亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        ZFNet模型在膠質(zhì)瘤MRI診斷中的應(yīng)用

        2021-06-30 01:22:08井奚月喬婕么秀華徐立霞閆華
        關(guān)鍵詞:準(zhǔn)確度膠質(zhì)瘤卷積

        井奚月 喬婕 么秀華 徐立霞 閆華

        膠質(zhì)瘤是一種顱內(nèi)占位性病變,發(fā)病率相對(duì)較高[1],2016年世界衛(wèi)生組織(WHO)中樞神經(jīng)系統(tǒng)腫瘤分類(lèi)將膠質(zhì)瘤分為WHOⅠ~Ⅳ級(jí)[2],我國(guó)膠質(zhì)瘤年發(fā)病率(3.0~6.4)/10萬(wàn),年病死例數(shù)高達(dá)3萬(wàn)例。其中,惡性膠質(zhì)瘤發(fā)病率為5.8/10萬(wàn),5年病死率僅次于胰腺癌和肺癌,位居全身腫瘤的第3位[3],治療后中位生存期(MST)僅16個(gè)月[4],早期明確診斷、及時(shí)手術(shù)切除、術(shù)后盡早放療可有效延長(zhǎng)無(wú)進(jìn)展生存期(PFS)[5]。膠質(zhì)瘤組織活檢或最大程度手術(shù)切除標(biāo)本病理學(xué)檢查是明確診斷的“金標(biāo)準(zhǔn)”,但為有創(chuàng)性檢查或治療[5],故臨床實(shí)踐中初診疑似膠質(zhì)瘤時(shí)首選頭部MRI檢查[6?8],初步提供腫瘤相關(guān)信息,包括腫瘤部位、大小和邊界等[5?8],高質(zhì)量的MRI檢查結(jié)果可為神經(jīng)外科醫(yī)師提供可靠的手術(shù)方案依據(jù),進(jìn)而間接改善患者預(yù)后[9]。目前主要采取影像科醫(yī)師人工閱片或分析報(bào)告的方式,依據(jù)疾病的影像學(xué)診斷指南和自身的臨床經(jīng)驗(yàn),但人工閱片有其缺陷,不同閱片者的診斷水平和個(gè)人經(jīng)驗(yàn)存有差異,主觀判斷可導(dǎo)致診斷結(jié)果不一致;隨著影像學(xué)技術(shù)的發(fā)展,影像學(xué)檢查越來(lái)越細(xì)致、圖像數(shù)量越來(lái)越多,繁重的閱片工作量可導(dǎo)致影像科醫(yī)師閱片效率和準(zhǔn)確度下降[10?11]。

