袁金麗，趙琳琳，郭志濤，蘇 逸，盧成鋼

河北工業(yè)大學(xué) 電子信息工程學(xué)院，天津 300401

據(jù)統(tǒng)計(jì)，在所有類型的癌癥中，肺癌的死亡率最高[1]，肺癌患者的5 年存活率僅為16%左右。準(zhǔn)確有效的肺癌早期診斷對(duì)于提高肺癌患者的存活率具有重要意義[2]。如果肺癌能在早期就實(shí)現(xiàn)檢測(cè)定位，那么肺癌患者的5 年存活率能夠提升到70%[3]。由于CT 圖像具有較高的組織分辨率，因此CT 圖像成為診斷肺部疾病的最有效的成像方法，對(duì)肺癌的檢測(cè)和診斷具有重要價(jià)值[4]。早期肺癌在醫(yī)學(xué)影像中通常表現(xiàn)為肺結(jié)節(jié)，在病人CT圖像中檢測(cè)出肺結(jié)節(jié)并進(jìn)行早期治療對(duì)于預(yù)防肺癌非常重要[5]。目前，由于計(jì)算機(jī)斷層掃描（CT）影像中肺結(jié)節(jié)尺寸變化較大、尺寸小且不規(guī)則等特點(diǎn)，使得肺結(jié)節(jié)檢測(cè)變得異常困難[6]。

針對(duì)這一問(wèn)題的研究早已展開(kāi)，Setio等[7]提出了基于多視角的二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNN），將其應(yīng)用于肺結(jié)節(jié)的檢測(cè)中，該方法從肺結(jié)節(jié)的立體特性出發(fā)融合肺結(jié)節(jié)的不同二維（2D）切面信息來(lái)剔除假陽(yáng)性結(jié)節(jié)。苗光等[8]為解決現(xiàn)有方法在肺結(jié)節(jié)檢測(cè)中工作效率不高的問(wèn)題，提出了一種基于改進(jìn)的U-net 網(wǎng)絡(luò)模型，U-net模型是一種在醫(yī)學(xué)圖像領(lǐng)域應(yīng)用較多的卷積神經(jīng)網(wǎng)絡(luò)模型，具有端對(duì)端的網(wǎng)絡(luò)結(jié)構(gòu)。楊帆等[9]采用雙通道二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNN）檢測(cè)肺結(jié)節(jié)，將預(yù)處理前后的圖片分別輸入相同的模型中，最后整合兩個(gè)模型的輸出結(jié)果。但使用2D CNN不能很好地獲取圖像的空間信息，難以提取到更多的特征信息，不利于肺結(jié)節(jié)的檢測(cè)。

為了充分利用三維（3D）CT掃描中包含的信息以更準(zhǔn)確和有效地檢測(cè)肺結(jié)節(jié)，研究人員開(kāi)發(fā)了許多基于3D CNN 的系統(tǒng)。Furst 等[10]訓(xùn)練了3D CNN 以在沒(méi)有先前的候選選擇步驟的情況下在胸部CT中執(zhí)行結(jié)節(jié)檢測(cè)。但是，性能水平低于使用多視圖2D CNN 或3D CNN 進(jìn)行誤報(bào)減少的先前系統(tǒng)。Huang 等[11]提出了基于3DCNN的結(jié)構(gòu)圖，用于檢測(cè)低劑量CT圖像中的肺結(jié)節(jié)。考慮到多維數(shù)據(jù)的尺寸、訓(xùn)練數(shù)據(jù)的大小以及計(jì)算機(jī)的計(jì)算能力，文獻(xiàn)[11]提到的系統(tǒng)使用了相對(duì)簡(jiǎn)單的3D-CNN架構(gòu)。文獻(xiàn)[11]提到的系統(tǒng)將醫(yī)學(xué)知識(shí)應(yīng)用到肺結(jié)節(jié)檢測(cè)中，首先使用了基于局部幾何模型的過(guò)濾器生成候選節(jié)點(diǎn)，利用醫(yī)學(xué)知識(shí)，降低了3DCNN分類步驟的計(jì)算成本和復(fù)雜度。Dou 等[12]提出了一種通過(guò)整合一組具有不同大小感受野的3D CNN，以減少肺結(jié)節(jié)檢測(cè)中的假陽(yáng)性。該方法為2016 年肺結(jié)節(jié)分析挑戰(zhàn)（LUNA2016）的假陽(yáng)性減少路線的獲勝者。Pezeshk等[13]提出基于3D CNN 的網(wǎng)絡(luò)結(jié)構(gòu)圖，將CNN 轉(zhuǎn)換為3D全卷積網(wǎng)絡(luò)，與滑動(dòng)窗口方法相比，該網(wǎng)絡(luò)可以更有效地處理整個(gè)CT 體積，并生成整個(gè)體積的得分圖。并將其命名為DeepMed，其網(wǎng)絡(luò)結(jié)構(gòu)由3個(gè)卷積層，2個(gè)最大池化層，2個(gè)全連接層和1個(gè)softmax層組成。Jin等[14]提出了一種深層三維殘差網(wǎng)絡(luò)，并將其用于肺結(jié)節(jié)特征的提取。近來(lái)，Zhu等[15]提出一種全自動(dòng)肺癌診斷系統(tǒng)，針對(duì)肺結(jié)節(jié)檢測(cè)提出一種帶3D 雙路徑塊和U-net 型編碼-解碼結(jié)構(gòu)的Faster RCNN 來(lái)高效的學(xué)習(xí)結(jié)節(jié)特征。Li等[16]提出一種用于肺結(jié)節(jié)檢測(cè)的3D壓縮和激勵(lì)編碼器-解碼器卷積神經(jīng)網(wǎng)絡(luò)，并引入Focal loss作為損失函數(shù)，用于解決訓(xùn)練樣本中，正負(fù)樣本失衡問(wèn)題。

