助進(jìn)行肺部支氣管擴(kuò)張的甄別篩查工作，減輕了醫(yī)師的工作難度，對緩解醫(yī)療資源不足有著重要意義。