        近年來(lái),隨著人工智能(AI)和計(jì)算機(jī)技術(shù)的飛速發(fā)展,通過(guò)深度學(xué)習(xí)(DL)技術(shù)進(jìn)行醫(yī)學(xué)影像識(shí)別與診斷成為可能[10]。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是機(jī)器學(xué)習(xí)(ML)中頗受重視的算法之一[12],具有強(qiáng)大的分類(lèi)能力,可直接輸入原始圖像,無(wú)需對(duì)圖像進(jìn)行復(fù)雜預(yù)處理,目前廣泛應(yīng)用于圖像分類(lèi)(包括醫(yī)學(xué)影像領(lǐng)域)[13?15],進(jìn)行疾病診斷,即通過(guò)醫(yī)學(xué)影像訓(xùn)練、調(diào)整并完善卷積神經(jīng)網(wǎng)絡(luò)模型,達(dá)到識(shí)別醫(yī)學(xué)影像中病灶部位和形態(tài)的目的[16?18]。卷積神經(jīng)網(wǎng)絡(luò)作為一種相對(duì)成熟的算法,目前的發(fā)展方式主要是加入更多的池化層以對(duì)圖片進(jìn)行更精確的分類(lèi)[19]。AlexNet是卷積神經(jīng)網(wǎng)絡(luò)發(fā)展過(guò)程中的經(jīng)典網(wǎng)絡(luò)模型 之 一,由Krizhevsky等[20]于2012年提 出,應(yīng) 用GPU顯卡和ReLU激活函數(shù),可顯著提高學(xué)習(xí)訓(xùn)練速度,獲得2012年ILSVRC(ImageNet Large Scale Visual Recognition Challenge)競(jìng)賽圖像分類(lèi)與目標(biāo)定位(CLS?LOC)冠軍。與上一代模型LeNet相比,AlexNet通過(guò)ReLU激活函數(shù)以實(shí)現(xiàn)非線性表達(dá),減弱梯度消失現(xiàn)象,從而訓(xùn)練層數(shù)更多的網(wǎng)絡(luò)。ZFNet模型在AlexNet基礎(chǔ)上調(diào)整一些可視化細(xì)節(jié),在每個(gè)卷積層增加一個(gè)對(duì)應(yīng)的反卷積層,即輸入為Feature Map、輸出為像素,反卷積可視化過(guò)程包括反池化、ReLU和反卷積過(guò)程,卷積神經(jīng)網(wǎng)絡(luò)的最大池化過(guò)程是不可逆的,ZFNet模型采用近似實(shí)現(xiàn)方法通過(guò)轉(zhuǎn)換變量記錄每個(gè)池化區(qū)域中最大值位置,并在反池化過(guò)程中將該最大值返至其應(yīng)該的位置,其他位置以數(shù)字0填充;反卷積過(guò)程亦稱(chēng)為轉(zhuǎn)置卷積,即將卷積核進(jìn)行轉(zhuǎn)置,對(duì)下一卷積層進(jìn)行卷積以獲得上一卷積層的像素值;而網(wǎng)絡(luò)結(jié)構(gòu)本身并無(wú)明顯變化[21]。鑒于此,本研究采用人工神經(jīng)網(wǎng)絡(luò)(ANN)相關(guān)機(jī)器學(xué)習(xí)算法,輔助影像科醫(yī)師對(duì)膠質(zhì)瘤患者頭部MRI圖像的人工閱片,以期改善人工閱片耗時(shí)、費(fèi)力以及因個(gè)人經(jīng)驗(yàn)不同導(dǎo)致閱片結(jié)果不同的缺陷。

        對(duì)象與方法

        一、研究對(duì)象

        1.病例來(lái)源 本研究130例成年膠質(zhì)瘤患者的頭部MRI圖像資料均來(lái)自TCIA(The Cancer Imaging Archive)數(shù)據(jù)庫(kù)中的 REMBRANDT(Repository of Molecular Brain Neoplasia Data)數(shù)據(jù)(https://wiki.cancerimagingarchive.net/display/Public/REMBRANDT),圖像格式為DICOM。男性78例,女性52例;年齡18~86歲,平均(53.85±15.31)歲;白種人114例(87.69%),黑種人或非裔美國(guó)人5例(3.85%),亞洲人7例(5.38%),未知4例(3.08%);新發(fā)膠質(zhì)瘤128例(98.46%),復(fù)發(fā)膠質(zhì)瘤2例(1.54%);生存8例(6.15%),死亡122例(93.85%);Karnofsky評(píng)分為40~100、其中位評(píng)分為80,40分1例(0.77%)、60分10例(7.69%)、70分1例(0.77%)、80分72例(55.38%)、90分3例(2.31%)、100分18例(13.85%)、評(píng)分缺失25例(19.23%)。

        2.圖像資料 本研究?jī)H選取T1WI圖像為研究對(duì)象,共40 036張,按照7∶3比例隨機(jī)分為訓(xùn)練集(28 025張)和測(cè)試集(12 011張)。該數(shù)據(jù)庫(kù)中每張圖像均有醫(yī)學(xué)專(zhuān)家的標(biāo)注,根據(jù)標(biāo)注,含腫瘤影像的圖像定義為“腫瘤影像”、不含腫瘤影像的圖像定義為“正常影像”。訓(xùn)練集中“腫瘤影像”12 498張、“正常影像”15 527張,測(cè)試集中“腫瘤影像”5641張、“正常影像”6370張。