隨著技術(shù)的不斷發(fā)展，肺結(jié)節(jié)的識(shí)別與檢測(cè)不斷取得新進(jìn)展，基于3D CNN的系統(tǒng)雖然在肺結(jié)節(jié)檢測(cè)上取得了不錯(cuò)的效果，但依然存在一些問(wèn)題。文獻(xiàn)[15]與文獻(xiàn)[16]在網(wǎng)絡(luò)設(shè)計(jì)時(shí)，考慮到融合更多的信息來(lái)更好的學(xué)習(xí)結(jié)節(jié)特征，但是，在不同大小與不同種類肺結(jié)節(jié)的檢測(cè)效果還不夠理想，并且數(shù)據(jù)中的正負(fù)樣本數(shù)量不均衡，使得訓(xùn)練后的模型泛化能力較弱。

針對(duì)肺結(jié)節(jié)大小相對(duì)不同和形狀的多樣性，本文提出了一種基于改進(jìn)U 型殘差網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)算法。首先，鑒于肺結(jié)節(jié)形狀以及大小的多樣性，提出了一種新型自校準(zhǔn)注意力模塊（ECA-SC block），ECA-SC block既可以令空間上的每一個(gè)點(diǎn)都包含附近區(qū)域和通道上的交互信息，避免了整個(gè)全局信息中無(wú)關(guān)區(qū)域的干擾，又以自適應(yīng)學(xué)習(xí)的方式來(lái)獲取每個(gè)特征通道的重要程度，構(gòu)建特征的獎(jiǎng)懲策略，充分優(yōu)化網(wǎng)絡(luò)性能；其次，主干網(wǎng)絡(luò)設(shè)計(jì)為U型殘差[17]網(wǎng)絡(luò)，編碼器和解碼器之間建立跳躍連接，幫助解碼器更好地修復(fù)目標(biāo)的細(xì)節(jié)，設(shè)計(jì)預(yù)處理塊融合不同尺度的特征，增加網(wǎng)絡(luò)深度和寬度的同時(shí)減少參數(shù)，網(wǎng)絡(luò)采用殘差學(xué)習(xí)方式可以避免隨著網(wǎng)絡(luò)深度增加，出現(xiàn)退化現(xiàn)象；最后，由于LUNA16（lung nodule analysis 2016）[17]數(shù)據(jù)集正例樣本（真結(jié)節(jié)）與負(fù)例樣本（假陽(yáng)性結(jié)節(jié)）的數(shù)量比失衡，采用DR loss[18]作為本文算法的分類損失函數(shù)，減小了數(shù)據(jù)集中樣本分布不均帶來(lái)的影響。

1 肺結(jié)節(jié)檢測(cè)算法實(shí)現(xiàn)

本文提出的基于改進(jìn)U-net型殘差網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)算法，構(gòu)建了一種融合了SCConv（自校正卷積）與ECA（通道注意力）的U-net 型殘差網(wǎng)絡(luò)，并針對(duì)樣本失衡問(wèn)題設(shè)計(jì)了損失函數(shù)。

1.1 ECA-SC模塊

輸入特征圖通過(guò)SCConv（self-calibrated convolutions）[19]模塊與ECA（efficient channel attention）[20]模塊，然后將輸入與ECA 模塊的輸出進(jìn)行殘差連接，構(gòu)成ECA-SC模塊，如圖1所示。ECA-SC模塊中SCConv模塊與使用小卷積核融合空間和通道方向信息的標(biāo)準(zhǔn)卷積不同，其通過(guò)自適應(yīng)地圍繞每個(gè)空間位置建立了長(zhǎng)距離空間和通道間依賴性的校準(zhǔn)操作，因此，它可以通過(guò)顯式合并更豐富的信息來(lái)幫助CNN生成更多辨識(shí)性表示，有助于檢測(cè)不同大小與不同種類的結(jié)節(jié)。同時(shí)，采用ECA模塊又以自適應(yīng)學(xué)習(xí)的方式來(lái)獲取每個(gè)特征通道的重要程度，構(gòu)建特征的獎(jiǎng)懲策略，實(shí)現(xiàn)通道的自適應(yīng)校準(zhǔn)，充分優(yōu)化網(wǎng)絡(luò)性能，進(jìn)一步提高識(shí)別的準(zhǔn)確率。采用殘差學(xué)習(xí)方式拼接輸入與輸出，可以保留更多高層特征圖中的低分辨率信息以提升結(jié)節(jié)識(shí)別的靈敏度。

