姜林奇，寧春玉，余海濤

（長(zhǎng)春理工大學(xué) 生命科學(xué)技術(shù)學(xué)院, 吉林 長(zhǎng)春 130022）

1 引 言

根據(jù)2018年全球癌癥統(tǒng)計(jì)報(bào)告可知，大腦及神經(jīng)系統(tǒng)癌變發(fā)生率約為2.9人/(年·10萬(wàn)人)，約占全身腫瘤的1.6%，死亡率高達(dá)2.5%[1]。根據(jù)病因可以將大腦及神經(jīng)系統(tǒng)癌變分為原發(fā)性和繼發(fā)性。其中，膠質(zhì)瘤（glioma）作為最常見的原發(fā)性腦腫瘤被廣泛關(guān)注。根據(jù)磁共振腫瘤成像所呈現(xiàn)的特點(diǎn)，可將其惡化的程度分為低級(jí)別膠質(zhì)瘤（Low Grade Gliomas, LGG）和高級(jí)別膠質(zhì)瘤（High Grade Gliomas, HGG）[2]。如果醫(yī)生不能準(zhǔn)確地對(duì)腫瘤的惡化程度進(jìn)行分類，隨著時(shí)間的推移良性腫瘤很有可能會(huì)惡化成惡性腫瘤。因此，腫瘤的良惡性分類尤其重要[3]。

基于傳統(tǒng)機(jī)器學(xué)習(xí)的圖像分類方法通過(guò)提取圖像的紋理信息，比如形狀特征、顏色等，再利用支持向量機(jī)（Support Vector Machines, SVM）或其他分類器實(shí)現(xiàn)分類[4-6]。 Raju等人[7]采用貝葉斯模糊聚類方法進(jìn)行腦腫瘤分割，并利用HCS（Harmony-Crow Search）優(yōu)化算法來(lái)訓(xùn)練multi-SVNN分類器的權(quán)重，計(jì)算圖像特征，得到的分類精度為93%。Narmatha等人[8]提出了將模糊算法與Brain-storm優(yōu)化算法相結(jié)合的Fuzzy Brain-storm optimization 算法用于腦腫瘤圖像的分割與分類。該方法有效地縮短了圖像的分割時(shí)間，但最終的分類準(zhǔn)確率僅為93.85%。

傳統(tǒng)的圖像分類方法在圖像特征的選擇上更依賴于操作者的先驗(yàn)知識(shí)，工作量大并且過(guò)程較復(fù)雜。近幾年，深度學(xué)習(xí)（Deep Learning，DL）作為一種新興技術(shù)被廣泛應(yīng)用于圖像分割、圖像分類、圖像識(shí)別等任務(wù)中[9-12]。面對(duì)圖像特征復(fù)雜的醫(yī)學(xué)圖像，學(xué)者們提出將DL引進(jìn)到醫(yī)學(xué)影像領(lǐng)域當(dāng)中[13-14]。

目前，腦腫瘤分類系統(tǒng)可分為非端到端式和端到端式。非端到端的分類系統(tǒng)是指由多個(gè)獨(dú)立部分組成的系統(tǒng)，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）擔(dān)任其中一個(gè)或多個(gè)部分。Sharif等人[15]提出一種基于深度學(xué)習(xí)的方法來(lái)實(shí)現(xiàn)腫瘤的分割與分類。該方法使用預(yù)訓(xùn)練后的Inception V3網(wǎng)絡(luò)對(duì)分割結(jié)果圖進(jìn)行特征提取，并將分別由傳統(tǒng)方法和深度學(xué)習(xí)提取的特征進(jìn)行拼接，通過(guò)粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）進(jìn)行特征向量的優(yōu)化，最后，通過(guò)Softmax分類器進(jìn)行分類，得到了96.90%的準(zhǔn)確率。Khan等人[16]提出一種基于極限學(xué)習(xí)機(jī)（Extreme Learning Machine, ELM）的自動(dòng)分類方法。該方法利用預(yù)訓(xùn)練過(guò)的VGG16提取圖像特征，然后通過(guò)ELM對(duì)融合的魯棒特征進(jìn)行分類，有效減少了特征選取與融合的時(shí)間。Rehman等人[17]提出將3D CNN模型用于腦腫瘤的檢測(cè)，利用預(yù)訓(xùn)練的VGG19網(wǎng)絡(luò)用于特征提取，利用前反饋神經(jīng)網(wǎng)絡(luò)（Feed-forward Neural Network，F(xiàn)NN）選取最佳特征用于分類。該方法取得了較高的準(zhǔn)確率，但腫瘤檢測(cè)過(guò)程耗費(fèi)時(shí)間較長(zhǎng)。以上非端到端的分類系統(tǒng)對(duì)腦部腫瘤的分類準(zhǔn)確率都有所提升，但此類系統(tǒng)大多基于圖像分割，分類過(guò)程復(fù)雜，故會(huì)引入較多干擾因素，不可避免地會(huì)對(duì)分類結(jié)果造成影響。