        二、研究方法

        1.建模 直接應(yīng)用ZFNet模型建立膠質(zhì)瘤分類(lèi)診斷模型。建模過(guò)程中自動(dòng)在訓(xùn)練集中隨機(jī)選取25%的圖像(7006張)作為驗(yàn)證集,驗(yàn)證集可用于快速調(diào)整參數(shù),即通過(guò)驗(yàn)證集進(jìn)行超參數(shù)(如網(wǎng)絡(luò)層數(shù)、迭代次數(shù)等)的選擇,還可在訓(xùn)練過(guò)程中檢測(cè)模型是否存在過(guò)擬合等異常情況,以決定是否提前終止訓(xùn)練。其余75%圖像(21 019張)作為訓(xùn)練集,采用ZFNet算法針對(duì)訓(xùn)練集進(jìn)行膠質(zhì)瘤分類(lèi)診斷模型的訓(xùn)練。繪制訓(xùn)練集的強(qiáng)化學(xué)習(xí)曲線,橫軸為訓(xùn)練步數(shù)、縱軸為訓(xùn)練準(zhǔn)確度,觀察訓(xùn)練準(zhǔn)確度隨訓(xùn)練步數(shù)變化的趨勢(shì)。采用ZFNet反卷積命令,在訓(xùn)練集中任意選取5張作為示例圖像,進(jìn)行ZFNet的可視化逐層展示。同時(shí)采用AlexNet對(duì)比建模。

        2.模型效果評(píng)價(jià)指標(biāo) 評(píng)價(jià)ZFNet模型對(duì)MRI圖像的預(yù)測(cè)分類(lèi)效果即預(yù)測(cè)診斷膠質(zhì)瘤的能力,評(píng)價(jià)指標(biāo)主要包括準(zhǔn)確度(accuracy)、陽(yáng)性預(yù)測(cè)值(PPV)、靈敏度(sensitivity)、特異度(specificity)和F1值(F1?measure)[22]。計(jì)算公式為:準(zhǔn)確度(%)=(真陽(yáng)性數(shù)+真陰性數(shù))/全部目標(biāo)數(shù)×100%,陽(yáng)性預(yù)測(cè)值(%)=真陽(yáng)性數(shù)/(真陽(yáng)性數(shù)+假陽(yáng)性數(shù))×100%,靈敏度(%)=真陽(yáng)性數(shù)/(真陽(yáng)性數(shù)+假陰性數(shù))×100%,特異度(%)=真陰性數(shù)/(真陰性數(shù)+假陽(yáng)性數(shù))×100%。其中,真陽(yáng)性數(shù)指模型預(yù)測(cè)分類(lèi)結(jié)果為“腫瘤影像”的所有目標(biāo)中符合TCIA數(shù)據(jù)庫(kù)“腫瘤影像”的圖像數(shù)目;真陰性數(shù)指預(yù)測(cè)分類(lèi)結(jié)果為“正常影像”的所有目標(biāo)中符合數(shù)據(jù)庫(kù)“正常影像”的圖像數(shù)目;假陽(yáng)性數(shù)指預(yù)測(cè)分類(lèi)結(jié)果為“腫瘤影像”的所有目標(biāo)中實(shí)際符合數(shù)據(jù)庫(kù)“正常影像”的圖像數(shù)目;假陰性數(shù)指預(yù)測(cè)分類(lèi)結(jié)果為“正常影像”的所有目標(biāo)中實(shí)際符合數(shù)據(jù)庫(kù)“腫瘤影像”的圖像數(shù)目。準(zhǔn)確度、陽(yáng)性預(yù)測(cè)值、靈敏度和特異度的取值范圍為0~100%,越接近100%、模型預(yù)測(cè)分類(lèi)效果越佳。F1值是反映模型預(yù)測(cè)分類(lèi)效果的綜合性指標(biāo),計(jì)算公式為:F1=2×陽(yáng)性預(yù)測(cè)值×靈敏度/(陽(yáng)性預(yù)測(cè)值+靈敏度)×100%,F(xiàn)1值越大、模型預(yù)測(cè)分類(lèi)效果越佳。

