史婧婷，馬 煒，劉 婷，陳旭輝

（1.福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350108；2.福建省醫(yī)療器械和醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建 福州 350108）

0 引言

運(yùn)動(dòng)中肌肉負(fù)荷收縮過(guò)量易引起炎癥，確認(rèn)肌肉有效收縮可以幫助運(yùn)動(dòng)主體強(qiáng)調(diào)運(yùn)動(dòng)上下限，輔助康復(fù)訓(xùn)練。有效肌肉收縮運(yùn)動(dòng)是肌肉疾病康復(fù)訓(xùn)練的關(guān)鍵，肌肉收縮力量訓(xùn)練對(duì)預(yù)防肌肉拉傷及勞損具有重要意義[1-3]。肌肉等軟組織常用超聲進(jìn)行成像，超聲成像旨在生成感興趣組織的聲學(xué)特性圖，與磁共振成像（Magnetic Resonance Imaging，MRI）或計(jì)算機(jī)斷層掃描（Computed Tomography，CT）等其他成像方式相比，具有非電離輻射、可移動(dòng)、運(yùn)營(yíng)成本低以及實(shí)時(shí)成像的優(yōu)勢(shì)[4]。隨著近年來(lái)超聲分辨率的提高，其對(duì)軟組織損傷、積液、異物、腫瘤、血流保持較高的檢出率[5]。本研究擬結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型實(shí)現(xiàn)對(duì)肱二頭肌超聲圖像的特征提取與量化，達(dá)到有效分類(lèi)肌肉收縮圖像的目標(biāo)，探討超聲在肌肉訓(xùn)練康復(fù)療效評(píng)估中的應(yīng)用價(jià)值。

1 材料與方法

1.1 圖像采集

超聲圖像采集設(shè)備為飛依諾掌上超聲診斷儀Q5-7LMIX520，采集部位為健康受試者肱二頭肌，分別采集肌肉放松和帶負(fù)重（2.5 kg）的肌肉靜態(tài)收縮狀態(tài)。其中男性和女性各5 例，年齡為（23±1.5）歲。多次、多天進(jìn)行采集，共采集2 000 余張圖片，兩類(lèi)圖像數(shù)量相當(dāng)，避免數(shù)量差帶來(lái)的影響。

1.2 軟件與硬件工具

主體使用Python 3.6 作為開(kāi)發(fā)語(yǔ)言。Python 是一種介于面向?qū)ο缶幊毯秃瘮?shù)式編程之間的編程語(yǔ)言，具有迭代庫(kù)、類(lèi)定義、函數(shù)以及對(duì)象等[6]。與其他編程語(yǔ)言相比，其在深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練上更具顯著優(yōu)勢(shì)[7]。以Pytoch 為框架，該框架功能豐富，能較為迅速地完成深度學(xué)習(xí)模型的構(gòu)建和形成。和Tensorflow 框架相比，Pytorch 的動(dòng)態(tài)特性使訓(xùn)練過(guò)程和數(shù)據(jù)更改更為直觀，調(diào)整參數(shù)也更加方便。硬件方面采用了具備Windows 10 系統(tǒng)的計(jì)算機(jī)，處理器CPU 為Intel Core I7-6700K，主頻為4 GHz，顯卡為NVIDIA GeForce GTX 1070Ti。