圖1 ECA-SC模塊示意圖Fig.1 Diagram of ECA-SC block

1.1.1 SCConv模塊

傳統(tǒng)的卷積特征變換中每個(gè)空間位置的視野主要由預(yù)定義的卷積核大小控制，由此類卷積層的堆疊組成的網(wǎng)絡(luò)也缺少大的感受野，無(wú)法捕獲足夠的特征信息。SCConv 模塊改進(jìn)了傳統(tǒng)卷積特征轉(zhuǎn)換過(guò)程，進(jìn)而增強(qiáng)輸出特征的多樣性。

首先將原圖按照通道分成兩個(gè)分支X1和X2，在X1中采用通過(guò)殘差下采樣獲得通道和空間上的注意力，然后和卷積后的X1部分進(jìn)行相乘，再用卷積提取特征。該分支是為了有效地收集每個(gè)空間位置的豐富的上下文信息，因此在兩個(gè)不同的尺度空間中進(jìn)行卷積特征轉(zhuǎn)換：原始尺度空間中的特征圖和下采樣后的具有較小分辨率的潛在空間。利用下采樣后特征具有較大的感受野，因此在較小的潛在空間中進(jìn)行變換后的嵌入將用作參考，以指導(dǎo)原始特征空間中的特征變換過(guò)程。在X2中使用一個(gè)簡(jiǎn)單的卷積操作，其作用是為了保有原始的空間信息。最后，將兩部分串聯(lián)到一起，進(jìn)行信息融合。SCConv模塊的優(yōu)勢(shì)在于空間上的每一個(gè)點(diǎn)都有附近區(qū)域的信息和通道上的交互信息，同時(shí)也避免了整個(gè)全局信息中無(wú)關(guān)區(qū)域的干擾。

SCConv的具體操作步驟為：將輸入X均勻劃分為{X1,X2}，分別經(jīng)過(guò)不同的處理操作，結(jié)構(gòu)如圖1 的A 部分所示。將X1送入到自矯正分支，依次對(duì)其進(jìn)行均值下采樣down、卷積特征變換K2、雙線性上采樣up，采樣率設(shè)為r，然后再與輸入相加通過(guò)sigmoid 函數(shù)σ得到空域?qū)用娴淖⒁饬μ卣鲌D，并將所得空域注意力圖與經(jīng)過(guò)卷積特征變換K3的X1進(jìn)行融合。F1～F4為以K1～K4為核的卷積過(guò)程，⊕代表逐元素相加，?代表逐元素相乘。SCConv模塊處理過(guò)程可以描述為：

得到自矯正分支的輸出。將X2送入常規(guī)卷積變換分支，對(duì)輸入X2進(jìn)行卷積特征變換K1，得到常規(guī)卷積分支的輸出。最后，將X1與X2處理后的特征進(jìn)行拼接。

1.1.2 ECA模塊

ECA 顯式地建模特征通道之間的相互依賴關(guān)系。沒(méi)有引入一個(gè)新的空間維度來(lái)進(jìn)行特征通道間的融合，而是采用了一種全新的“特征重標(biāo)定”策略。具體來(lái)說(shuō)，就是通過(guò)學(xué)習(xí)的方式來(lái)自動(dòng)獲取到每個(gè)特征通道的重要程度，然后依照這個(gè)重要程度去提升有用的特征并抑制對(duì)當(dāng)前任務(wù)用處不大的特征，從而能夠更好地注意關(guān)鍵特征，可以在不顯著增加參數(shù)數(shù)量的同時(shí)有效提升模型的性能。

ECA 是一種非常輕量級(jí)的通道注意模塊，改進(jìn)于SE（squeeze-and-excitation）[21]模塊。SE 模塊主要包含3部分，如圖2所示：首先，利用全局平均池化（GAP）操作將輸入各特征通道壓縮成一個(gè)具有全局響應(yīng)的實(shí)數(shù)，輸出維度與輸入特征圖的數(shù)目相同，實(shí)現(xiàn)擠壓操作；其次，通過(guò)一個(gè)壓縮比（降維）為r的全連接層（FC）將特征維度降低到輸入的1r，然后經(jīng)過(guò)ReLU激活后再通過(guò)一個(gè)全連接層升回原來(lái)的維度，利用Sigmoid 函數(shù)σ獲得0～1之間歸一化的權(quán)重，實(shí)現(xiàn)激勵(lì)操作；最后，通過(guò)Scale操作將歸一化后的權(quán)重加權(quán)到每個(gè)通道的特征上。盡管SE中的降維操作可以降低復(fù)雜度，但會(huì)導(dǎo)致通道和權(quán)重不直接對(duì)應(yīng)，因此ECA在沒(méi)有降維的情況下，通過(guò)考慮每個(gè)通道及其k個(gè)相鄰位置，捕獲了本地跨通道交互。