        結(jié) 果

        ZFNet模型結(jié)構(gòu)和訓(xùn)練路徑圖如圖1,最終建立的ZFNet模型深度共8層,由淺入深不斷重復(fù)卷積池化過(guò)程;ZFNet模型可視化逐層展示如圖2,可見(jiàn)同樣的5張圖像從第1層至第8層,F(xiàn)eature Map圖像逐漸模糊,這是由于隨著學(xué)習(xí)的進(jìn)行,每層均對(duì)圖像進(jìn)行卷積或池化的信息提取整合,圖像分辨率從第1層的225×225減至第8層的13×13,進(jìn)而可以在低分辨率下提取更多的信息完成訓(xùn)練。

        圖1 ZFNet模型結(jié)構(gòu)和訓(xùn)練路徑圖 圖2 ZFNet模型可視化逐層展示(第1~8層)Figur e 1 Structure and training path of the ZFNet model. Figure 2 Examples of visualization of the ZFNet model(layer 1-8).

        繪制訓(xùn)練集28 025張圖像的強(qiáng)化學(xué)習(xí)曲線,ZFNet模型在最初訓(xùn)練的10 000步內(nèi),訓(xùn)練準(zhǔn)確度迅速升高,此后趨于平穩(wěn),最終在訓(xùn)練38 757步后,訓(xùn)練準(zhǔn)確度穩(wěn)定為99.7%(圖3);將測(cè)試集12 011張圖像導(dǎo)入ZFNet模型,ZFNet模型預(yù)測(cè)“腫瘤影像”的準(zhǔn)確度為84.42%(10 140/12 011),陽(yáng)性預(yù)測(cè)值為80.77%(4817/5964),靈敏度為86.93%(4817/5541),特異度為82.27%(5323/6470),F(xiàn)1值為83.74%(表1)。AlexNet模型則在訓(xùn)練37 984步后,訓(xùn)練準(zhǔn)確度穩(wěn)定為98.23%;將測(cè)試集12 011張圖像導(dǎo)入AlexNet模型,AlexNet模型預(yù)測(cè)“腫瘤影像”的準(zhǔn)確度為80.74%(9698/12 011),陽(yáng)性預(yù)測(cè)值為77.68%(4529/5830),靈敏度為81.74%(4529/5541),特異度為79.89%(5169/6470),F(xiàn)1值為79.66%(表2)。由此可見(jiàn),ZFNet模型在各個(gè)維度的分類(lèi)性能均優(yōu)于AlexNet模型,且ZFNet模型可實(shí)現(xiàn)逐層可視化,這是AlexNet模型不具備的功能。

        表1 ZFNet模型混淆矩陣(例)Table 1. Confusion matrix of ZFNet model test(case)

        表2 AlexNet模型混淆矩陣(例)Table 2. Confusion matrix of AlexNet model test(case)

        圖3 強(qiáng)化學(xué)習(xí)曲線可見(jiàn)ZFNet模型訓(xùn)練準(zhǔn)確度隨訓(xùn)練步數(shù)的變化趨勢(shì)Figure 3 Reinforcement learning curve showed the tendency chart of training accuracy changed with the training steps of ZFNet.

        討 論

        近年來(lái),隨著人工智能和計(jì)算機(jī)技術(shù)的飛速發(fā)展,通過(guò)深度學(xué)習(xí)技術(shù)進(jìn)行醫(yī)學(xué)影像識(shí)別與診斷成為可能[10]。深度神經(jīng)網(wǎng)絡(luò)(DNN)在圖像分類(lèi)領(lǐng)域的優(yōu)勢(shì)是,無(wú)需以人工方法進(jìn)行的圖像特征提取作為第1步,而是在計(jì)算機(jī)運(yùn)算過(guò)程中自動(dòng)進(jìn)行圖像特征提取,節(jié)省人力成本[23]。然而,經(jīng)典的深度學(xué)習(xí)算法同樣有其局限性,即模型對(duì)輸入對(duì)象學(xué)習(xí)充分與否及對(duì)其最終預(yù)測(cè)的分類(lèi)準(zhǔn)確性通常依靠輸入對(duì)象的樣本量,大樣本的輸入是模型可以獲得較好預(yù)測(cè)效果的根本保障,因此實(shí)際上單獨(dú)一所醫(yī)院的臨床數(shù)據(jù)難以采用深度學(xué)習(xí)算法建立完美的預(yù)測(cè)模型[24]。