2 深度學(xué)習(xí)與CNN 模型

相較于傳統(tǒng)方法，深度學(xué)習(xí)使用更深層次的網(wǎng)絡(luò)和非線性相映射結(jié)構(gòu)，通過(guò)提取數(shù)據(jù)更高層次的特征來(lái)發(fā)現(xiàn)數(shù)據(jù)在高層次特征中的關(guān)系，可以彌補(bǔ)傳統(tǒng)方法分類(lèi)功能的不足[8-9]。圖1 為簡(jiǎn)單的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在深度學(xué)習(xí)中，CNN 是一種非常經(jīng)典的結(jié)構(gòu)，其靈感來(lái)自于人類(lèi)的視覺(jué)感知機(jī)制。隨著神經(jīng)網(wǎng)絡(luò)和硬件的改進(jìn)，CNN 網(wǎng)絡(luò)結(jié)構(gòu)越來(lái)越深。網(wǎng)絡(luò)的層數(shù)越多，意味著能夠提取到的不同的特征越豐富。目前，生物醫(yī)學(xué)領(lǐng)域已經(jīng)提出了許多神經(jīng)網(wǎng)絡(luò)架構(gòu)用于醫(yī)學(xué)圖像分類(lèi)，常用于醫(yī)學(xué)圖像分類(lèi)的模型框架是CNN?；贑NN 的常見(jiàn)深度學(xué)習(xí)架構(gòu)中主要使用3個(gè)重要層，即卷積層、池化層以及全連接層[10]。其中，深度殘差網(wǎng)絡(luò)ResNet101 和VGG19 深度網(wǎng)絡(luò)模型常被用于CNN 的分類(lèi)任務(wù)[11]。本文將使用這兩種模型提取圖像特征，進(jìn)行肌肉收縮超聲圖像分類(lèi)。

2.1 圖像預(yù)處理

在原始圖像數(shù)據(jù)中選擇包含完整肌肉纖維且較為清晰的圖像，刪除原始圖像中非目標(biāo)的冗余區(qū)域。針對(duì)超聲圖像的特征，采用斑點(diǎn)抑制各向異性擴(kuò)散濾波器（Speckle Reduce Anisotropic Diffusion，SRAD）對(duì)其進(jìn)行濾波處理，降低高頻分量的幅值，防止高頻段的特征信息被噪聲覆蓋，降低噪聲等無(wú)關(guān)信息對(duì)訓(xùn)練結(jié)果的影響。

2.2 模型介紹

2.2.1 ResNet 模型

殘差神經(jīng)網(wǎng)絡(luò)（ResNet）是由微軟研究所的何愷明、張祥雨等人首次提出，其發(fā)現(xiàn)了“退化現(xiàn)象（Degradation）”，并針對(duì)該現(xiàn)象發(fā)明了“快捷連接（Shortcut connection）”。如果一味簡(jiǎn)單地增加網(wǎng)絡(luò)深度，會(huì)導(dǎo)致梯度彌散或梯度爆炸。ResNet 模型添加了快捷連接并使用殘差函數(shù)，可以減少深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差。ResNet 有兩種類(lèi)型的結(jié)構(gòu)塊，即Conv Block 和Identity Block，如圖2 所示。

圖2 ResNet 結(jié)構(gòu)塊

3 個(gè)卷積層構(gòu)成一個(gè)殘差塊，這3 個(gè)卷積層的尺寸分布是1×1，3×3 和5×5。其中，1×1 層先降維后增維，3×3 層的輸入輸出維度更小[12]。為了改善線性結(jié)構(gòu)引起的問(wèn)題，ResNet 中引入了非線性深度殘差學(xué)習(xí)框架，在圖像分類(lèi)任務(wù)中表現(xiàn)良好。ResNet 的圖像處理流程如圖3 所示。

圖3 ResNet 圖像處理流程

2.2.2 VGG 模型

VGGNet 是由SIMONIAN 等人設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)，主要通過(guò)11×11 和5×5 的卷積核依次替換大小為3×3 的卷積核[13]。小的卷積核可以增加非線性網(wǎng)絡(luò)的深度，使網(wǎng)絡(luò)能夠?qū)W習(xí)更復(fù)雜的特征。

VGG19 的結(jié)構(gòu)非常簡(jiǎn)潔，由16 個(gè)卷積層、5個(gè)最大池化層、3 個(gè)全連接層以及1 個(gè)輸出層組成，不同卷積層中的卷積核數(shù)量為64，128 或256。VGG19 中的卷積核用于計(jì)算不同的特征圖，其流程如圖4 所示。