圖2 SE模塊Fig.2 SE block

ECA 可以通過(guò)大小為k的快速一維卷積來(lái)有效地實(shí)現(xiàn)，有多個(gè)相鄰位置參與一個(gè)通道的注意預(yù)測(cè)。ECA結(jié)構(gòu)如圖1 中的B 圖所示，與SE 的不同之處在于ECA的激勵(lì)操作不通過(guò)降維實(shí)現(xiàn)，而是自適應(yīng)地判斷卷積核大小k，然后執(zhí)行一維卷積，后面跟著一個(gè)Sigmoid函數(shù)來(lái)學(xué)習(xí)通道注意力，實(shí)現(xiàn)激勵(lì)操作。內(nèi)核大小k通過(guò)通道維數(shù)C確定：

式中，|t|odd表示最近的奇數(shù)t，γ=2，b=1。

總體來(lái)說(shuō)，SE模塊主要由全局平均池化層、全連接層和Sigmoid 函數(shù)組成。其中兩個(gè)FC 層的作用是為了捕捉非線性跨通道交互信息，并且第一層FC 用來(lái)降維以控制模型的復(fù)雜性。而ECA 模塊去除了原來(lái)SE 模塊中的FC層，直接在GAP之后的特征上通過(guò)一個(gè)可以權(quán)重共享的一維卷積進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)通道和權(quán)重的直接對(duì)應(yīng)。

1.1.3 殘差學(xué)習(xí)

對(duì)于傳統(tǒng)的CNN網(wǎng)絡(luò)，簡(jiǎn)單的增加網(wǎng)絡(luò)的深度，容易導(dǎo)致梯度消失和爆炸。針對(duì)梯度消失和爆炸的解決方法一般是正則初始化（normalized initialization）和中間的正則化層（intermediate normalization layers），但是這會(huì)導(dǎo)致另一個(gè)問(wèn)題：退化問(wèn)題，隨著網(wǎng)絡(luò)層數(shù)的增加，在訓(xùn)練集上的準(zhǔn)確率卻飽和甚至下降了。殘差學(xué)習(xí)主要思想是在網(wǎng)絡(luò)中增加了直連通道，以保留之前網(wǎng)絡(luò)層的一定比例的輸出，實(shí)現(xiàn)特征重用，是消除深層網(wǎng)絡(luò)中梯度消失現(xiàn)象的一種有效方法。在構(gòu)造深層次的網(wǎng)絡(luò)時(shí)，防止退化現(xiàn)象的發(fā)生。

本文ECA-SC模塊即為基于殘差結(jié)構(gòu)思想設(shè)計(jì)的，該模塊保留原有基礎(chǔ)殘差結(jié)構(gòu)的直連通道，很好地融合了SCConv 模塊、ECA 模塊這三者的優(yōu)勢(shì)。最后，在殘差結(jié)構(gòu)后采用ReLU 激活，ReLU 激活操作不僅可以增加兩個(gè)卷積層間的非線性關(guān)系，也可以在保證網(wǎng)絡(luò)稀疏性的同時(shí)減少參數(shù)間的相互依存關(guān)系。

1.2 損失函數(shù)

損失函數(shù)由分類損失和回歸損失兩部分組成，采用DR loss作為分類損失，smooth L1 loss作為回歸損失，對(duì)正樣本計(jì)算分類損失與回歸損失，負(fù)標(biāo)簽不計(jì)算回歸損失只計(jì)算分類損失，總損失為回歸損失與分類損失之和，即：傳統(tǒng)分類損失函數(shù)BCE loss僅關(guān)注正類的預(yù)測(cè)概率，只要其值足夠大，就可以確保結(jié)果正確。對(duì)于正負(fù)樣本不均衡的問(wèn)題，由于負(fù)樣本遠(yuǎn)多于正樣本，則模型更傾向于預(yù)測(cè)樣本為負(fù)類且置信度較大，即這部分樣本為易分樣本。如果持續(xù)下去，勢(shì)必會(huì)造成模型訓(xùn)練的不平衡。文獻(xiàn)[16]采用Focal loss 作為分類損失函數(shù)，降低易分類樣本的損失權(quán)重而讓模型集中訓(xùn)練難分樣本，但Focal loss 是針對(duì)一幅圖像中的單個(gè)樣本，沒(méi)有將一幅圖像看作整體。而DR loss將一幅圖像看作整體，每次考慮圖像中的樣本對(duì)，以此解決類間不平衡問(wèn)題，并對(duì)正樣本和負(fù)樣本的置信度分布優(yōu)化。DR loss分類損失函數(shù)定義：

1.3 肺結(jié)節(jié)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

肺結(jié)節(jié)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，由于計(jì)算機(jī)GPU限制，因此將LUNA16 提供的候選結(jié)節(jié)質(zhì)心為中心，將輸入裁剪為96×96×96 的立方體（cube），立方體中包含標(biāo)記的結(jié)節(jié)。在第一個(gè)最大池化（Maxpooling）之前，使用兩個(gè)預(yù)處理塊（Preblock）來(lái)生成特征，如圖3（a）所示。為融合不同尺度的特征，增加網(wǎng)絡(luò)深度和寬度的同時(shí)減少參數(shù)，采用了3 個(gè)分支進(jìn)行特征提取，分別為1×1×1 卷積分支、1×1×1 卷積與3×3×3 卷積串聯(lián)分支、1×1×1卷積與5×5×5卷積串聯(lián)分支，最后將各分支串聯(lián)（concat）。之后，在編碼器子網(wǎng)中使用ECA-SC block與最大池化，在解碼器子網(wǎng)中，特征圖由反卷積（Deconv）層和ECA-SC block 處理，同時(shí)將反卷積后的特征與低層特征concat。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.3 Network structure model