        TCIA數(shù)據(jù)庫(kù)是國(guó)際公認(rèn)的囊括常見(jiàn)腫瘤(如肺部腫瘤、腦腫瘤等)醫(yī)學(xué)圖像的大規(guī)模開(kāi)放數(shù)據(jù)庫(kù),由美國(guó)國(guó)家癌癥研究所(NCI)癌癥影像計(jì)劃資助、阿肯色大學(xué)醫(yī)學(xué)科學(xué)院管理,圖像模態(tài)包括MRI和CT等,其圖像存儲(chǔ)格式主要是DICOM格式。本研究基于TCIA數(shù)據(jù)庫(kù)納入130例成年膠質(zhì)瘤患者共計(jì)40 036張頭部MRI圖像,按照7∶3比例隨機(jī)分為訓(xùn)練集(28 025張)和測(cè)試集(12 011張),較好地避免了樣本量過(guò)小的問(wèn)題,保證了ZFNet模型對(duì)MRI圖像的充分強(qiáng)化學(xué)習(xí)。繪制訓(xùn)練集的強(qiáng)化學(xué)習(xí)曲線,ZFNet模型在訓(xùn)練38 757步后訓(xùn)練準(zhǔn)確度穩(wěn)定為99.7%,AlexNet模型則在訓(xùn)練37 984步后穩(wěn)定為98.23%;將測(cè)試集導(dǎo)入模型,ZFNet模型預(yù)測(cè)“腫瘤影像”的準(zhǔn)確度為84.42%(10 140/12 011)、陽(yáng)性預(yù)測(cè)值為80.77%(4817/5964)、靈敏度為86.93%(4817/5541)、特 異 度 為82.27%(5323/6470)、F1值 為83.74%,AlexNet模 型 為80.74%(9698/12 011)、77.68%(4529/5830)、81.74%(4529/5541)、79.89%(5169/6470)和79.66%,ZFNet模型在各個(gè)維度的分類(lèi)性能均優(yōu)于AlexNet模型,效果滿意。

        人工智能在膠質(zhì)瘤影像學(xué)診斷中的應(yīng)用主要是分級(jí)診斷[25],涉及的模型和算法包括Logistic回歸(LR)、支持向量機(jī)(SVM)和隨機(jī)森林(RF)等淺層機(jī)器學(xué)習(xí)算法,可對(duì)膠質(zhì)瘤患者的MRI圖像進(jìn)行紋理分析[26?31],但淺層算法在結(jié)構(gòu)上較為簡(jiǎn)單,隱層節(jié)點(diǎn)層數(shù)較少,可看作僅有一層隱層節(jié)點(diǎn)(如支持向量機(jī))或無(wú)隱層節(jié)點(diǎn)(如Logistic回歸),與深度學(xué)習(xí)算法相比,易出現(xiàn)梯度彌散現(xiàn)象,從而使訓(xùn)練結(jié)果陷入局部最優(yōu)困局[32]。2006年神經(jīng)網(wǎng)絡(luò)之父Hinton教授提出,包含多個(gè)隱藏層級(jí)結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)的表征學(xué)習(xí)能力較強(qiáng),通過(guò)逐層訓(xùn)練的方法可解決淺層機(jī)器學(xué)習(xí)算法局部最優(yōu)的問(wèn)題,至此深度學(xué)習(xí)算法步入飛速發(fā)展的時(shí)期[32]。本研究采用的ZFNet模型是一種深度神經(jīng)網(wǎng)絡(luò),在每個(gè)卷積層增加一個(gè)對(duì)應(yīng)的反卷積層,反卷積可視化過(guò)程包括反池化、ReLU和反卷積過(guò)程,從而較好地避免淺層算法的局部最優(yōu)困局[21]。最終建立的ZFNet模型深度共8層,由淺入深不斷重復(fù)卷積池化過(guò)程,并實(shí)現(xiàn)逐層可視化,隨著學(xué)習(xí)的進(jìn)行,每層均對(duì)圖像進(jìn)行卷積或池化的信息提取整合,圖像分辨率從第1層的225×225減至第8層的13×13,進(jìn)而在低分辨率下提取更多的信息完成訓(xùn)練,這是AlexNet模型不具備的功能。