端到端的分類系統(tǒng)是指僅通過(guò)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)腫瘤圖像的分類。Seetha等人[18]針對(duì)腦腫瘤區(qū)域結(jié)構(gòu)異化的問(wèn)題，提出利用小卷積核提取腫瘤區(qū)域的細(xì)微特征，實(shí)現(xiàn)對(duì)腫瘤良惡性分類，最終得到了97.50%的準(zhǔn)確率。趙尚義等人[19]提出了3D U-Net模型的分類算法。該方法在原始UNet 網(wǎng)絡(luò)中引入了特征融合層，將淺層特征與深層特征相融合，實(shí)現(xiàn)了基于分割網(wǎng)絡(luò)U-Net的分類系統(tǒng)。但該方法沒有對(duì)淺層特征與深層特征的特征通道權(quán)重進(jìn)行重新分配，過(guò)分表達(dá)冗余特征，導(dǎo)致最終的分類準(zhǔn)確率僅達(dá)到91.67%。端到端式的分類系統(tǒng)基于設(shè)計(jì)好的網(wǎng)絡(luò)結(jié)構(gòu)，利用深度學(xué)習(xí)自動(dòng)提取圖像特征，降低了分類過(guò)程復(fù)雜性。但是上述用于腦腫瘤的分類方法沒有充分利用圖像的全局、局部顯著特征以及特征圖的通道特性，識(shí)別準(zhǔn)確率還有待進(jìn)一步提高。

針對(duì)上述問(wèn)題，本文提出一種基于多尺度特征與通道特征融合的腦腫瘤良惡性自動(dòng)分類方法（Improved MDCA-ResNeXt），利用ResNeXt網(wǎng)絡(luò)結(jié)構(gòu)的分組卷積策略，在增加網(wǎng)絡(luò)寬度的同時(shí)提升了網(wǎng)絡(luò)提取特征信息的能力，并通過(guò)多尺度特征提取模塊融合全局特征與局部顯著特征，通過(guò)通道注意力機(jī)制模塊提升網(wǎng)絡(luò)對(duì)病灶區(qū)域的關(guān)注度，減少冗余信息對(duì)分類結(jié)果造成的影響，最終達(dá)到提高腫瘤良惡性分類精度的目的。

2 基于Improved MDCA-ResNeXt的腦腫瘤良惡性分類模型

2.1 MDCA-ResNeXt網(wǎng)絡(luò)

在對(duì)圖像特征信息復(fù)雜、數(shù)據(jù)特征維度高的醫(yī)學(xué)圖像進(jìn)行分類時(shí)，不僅要考慮網(wǎng)絡(luò)提取特征信息的能力，還需要考慮訓(xùn)練過(guò)程的計(jì)算復(fù)雜度等問(wèn)題，經(jīng)過(guò)多番考慮，本文選用ResNeXt[20]網(wǎng)絡(luò)作為腦腫瘤圖像分類任務(wù)的主干網(wǎng)絡(luò)，對(duì)其進(jìn)行改進(jìn)，以提高網(wǎng)絡(luò)分類能力、降低參數(shù)冗余度、減少計(jì)算時(shí)間。首先，將基于空洞卷積的多尺度特征提取模塊（Multi-scale Feature Extraction Module based on Dilated Convolution, MD）代替一般的卷積層，擴(kuò)大第一層卷積層的感受野，同時(shí)保留HGG圖像中增強(qiáng)區(qū)域的局部顯著特征，將全局特征與局部顯著特征融合；其次，添加通道注意力機(jī)制模塊（Channel Attention Module，CA），引入特征通道信息，對(duì)特征通道重新分配，減少特征冗余引起的影響，提高腫瘤區(qū)域在整幅圖像中的關(guān)注度；最后，簡(jiǎn)化ResNeXt網(wǎng)絡(luò)，減少ResNeXt結(jié)構(gòu)個(gè)數(shù)，避免因網(wǎng)絡(luò)過(guò)深導(dǎo)致的過(guò)擬合現(xiàn)象。圖1為本文提出的MDCA-ResNeXt網(wǎng)絡(luò)結(jié)構(gòu)。