編碼器子網(wǎng)將Preblock 輸出特征圖通過(guò)ECA-SC block，分為四步，每一步通過(guò)兩個(gè)ECA-SC block 與Maxpooling，讓特征圖空間上的每一個(gè)點(diǎn)都包含附近區(qū)域的信息和通道上的交互信息，同時(shí)以自適應(yīng)學(xué)習(xí)的方式來(lái)獲取每個(gè)特征通道的重要程度，構(gòu)建特征的獎(jiǎng)懲策略，充分優(yōu)化網(wǎng)絡(luò)性能，并采用殘差學(xué)習(xí)方式構(gòu)建更深層的網(wǎng)絡(luò)。第一步圖片尺寸縮減為48×48×48，通道數(shù)變?yōu)?8；第二步圖片尺寸縮減為24×24×24，通道數(shù)變?yōu)?2；第三步圖片尺寸縮減為12×12×12，通道數(shù)變?yōu)?6；第四步圖片尺寸縮減為6×6×6，通道數(shù)變?yōu)?20。經(jīng)過(guò)四步后，輸入圖片尺寸縮減為原來(lái)的1/16。

解碼器子網(wǎng)將分辨率放大，逐步修復(fù)物體的細(xì)節(jié)和空間維度。分辨率放大采用反卷積實(shí)現(xiàn)，首先，將編碼器子網(wǎng)的輸出采用一個(gè)2×2×2步長(zhǎng)為2的反卷積操作，將圖片尺寸變?yōu)?2×12×12，接著將反卷積后的特征與低層特征串聯(lián)（concat），編碼器和解碼器之間建立的跳躍連接，幫助解碼器更好地修復(fù)目標(biāo)的細(xì)節(jié)，通道數(shù)為216。然后通過(guò)兩個(gè)ECA-SC block 與一個(gè)2×2×2 步長(zhǎng)為2的反卷積將特征圖尺寸恢復(fù)到24×24×24，采用concat后，通道數(shù)為224，到此完成特征圖的分辨率放大。

接下來(lái)，通過(guò)兩個(gè)ECA-SC block整合特征圖信息，輸出通道數(shù)為248，然后經(jīng)過(guò)1×1×1 的卷積與dropout，通道數(shù)變?yōu)?4，最后通過(guò)1×1×1 的卷積，輸出數(shù)據(jù)為四維的張量，24×24×24×15可表示為24×24×24×3×5，其中3 表示錨框個(gè)數(shù)（大小為5、10、20），5 表示回歸量（o?，d?x，d?y，d?z，d?r，即概率、三維坐標(biāo)、邊界框直徑大?。?。

2 分析與討論

算法實(shí)現(xiàn)的軟件環(huán)境為Windows 10 操作系統(tǒng)，硬件環(huán)境為Intel Core i7與Nvidia GeForce GTX 2080Ti（11 GB內(nèi)存），編程開(kāi)發(fā)環(huán)境為CUDA-Toolkit10.0，編程語(yǔ)言為Python 3.6，深度學(xué)習(xí)框架為Pytorch。

本研究訓(xùn)練時(shí)，裁取尺寸為96×96×96 的數(shù)據(jù)塊訓(xùn)練肺結(jié)節(jié)檢測(cè)模型，70%的輸入數(shù)據(jù)至少包含一個(gè)結(jié)節(jié)，30%的輸入數(shù)據(jù)不含結(jié)節(jié)；測(cè)試時(shí)輸入原始CT圖像大小為512×512×512。本文研究超參數(shù)設(shè)置如下：為使網(wǎng)絡(luò)更好地訓(xùn)練，學(xué)習(xí)率分為三段，前1/3 epoch學(xué)習(xí)率為0.01，1/3到2/3 epoch學(xué)習(xí)率為0.001，剩余epoch學(xué)習(xí)率為0.000 1；動(dòng)量設(shè)置為0.9；權(quán)重衰減為0.000 1；epoch取1 000；batch_size取3。

2.1 數(shù)據(jù)集與預(yù)處理

本文選用的數(shù)據(jù)集為L(zhǎng)UNA16，LUNA16 的數(shù)據(jù)來(lái)源于一個(gè)更大的數(shù)據(jù)集LIDC-IDRI（lung image database consortium and image database resource initiative）[22]。LIDC-LDRI 幾乎包含了所有低劑量肺動(dòng)脈CT 的相關(guān)信息，包括多位醫(yī)生對(duì)結(jié)節(jié)大小、位置、診斷結(jié)果、結(jié)節(jié)紋理、結(jié)節(jié)邊緣等信息的標(biāo)注。LUNA16 數(shù)據(jù)集將LIDC-IDRI數(shù)據(jù)集切片厚度大于3 mm的CT去除，同時(shí)將切片層間距不一致以及缺失部分切片的CT 也去除，最后產(chǎn)生了888 張低劑量肺部CT 圖像。LUNA16 給出了候選結(jié)節(jié)的病人序列號(hào)、中心坐標(biāo)以及其對(duì)應(yīng)的標(biāo)簽信息，其中共有1 186 個(gè)結(jié)節(jié)標(biāo)簽。將LUNA16 數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，比例設(shè)置為6∶1∶3。評(píng)估指標(biāo)選用FROC（free-response receiver operating characteristic），F(xiàn)ROC 得分代表了檢測(cè)召回率和可容忍假陽(yáng)性個(gè)數(shù)的綜合指標(biāo)，F(xiàn)ROC 得分越高，模型的性能越好。該指標(biāo)通過(guò)計(jì)算CPM（competition performance metric）來(lái)衡量算法的性能，CPM指平均每組CT圖像中假陽(yáng)個(gè)數(shù)（false positives per scan）為0.125、0.25、0.5、1、2、4、8時(shí)的平均檢出率。