        綜上所述,ZFNet模型在膠質(zhì)瘤患者頭部MRI圖像分類(lèi)預(yù)測(cè)方面的效果尚佳,可為建立膠質(zhì)瘤影像學(xué)輔助診斷模型提供良好的技術(shù)支持。然而,本研究存在一定的局限性,納入對(duì)象僅為T(mén)CIA數(shù)據(jù)庫(kù)中T1WI圖像的建模預(yù)測(cè)結(jié)果,未包含T2WI、FLAIR、DWI等其他掃描序列;MRI圖像僅納入橫斷面圖像,未包括矢狀位和冠狀位圖像,今后尚待根據(jù)掃描序列和投照位置進(jìn)一步歸類(lèi)整理圖像,以達(dá)到提高模型分類(lèi)預(yù)測(cè)準(zhǔn)確度的目的。

        利益沖突 無(wú)

        猜你喜歡
        準(zhǔn)確度膠質(zhì)瘤卷積
        基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        幕墻用掛件安裝準(zhǔn)確度控制技術(shù)
        建筑科技(2018年6期)2018-08-30 03:40:54
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        動(dòng)態(tài)汽車(chē)衡準(zhǔn)確度等級(jí)的現(xiàn)實(shí)意義
        DCE-MRI在高、低級(jí)別腦膠質(zhì)瘤及腦膜瘤中的鑒別診斷
        磁共振成像(2015年8期)2015-12-23 08:53:14
        P21和survivin蛋白在腦膠質(zhì)瘤組織中的表達(dá)及其臨床意義
        Sox2和Oct4在人腦膠質(zhì)瘤組織中的表達(dá)及意義
        99mTc-HL91乏氧顯像在惡性腦膠質(zhì)瘤放療前后的變化觀察
        一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
        国产99久久久久久免费看| 国产av麻豆精品第一页| 红杏亚洲影院一区二区三区| 免费啪啪视频一区| 欧美黄色免费看| 五月天综合社区| 亚洲综合国产成人丁香五月小说| 男女在线免费视频网站| 亚洲一区二区三区ay| 亚洲一区二区三区熟妇| 国产免费观看久久黄av麻豆| 亚洲精品无码av人在线观看国产| 久久狠狠色噜噜狠狠狠狠97| 女人让男人桶爽30分钟| 亚洲一区二区三区成人网站| 亚洲黄视频| 午夜福利不卡无码视频| 国产美女高潮流白浆免费观看| 日产一区一区三区区别| 日本av亚洲中文字幕| 国产乱子伦精品无码专区| 人与动牲交av免费| 丰满人妻av无码一区二区三区| AV无码最在线播放| 亚洲AV无码秘 蜜桃1区| 免费人人av看| 色偷偷亚洲精品一区二区| 国产精品理论片在线观看| 亚洲精品国偷自产在线99正片| 国产亚洲欧美在线| 少妇勾引视频网站在线观看| 综合激情五月三开心五月| 老鲁夜夜老鲁| 麻豆一区二区三区蜜桃免费| 91久久青青草原免费| 国产女主播在线免费观看| 国内免费自拍9偷1拍| 色偷偷色噜噜狠狠网站30根| 伊人久久久精品区aaa片| 国产精品亚洲一区二区三区16 | 色诱视频在线观看|