2.1.1 ResNeXt結(jié)構(gòu)

ResNeXt結(jié)構(gòu)采用Inception結(jié)構(gòu)[21]中的拆分-轉(zhuǎn)換-合并的思想，沿用ResNet[22]的殘差結(jié)構(gòu)，構(gòu)造重復(fù)的多分組卷積層。ResNeXt結(jié)構(gòu)的本質(zhì)是分組卷積，它通過(guò)變量基數(shù)C來(lái)控制組的數(shù)量，從而達(dá)到兩種策略的平衡。圖2為C=32的Res-NeXt結(jié)構(gòu)。圖中“彎曲的箭頭”表示殘差結(jié)構(gòu)的恒等映射，⊕表示逐個(gè)像素點(diǎn)相加。

圖2 C =32的ResNeXt結(jié)構(gòu)[20]Fig. 2 ResNeXt structure with C =32[20]

ResNeXt結(jié)構(gòu)的運(yùn)算過(guò)程可用數(shù)學(xué)公式表達(dá)為：

其中τ表 示 1×1→3×3→1×1一系列的卷積操作。

2.1.2 多尺度特征提取模塊

空洞卷積（dilated convolution）[23]相對(duì)于正常卷積模板多一個(gè)膨脹率d，它表示在卷積核中插入權(quán)重為0的行和列的數(shù)量。圖3為不同膨脹率的空洞卷積。當(dāng)d=1時(shí)，卷積模板的感受野與3×3的 卷積模板相同；當(dāng)d=2時(shí)，卷積模板的感受野與5 ×5的 卷積模板相同；當(dāng)d=3時(shí)，卷積模板的感受野與7 ×7的卷積模板相同。

圖3 不同膨脹率的空洞卷積Fig. 3 Dilated convolution results with different dilation rates

圖4為本文提出的MD模塊，該模塊的第一層卷積層包括了1 ×1的普通卷積模板以及卷積尺寸為 3×3、 膨脹率d分別為1 ,2,3的空洞卷積模板。第二層的卷積層是由1 ×1卷積模板組成，其作用是將上一層的輸出特征圖拼接在一起，得到同時(shí)包含全局與局部顯著特征信息的特征圖。

圖4 MD模塊Fig. 4 MD module

2.1.3 通道注意力機(jī)制模塊

圖5為注意力機(jī)制[24]中的通道注意力機(jī)制模塊（Channel Attention Module，CA），該模塊通過(guò)建立特征圖之間的通道關(guān)系，生成通道注意力圖，對(duì)特征通道重新分配權(quán)重，提高網(wǎng)絡(luò)對(duì)輸入圖像中重要信息的關(guān)注度，降低網(wǎng)絡(luò)對(duì)冗余信息的關(guān)注度。其計(jì)算過(guò)程如下：

圖5 CA模塊Fig. 5 CA module

其中， Avgpool 和 Maxpool 分 別表示對(duì)輸入特征F進(jìn)行全局平均池化操作和全局最大池化操作，MLP表示多層感知器（Multi-layer Perceptron, MLP），W0和W1為MLP層之間的共享權(quán)重，其維數(shù)分別為：W0∈RC/r×C，W1∈RC×C/r，r表示降維系數(shù)，σ表示sigmoid函數(shù)，?表示像素點(diǎn)相乘。