在進(jìn)行數(shù)據(jù)訓(xùn)練前，首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，先將數(shù)據(jù)重采樣統(tǒng)一分辨率，再采取閾值化方法過(guò)濾水、空氣，剩下的部分進(jìn)行膨脹處理填補(bǔ)肺部?jī)?nèi)部的小孔洞，制作mask，然后進(jìn)行歸一化，將原始數(shù)據(jù)截取至?1 200～600，此范圍外的數(shù)據(jù)置為?1 200 或600，最后再將數(shù)據(jù)歸一化至0～255，加上mask，完成原始數(shù)據(jù)的處理[23]。結(jié)節(jié)檢測(cè)流程如圖4所示。

圖4 結(jié)節(jié)檢測(cè)流程Fig.4 Nodule detection process

2.2 消融實(shí)驗(yàn)

為研究本文算法不同組成部分是否有助于肺結(jié)節(jié)檢測(cè)，在LUNA16數(shù)據(jù)集上選用不同的網(wǎng)絡(luò)架構(gòu)進(jìn)行了實(shí)驗(yàn)。首先，驗(yàn)證DR loss性能，將DR loss與傳統(tǒng)的交叉熵?fù)p失函數(shù)BCE loss、文獻(xiàn)[16]的Focal loss 損失函數(shù)進(jìn)行對(duì)比，Model_1 表示采用傳統(tǒng)交叉熵?fù)p失函數(shù)BCE loss 的U 型殘差網(wǎng)絡(luò)，Model_2 表示采用文獻(xiàn)[16]的Focal loss損失函數(shù)的U型殘差網(wǎng)絡(luò)，Model_3表示采用DR loss的U型殘差網(wǎng)絡(luò)。性能對(duì)比結(jié)果如表1所示。

其次，用R 表示采用DR loss 的U-net 型殘差網(wǎng)絡(luò)，將R作為評(píng)估不同網(wǎng)絡(luò)架構(gòu)的基準(zhǔn)，對(duì)SE、ECA、SCConv在R 上的不同融合版本進(jìn)行了比較。R+se 表示在R 基礎(chǔ)上添加SE 結(jié)構(gòu)的網(wǎng)絡(luò)；R+eca 表示在R 基礎(chǔ)上添加ECA結(jié)構(gòu)的網(wǎng)絡(luò)；R+sc表示在R基礎(chǔ)上添加SCConv結(jié)構(gòu)的網(wǎng)絡(luò)；R+sc+se表示在R基礎(chǔ)上添加SCConv結(jié)構(gòu)與SE結(jié)構(gòu)的網(wǎng)絡(luò)；R+sc+eca表示在R基礎(chǔ)上添加SCConv結(jié)構(gòu)與ECA結(jié)構(gòu)的網(wǎng)絡(luò)。由于R+sc+eca所融合的模塊都為輕量級(jí)模塊，所以并未明顯增加網(wǎng)絡(luò)計(jì)算量，并未對(duì)網(wǎng)絡(luò)訓(xùn)練速度造成明顯影響。性能對(duì)比結(jié)果如表2所示。

由表1與表2可以看出：（1）與傳統(tǒng)的交叉熵?fù)p失函數(shù)BCE loss、文獻(xiàn)[16]的Focal loss損失函數(shù)相比，采用DR loss作為分類損失得到了更好的訓(xùn)練效果；（2）添加SCConv 結(jié)構(gòu)，讓空間上的每一個(gè)點(diǎn)都包含附近區(qū)域的信息和通道上的交互信息，大幅提升輸出特征的感受野，增加了特征的信息提取能力，同時(shí)避免了整個(gè)全局信息中無(wú)關(guān)區(qū)域的干擾，提高了模型的性能；（3）添加SE 或ECA 結(jié)構(gòu)，以自適應(yīng)學(xué)習(xí)的方式來(lái)獲取每個(gè)特征通道的重要程度，構(gòu)建特征的獎(jiǎng)懲策略，實(shí)現(xiàn)通道的自適應(yīng)校準(zhǔn)，可有效提高網(wǎng)絡(luò)的檢測(cè)性能，而ECA 通過(guò)不降維策略令通道與權(quán)重直接對(duì)應(yīng)，使得網(wǎng)絡(luò)應(yīng)檢測(cè)性能更優(yōu)于SE。本文所提算法通過(guò)添加SCConv 結(jié)構(gòu)與ECA 結(jié)構(gòu)使得網(wǎng)絡(luò)的平均FROC 得分最高，CPM 可達(dá)0.901。