圖4 VGG19 圖像處理流程

3 測(cè)試分析

通過(guò)CNN 模型對(duì)健康人體肱二頭肌的超聲圖像進(jìn)行特征提取并分類(lèi)，對(duì)具有不同結(jié)構(gòu)和特色的兩種CNN 模型，即ResNet101 模型和VGG19 模型進(jìn)行測(cè)試。在模型的分類(lèi)訓(xùn)練中，將超聲圖像數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，分別按照75%與25%的比例隨機(jī)挑選，以保證分類(lèi)結(jié)果的客觀性?？紤]到GPU、CPU 及內(nèi)存性能，將上述兩種模型在相同平臺(tái)上運(yùn)行50 次，兩種模型的訓(xùn)練集、測(cè)試集正確率和損失曲線如圖5、圖6 所示。

圖5 兩種模型的準(zhǔn)確率對(duì)比

圖6 兩種模型的損失曲線對(duì)比

微調(diào)學(xué)習(xí)率、批量大?。╞atch size）等參數(shù)，重復(fù)訓(xùn)練多次，獲得模型準(zhǔn)確率最高值、平均值及模型大小，如表1 所示。

表1 模型測(cè)試結(jié)果對(duì)比

從圖6、圖7 可以看出，VGG19 訓(xùn)練集和測(cè)試集的正確率與損失曲線變化更顯著，波形無(wú)明顯震蕩。在兩種CNN 模型中，VGG19 模型在訓(xùn)練集上收斂速度最快，訓(xùn)練效果最優(yōu)，表現(xiàn)出良好的分類(lèi)性能。此外，其在測(cè)試集中的表現(xiàn)同樣比ResNet 101 模型要好，平均準(zhǔn)確率為91.00%，分類(lèi)效果不俗。但是，VGG19 模型占用更多的計(jì)算資源，而且使用更多的網(wǎng)絡(luò)參數(shù)，在訓(xùn)練時(shí)間上存在劣勢(shì)。ResNet101 的深度為152 層，是VGG19 模型的8 倍，但ResNet101 的分類(lèi)效果反而更差，之所以出現(xiàn)這種現(xiàn)象，是因?yàn)楸狙芯繑?shù)據(jù)集不大，且二類(lèi)分任務(wù)復(fù)雜度較低，較深網(wǎng)絡(luò)模型反而不占優(yōu)勢(shì)。VGG19模型的獨(dú)特簡(jiǎn)潔結(jié)構(gòu)使決策函數(shù)的光滑度和泛化能力得到加強(qiáng)，非常適用于與本研究類(lèi)似的小數(shù)據(jù)樣本訓(xùn)練，效率較高。通過(guò)實(shí)驗(yàn)，在兩種模型上均訓(xùn)練出了可觀的結(jié)果，證明了基于CNN 對(duì)肌肉收縮進(jìn)行分類(lèi)的可行性。

4 結(jié)語(yǔ)

以CNN 為代表的深度學(xué)習(xí)網(wǎng)絡(luò)模型常被用于生物醫(yī)學(xué)圖像分類(lèi)領(lǐng)域，通過(guò)對(duì)兩種不同網(wǎng)絡(luò)深度、結(jié)構(gòu)及功能的CNN 模型進(jìn)行分類(lèi)訓(xùn)練測(cè)試，綜合來(lái)看VGG19 模型的分類(lèi)效果較好，正確率較高。本研究成果可輔助肌肉康復(fù)訓(xùn)練，確認(rèn)肌肉的有效收縮。在未來(lái)的研究中，將增加數(shù)據(jù)樣本量并同步微調(diào)網(wǎng)絡(luò)參數(shù)，以減少過(guò)擬合和欠擬合現(xiàn)象，從而實(shí)現(xiàn)準(zhǔn)確性更高、適應(yīng)性更強(qiáng)以及適用范圍更廣，為運(yùn)動(dòng)康復(fù)領(lǐng)域的肌肉康復(fù)訓(xùn)練監(jiān)測(cè)奠定堅(jiān)實(shí)基礎(chǔ)。