2.2 基于MDCA-ResNeXt網(wǎng)絡(luò)的優(yōu)化策略

在設(shè)計(jì)分類模型過(guò)程中，網(wǎng)絡(luò)結(jié)構(gòu)對(duì)圖像特征的提取起著關(guān)鍵作用，但是在訓(xùn)練過(guò)程中需要設(shè)置的超參數(shù)也會(huì)影響網(wǎng)絡(luò)的學(xué)習(xí)能力。此外，提高網(wǎng)絡(luò)的學(xué)習(xí)能力是一個(gè)比較漫長(zhǎng)、復(fù)雜的過(guò)程。在腦腫瘤的前期分類任務(wù)中，本文作者提出了學(xué)習(xí)率的線性衰減策略、圖像的標(biāo)簽平滑策略以及基于醫(yī)學(xué)圖像的遷移學(xué)習(xí)策略3種優(yōu)化策略的組合[25]。為了提高網(wǎng)絡(luò)的學(xué)習(xí)能力，減少訓(xùn)練的迭代次數(shù)，本文采用相同的優(yōu)化策略對(duì)MDCAResNeXt網(wǎng)絡(luò)進(jìn)行優(yōu)化，經(jīng)過(guò)優(yōu)化的網(wǎng)絡(luò)簡(jiǎn)記為Improved MDCA-ResNeXt網(wǎng)絡(luò)。預(yù)訓(xùn)練過(guò)程中網(wǎng)絡(luò)的訓(xùn)練迭代次數(shù)為50，批次大小為8，優(yōu)化算法為帶有動(dòng)量隨機(jī)梯度下降優(yōu)化算法（Stochastic Gradient Descent with Momentum, SGDM），初始學(xué)習(xí)率為0.01，學(xué)習(xí)率衰減迭代次數(shù)分別為30和40，標(biāo)簽平滑系數(shù)為0.01，采用Cheng等人[26]提供的CE-MRI數(shù)據(jù)庫(kù)作為預(yù)訓(xùn)練數(shù)據(jù)集。該數(shù)據(jù)庫(kù)包含了T1C模態(tài)下233名病人的3 064張腦腫瘤MRI切片圖像，其中包含了1 426張膠質(zhì)瘤圖像、930張腦膜瘤圖像和708張垂體瘤圖像。

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 實(shí)驗(yàn)數(shù)據(jù)

3.1.1 BraTS數(shù)據(jù)庫(kù)

本文使用的BraTS2017和BraTS2019數(shù)據(jù)庫(kù)分別為2017年和2019年舉辦的多模態(tài)腦腫瘤分割挑戰(zhàn)賽提供的開源數(shù)據(jù)庫(kù)。BraTS2017數(shù)據(jù)庫(kù)中包含210例HGG和75例LGG，BraTS2019數(shù)據(jù)庫(kù)包含259例HGG和76例LGG。數(shù)據(jù)庫(kù)中每個(gè)病例都包括FLAIR、T2、T1和T1C 4種模態(tài)的MRI序列，每個(gè)序列包含155張切片圖像，圖像分辨率為240 pixel×240 pixel。圖6、圖7為4種模態(tài)下的HGG和LGG腫瘤圖像。通過(guò)對(duì)比不同模態(tài)MRI圖像可知，添加了造影劑的T1C模態(tài)能夠更加凸顯病灶區(qū)域的特征，因此本文選用該模態(tài)下的圖像作為原始輸入。

圖6 4種模態(tài)下的HGG圖像Fig. 6 HGG images in four modalities

圖7 4種模態(tài)下的LGG圖像Fig. 7 LGG images in four modalities

3.1.2 數(shù)據(jù)預(yù)處理

圖8為去噪前后對(duì)比圖。圖8（a）中矩形虛線框內(nèi)圖像中含有一些不均勻的信號(hào)，這是由于設(shè)備老化等問(wèn)題造成的灰度變化不均。這種現(xiàn)象稱為偏置場(chǎng)效應(yīng)。如果在圖像預(yù)處理階段不對(duì)其進(jìn)行處理，很容易造成網(wǎng)絡(luò)對(duì)圖像的錯(cuò)誤判斷，所以本文使用優(yōu)化后的N3（Nonparametric nonuniform intensity normalization）[27]算法——N4ITK算法[28]對(duì)原始圖像數(shù)據(jù)進(jìn)行偏置場(chǎng)校正。圖8（b）是N4ITK算法校正后的MRI圖像，可見虛線框內(nèi)的亮度變得比較均勻。