表1 不同損失函數(shù)的肺結(jié)節(jié)檢測(cè)性能對(duì)比Table 1 Comparison of lung nodules detection performance with different loss functions

表2 不同結(jié)構(gòu)的肺結(jié)節(jié)測(cè)性性能對(duì)比Table 2 Comparison of lung nodules test performance of with different structures

2.3 實(shí)驗(yàn)結(jié)果對(duì)比

為驗(yàn)證本文算法在肺結(jié)節(jié)檢測(cè)中的優(yōu)勢(shì)，在相同實(shí)驗(yàn)數(shù)據(jù)集分布與實(shí)驗(yàn)環(huán)境下，用本文所提算法與最新肺結(jié)節(jié)檢測(cè)的文獻(xiàn)[15]與文獻(xiàn)[16]算法進(jìn)行了實(shí)驗(yàn)對(duì)比，文獻(xiàn)[15]提出一種用于肺結(jié)節(jié)檢測(cè)的帶3D 雙路徑塊和U-net 型編碼-解碼結(jié)構(gòu)的Faster R-CNN，文獻(xiàn)[16]提出一種用于肺結(jié)節(jié)檢測(cè)的3D 壓縮和激勵(lì)編碼器-解碼器卷積神經(jīng)網(wǎng)絡(luò)。表3為本文算法與文獻(xiàn)[15]、文獻(xiàn)[16]的肺結(jié)節(jié)檢測(cè)性能對(duì)比。

如表3 所示，本文所提算法與文獻(xiàn)[15]、文獻(xiàn)[16]中算法相比，本文算法CPM 得到了顯著提升。每次掃描中，對(duì)0.125、0.25、0.5、1、2、4、8 個(gè)假陽(yáng)性的檢測(cè)結(jié)果均優(yōu)于文獻(xiàn)[15]與文獻(xiàn)[16]算法檢測(cè)結(jié)果。為了更加精確地對(duì)比幾種算法的性能，本文給出了3 種算法的FROC曲線，如圖5所示。

表3 不同算法的肺結(jié)節(jié)檢測(cè)性能對(duì)比Table 3 Comparison of lung nodules detection performance of different algorithms

圖5 不同算法的FROC曲線Fig.5 FROC curves of different algorithms

從表3 與圖5 可以看出，本文算法的平均檢出率為0.901，在各個(gè)假陽(yáng)性個(gè)數(shù)下的靈敏度均高于文獻(xiàn)[15]與文獻(xiàn)[16]算法，檢測(cè)性能最優(yōu)；文獻(xiàn)[16]算法次之，平均檢出率為0.863；文獻(xiàn)[15]算法最差，平均檢出率為0.845。本文算法相比于文獻(xiàn)[15]與文獻(xiàn)[16]算法，在假陽(yáng)性個(gè)數(shù)低的情況下檢測(cè)性能更為凸顯，在不同假陽(yáng)性個(gè)數(shù)下均可得到較高的靈敏度，檢測(cè)性能更穩(wěn)定。本文所提算法對(duì)小結(jié)節(jié)、大結(jié)節(jié)與一張切片同時(shí)存在兩個(gè)結(jié)節(jié)的檢測(cè)對(duì)比結(jié)果如圖6所示，圖中每一行依次為肺結(jié)節(jié)位置金標(biāo)準(zhǔn)圖、文獻(xiàn)[15]檢測(cè)結(jié)果、文獻(xiàn)[16]檢測(cè)結(jié)果、本文算法檢測(cè)結(jié)果；每一列依次為小結(jié)節(jié)、大結(jié)節(jié)、兩個(gè)結(jié)節(jié)。對(duì)血管粘連型結(jié)節(jié)、孤立型結(jié)節(jié)與貼壁型結(jié)節(jié)的檢測(cè)對(duì)比結(jié)果如圖7所示，該圖每一行依次為肺結(jié)節(jié)位置金標(biāo)準(zhǔn)圖、文獻(xiàn)[15]檢測(cè)結(jié)果、文獻(xiàn)[16]檢測(cè)結(jié)果、本文算法檢測(cè)結(jié)果；每一列依次為血管粘連型結(jié)節(jié)、孤立型結(jié)節(jié)、貼壁型結(jié)節(jié)。肺結(jié)節(jié)位置金標(biāo)準(zhǔn)圖中矩形框代表肺結(jié)節(jié)的真實(shí)位置，檢測(cè)結(jié)果中矩形框代表檢測(cè)到的肺結(jié)節(jié)位置，矩形框外的數(shù)字表示預(yù)測(cè)為肺結(jié)節(jié)的置信度。

從圖6 與圖7 可以看出，本文算法對(duì)不同大小與不同種類的結(jié)節(jié)都有較高的檢測(cè)置信度。如圖6所示，文獻(xiàn)[15]對(duì)小結(jié)節(jié)的檢測(cè)能力稍弱，對(duì)于一張切片同時(shí)存在兩個(gè)結(jié)節(jié)時(shí)結(jié)節(jié)檢測(cè)置信度較低；文獻(xiàn)[16]對(duì)小結(jié)節(jié)與大結(jié)節(jié)都具有較高的檢測(cè)置信度；本文算法進(jìn)一步提升了檢出結(jié)節(jié)的置信度，增強(qiáng)了對(duì)小結(jié)節(jié)的檢測(cè)能力，文獻(xiàn)[15]、[16]與本文算法對(duì)于大結(jié)節(jié)都有較高的檢測(cè)置信度，其中，本文算法對(duì)于大結(jié)節(jié)的檢測(cè)置信度最高。如圖7 所示，文獻(xiàn)[15]網(wǎng)絡(luò)對(duì)血管粘連性與貼壁型結(jié)節(jié)檢測(cè)置信度較低；文獻(xiàn)[16]在一定程度上提升了對(duì)血管粘連性與貼壁型結(jié)節(jié)檢測(cè)的置信度，得到了較好的檢測(cè)結(jié)果；本文算法進(jìn)一步提升了對(duì)不同種類的結(jié)節(jié)的檢測(cè)置信度，對(duì)于血管粘連性、孤立型、貼壁型結(jié)節(jié)都得到了很好的檢測(cè)效果。其中，文獻(xiàn)[15]、[16]與本文算法對(duì)于孤立型結(jié)節(jié)都有較高的檢測(cè)置信度，而文獻(xiàn)[15]對(duì)于孤立型結(jié)節(jié)的檢測(cè)性能稍差于文獻(xiàn)[16]與本文算法。

圖6 肺結(jié)節(jié)檢測(cè)結(jié)果Fig.6 Detection results of pulmonary nodules

圖7 不同型態(tài)肺結(jié)節(jié)檢測(cè)結(jié)果Fig.7 Detection results of different types of pulmonary nodules

由LUNA16 數(shù)據(jù)集提供的真實(shí)結(jié)節(jié)位置信息可得到真實(shí)結(jié)節(jié)與假陽(yáng)性結(jié)節(jié)的預(yù)測(cè)概率對(duì)比。如圖8 為本文所提算法在LUNA16數(shù)據(jù)集上，對(duì)部分疑似結(jié)節(jié)的檢測(cè)效果。第一行為真結(jié)節(jié)，第二行為假陽(yáng)性結(jié)節(jié)，矩形框代表檢測(cè)到的肺結(jié)節(jié)位置，P表示預(yù)測(cè)概率?？梢钥闯?，所提算法對(duì)不同大小與不同種類的肺結(jié)節(jié)具有良好的檢測(cè)效果，并且對(duì)于真結(jié)節(jié)可以達(dá)到較高的預(yù)測(cè)概率，同時(shí)也可以準(zhǔn)確地檢測(cè)出假陽(yáng)性結(jié)節(jié)。

圖8 疑似結(jié)節(jié)的檢測(cè)結(jié)果Fig.8 Detection results of suspected nodules

3 結(jié)論

針對(duì)現(xiàn)有結(jié)節(jié)檢測(cè)網(wǎng)絡(luò)對(duì)不同尺寸的肺結(jié)節(jié)的檢測(cè)性能不足與存在大量假陽(yáng)性的問(wèn)題，提出了一種基于改進(jìn)U 型殘差網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)算法。該算法通過(guò)采取U-net網(wǎng)絡(luò)的U型結(jié)構(gòu)并利用殘差學(xué)習(xí)方式構(gòu)建深層次網(wǎng)絡(luò)，同時(shí)融合自校正卷積與通道注意力機(jī)制，在增大信息提取能力編碼多尺度特征信息的同時(shí)對(duì)特征進(jìn)行重標(biāo)定，使網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)特征權(quán)重，可以對(duì)不同大小與形態(tài)的肺結(jié)節(jié)圖像具有更強(qiáng)的特征提取能力，有利于提高結(jié)節(jié)的檢測(cè)精度；另外，引入DR loss 函數(shù)作為訓(xùn)練的分類損失函數(shù)，在減小數(shù)據(jù)集中樣本分布不均帶來(lái)的影響的同時(shí)，加強(qiáng)了對(duì)難樣本的學(xué)習(xí)。本文在廣泛認(rèn)可的公共數(shù)據(jù)集LUNA16 上驗(yàn)證和評(píng)估所提出的算法，采取了消融實(shí)驗(yàn)，首先，驗(yàn)證了DR loss損失函數(shù)的性能；其次，對(duì)比了采用不同局部結(jié)構(gòu)網(wǎng)絡(luò)的影響。實(shí)驗(yàn)結(jié)果表明，CPM得分達(dá)到0.901，檢測(cè)性能優(yōu)于最新肺結(jié)節(jié)檢測(cè)算法，在不同大小與不同種類的肺結(jié)節(jié)具有良好的檢測(cè)效果并且可以準(zhǔn)確區(qū)分假陽(yáng)性結(jié)節(jié)，對(duì)肺結(jié)節(jié)自動(dòng)篩查系統(tǒng)和臨床肺結(jié)節(jié)輔助診斷系統(tǒng)的建立具有十分重要的作用。