圖8 去除噪聲前后對(duì)比圖Fig. 8 Comparison before and after preprocessing

在分類任務(wù)中，不同類別下的圖像數(shù)量分布不均可能會(huì)造成過(guò)擬合，因此需要對(duì)LGG樣本進(jìn)行數(shù)據(jù)擴(kuò)充。本文利用隨機(jī)翻轉(zhuǎn)、旋轉(zhuǎn)等操作對(duì)LGG樣本進(jìn)行擴(kuò)充。并通過(guò)對(duì)訓(xùn)練集中的圖像進(jìn)行隨機(jī)旋轉(zhuǎn)、隨機(jī)擦除[29]等數(shù)據(jù)增強(qiáng)操作來(lái)增加數(shù)據(jù)集中來(lái)自同一病例的切片圖像的差異性，從而提高網(wǎng)絡(luò)分辨能力的魯棒性。

3.1.3 實(shí)驗(yàn)數(shù)據(jù)集

為了驗(yàn)證所提出的分類模型對(duì)膠質(zhì)瘤圖像的分類能力，本文將數(shù)據(jù)增強(qiáng)后的BraTS2017和BraTS2019數(shù)據(jù)集分別劃分成5個(gè)圖像數(shù)量相等的子集，進(jìn)行五折交叉驗(yàn)證實(shí)驗(yàn)。表1所示為實(shí)驗(yàn)數(shù)據(jù)集的分布情況。

表1 實(shí)驗(yàn)數(shù)據(jù)集分布Tab. 1 Distribution of experimental datasets

3.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

本文基于Pytorch深度學(xué)習(xí)模型框架，采用Python作為編程語(yǔ)言，在操作系統(tǒng)為Windows 10、GPU為NVIDIA Tesla K40m的實(shí)驗(yàn)平臺(tái)搭建了基于Improved MDCA-ResNeXt網(wǎng)絡(luò)模型的腦腫瘤圖像良惡性分類框架。網(wǎng)絡(luò)訓(xùn)練過(guò)程中的訓(xùn)練迭代次數(shù)為30，批次大小為8，優(yōu)化算法為SGDM，初始學(xué)習(xí)率為0.01，學(xué)習(xí)率衰減迭代次數(shù)為20，標(biāo)簽平滑系數(shù)為0.01，網(wǎng)絡(luò)初始化參數(shù)為遷移學(xué)習(xí)得到的。

3.3 評(píng)價(jià)指標(biāo)

本文采用準(zhǔn)確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）、陽(yáng)性預(yù)測(cè)值（Positive Predictive Value）以及陰性預(yù)測(cè)值（Negative Predictive Value）對(duì)分類結(jié)果進(jìn)行性能評(píng)價(jià)。上述指標(biāo)分別記為ACC、SEN、SPE、PPV及NPV，計(jì)算公式如式（4）～式（8）所示。

式中α 和β分別表示真實(shí)標(biāo)簽與預(yù)測(cè)標(biāo)簽相同的HGG和LGG樣本個(gè)數(shù)，δ和 γ分別表示真實(shí)標(biāo)簽與預(yù)測(cè)標(biāo)簽不相同的HGG和LGG樣本個(gè)數(shù)。

3.4 實(shí)驗(yàn)結(jié)果與分析

3.4.1 網(wǎng)絡(luò)結(jié)構(gòu)消融實(shí)驗(yàn)

本小節(jié)將僅含有MD模塊的MD-ResNeXt網(wǎng)絡(luò)和僅含有CA模塊的CA-ResNeXt網(wǎng)絡(luò)與MDCA-ResNeXt網(wǎng)絡(luò)進(jìn)行對(duì)比，以驗(yàn)證MDCAResNeXt的有效性。為了保證實(shí)驗(yàn)結(jié)果的科學(xué)性，所有網(wǎng)絡(luò)的初始化參數(shù)均由相同的隨機(jī)數(shù)種子生成，實(shí)驗(yàn)數(shù)據(jù)集為BraTS2017。

圖9（彩圖見期刊電子版）為MD-ResNeXt、CA-ResNeXt和MDCA-ResNeXt 3個(gè)網(wǎng)絡(luò)在5個(gè)交叉驗(yàn)證集中獲得的分類結(jié)果評(píng)價(jià)圖，圖中數(shù)字為評(píng)價(jià)標(biāo)準(zhǔn)的平均值，線段為標(biāo)準(zhǔn)差。從圖9可以看出，MDCA-ResNeXt對(duì)HGG樣本和LGG樣本的分辨能力，相較于MD-ResNeXt和CA-Res-NeXt都有提升，并且標(biāo)準(zhǔn)差相對(duì)較小，說(shuō)明MDCA-ResNeXt在不同驗(yàn)證集的表現(xiàn)都相對(duì)穩(wěn)定，魯棒性強(qiáng)。

為探究MDCA-ResNeXt工作機(jī)制的有效性，對(duì)特征圖進(jìn)行了可視化處理，圖10和圖11分別為HGG樣本、LGG樣本的原始圖像和特征可視化圖。在圖10（a）中，腫瘤區(qū)域位于右側(cè)大腦顳部，并且核心腫瘤的外圍有增強(qiáng)區(qū)域包裹，在圖像中表現(xiàn)為高頻信號(hào)。圖10（b）～10（e）分別表示4種網(wǎng)絡(luò)結(jié)構(gòu)在同一層輸出的特征圖。對(duì)比圖10（b）和圖10（c）可以看出，MD-ResNeXt相較于Res-NeXt更好地保留了腦部組織結(jié)構(gòu)，對(duì)腫瘤的增強(qiáng)區(qū)域有積極的“響應(yīng)”；對(duì)比圖10（b）和圖10（d）可以看出，CA-ResNeXt相較于ResNeXt更好地突出了腫瘤的增強(qiáng)區(qū)域，減少了冗余的特征信息；對(duì)比圖10（c）和圖10（e）可以看出，MDCA-Res-NeXt只對(duì)腫瘤的增強(qiáng)區(qū)域有積極的“響應(yīng)”，相較于MD-ResNeXt減少了對(duì)冗余信息的“響應(yīng)”，充分說(shuō)明了在網(wǎng)絡(luò)結(jié)構(gòu)中添加CA模塊可以有效地避免冗余特征信息對(duì)分類結(jié)果造成的影響；對(duì)比圖10（d）和圖10（e）可以看出，相較CA-ResNeXt，添加了MD模塊的MDCA-ResNeXt能夠較好地體現(xiàn)腫瘤區(qū)域的圖像特征。

圖10 HGG的原始圖像和特征可視化圖Fig. 10 Original image and feature visualizations of HGG

圖11 LGG的原始圖像和特征可視化圖Fig. 11 Original image and feature visualization of LGG

在圖11（a）中，腫瘤區(qū)域位于左側(cè)大腦顳前部，而良性的膠質(zhì)瘤在圖像中呈現(xiàn)低頻信號(hào)，并且腫瘤外圍沒有出現(xiàn)增強(qiáng)區(qū)域。對(duì)比圖11（b）、圖11（c）、圖11（d）和圖11（e）可以看出，MDCAResNeXt網(wǎng)絡(luò)能夠更有效地保存腦腫瘤圖像的特征信息，能夠更好地區(qū)分HGG樣本和LGG樣本。

3.4.2 經(jīng)典網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)

為驗(yàn)證本文提出的MDCA-ResNeXt網(wǎng)絡(luò)以及優(yōu)化后的Improved MDCA-ResNeXt網(wǎng)絡(luò)在腦腫瘤良惡性分類任務(wù)中的優(yōu)勢(shì)，本文設(shè)置了兩組對(duì)比實(shí)驗(yàn)，一組實(shí)驗(yàn)是將ResNet網(wǎng)絡(luò)、Res-NeXt網(wǎng)絡(luò)和SENet網(wǎng)絡(luò)[30]應(yīng)用在BraTS2017和BraTS2019數(shù)據(jù)集中，把3種經(jīng)典網(wǎng)絡(luò)的分類結(jié)果與MDCA-ResNeXt網(wǎng)絡(luò)進(jìn)行比較；另一組是將優(yōu)化后的3種經(jīng)典網(wǎng)絡(luò)與Improved MDCA-Res-NeXt網(wǎng)絡(luò)的分類結(jié)果進(jìn)行對(duì)比。

根據(jù)表2和表3可知，MDCA-ResNeXt的分類結(jié)果與其他3個(gè)經(jīng)典網(wǎng)絡(luò)相比都是最高的。對(duì)比不同網(wǎng)絡(luò)的SPE值和NPV值可以看出，MDCA-ResNeXt提高了對(duì)LGG樣本的分類能力。從表4和表5可以看出，本文提出的Improved MDCA-ResNeXt的各項(xiàng)分類評(píng)價(jià)標(biāo)準(zhǔn)同樣都是最高的。

表2 優(yōu)化前BraTS2017數(shù)據(jù)集的分類結(jié)果評(píng)價(jià)表Tab. 2 Evaluation of classification results on BraTS2017 before optimization

表3 優(yōu)化前BraTS2019數(shù)據(jù)集的分類結(jié)果評(píng)價(jià)表Tab. 3 Evaluation of classification results on BraTS2019 before optimization

表4 優(yōu)化后BraTS2017數(shù)據(jù)集的分類結(jié)果評(píng)價(jià)表Tab. 4 Evaluation of classification results on BraTS2017 after optimization

表5 優(yōu)化后BraTS2019數(shù)據(jù)集的分類結(jié)果評(píng)價(jià)表Tab. 5 Evaluation of classification results on BraTS2019 after optimization

根據(jù)以上4個(gè)分類結(jié)果評(píng)價(jià)表可以得出以下結(jié)論：首先，本文提出的MDCA-ResNeXt網(wǎng)絡(luò)是以ResNeXt為主干網(wǎng)絡(luò)進(jìn)行的改進(jìn)，改進(jìn)后的網(wǎng)絡(luò)能夠有效區(qū)分良惡性腦腫瘤，并且提高了網(wǎng)絡(luò)在不同分類任務(wù)的魯棒性；其次，本文采取3種優(yōu)化策略的組合可以提高網(wǎng)絡(luò)的分類準(zhǔn)確率和泛化能力。

3.4.3 其他先進(jìn)方法的對(duì)比結(jié)果

為充分說(shuō)明本文提出的基于Improved MDCA-ResNeXt網(wǎng)絡(luò)的腦腫瘤良惡性分類模型的性能，將本文方法與其他先進(jìn)方法進(jìn)行對(duì)比，對(duì)比結(jié)果如表6所示。

表6中，文獻(xiàn)[7]和文獻(xiàn)[8]為傳統(tǒng)機(jī)器學(xué)習(xí)的分類方式，文獻(xiàn)[19]、[15]、[16]和[17]為深度學(xué)習(xí)的分類方式。上述對(duì)比方法中大多是基于分割結(jié)果圖進(jìn)行腫瘤分類的，而圖像分割是基于圖像像素點(diǎn)進(jìn)行的0-1分類過(guò)程，對(duì)分割算法和分割模型的性能要求更高，并且分割結(jié)果會(huì)直接影響分類結(jié)果。除此之外，先分割后分類的方法，增加了分類過(guò)程中的不可控因素?；诖?，本文提出的Improved MDCA-ResNeXt分類算法在腫瘤良惡性分類任務(wù)中更具有優(yōu)勢(shì)，分類準(zhǔn)確率更高。

表6 先進(jìn)方法分類結(jié)果對(duì)比表Tab. 6 Comparison of classification results of advanced methods

4 結(jié) 論

本文提出一種基于Improved MDCA-ResNeXt網(wǎng)絡(luò)的腦腫瘤良惡性分類方法，不僅能將原始圖像中細(xì)微的局部特征和全局特征相融合，保留HGG的腫瘤增強(qiáng)區(qū)的特征信息，還能將特征圖的特征通道重新排列，提高網(wǎng)絡(luò)對(duì)腫瘤區(qū)域的關(guān)注度，降低網(wǎng)絡(luò)對(duì)冗余特征的關(guān)注度；采用學(xué)習(xí)率的線性衰減策略、圖像標(biāo)簽平滑策略以及基于醫(yī)學(xué)圖像的遷移學(xué)習(xí)策略的組合優(yōu)化策略可提高網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化性能。在BraTS2017和BraTS2019數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文方法相較經(jīng)典網(wǎng)絡(luò)和其他先進(jìn)方法的分類準(zhǔn)確率、魯棒性有所增強(qiáng)，其中準(zhǔn)確率分別達(dá)到 98.11%和98.72%。在未來(lái)的研究工作中需要進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，可以考慮引入新的技術(shù)，減少具有相似性的冗余特征對(duì)分類結(jié)果的影響和計(jì)算消耗，進(jìn)一步提升分類準(zhǔn)確率、降低運(yùn)算時(shí)間。