徐鳳翎

(江蘇大學(xué)醫(yī)學(xué)院，江蘇 鎮(zhèn)江 212013)

0 引言

醫(yī)學(xué)圖像處理通常是指通過精準(zhǔn)的醫(yī)學(xué)圖像分割技術(shù)使得病變區(qū)域或器官的變化情況能夠得到更加清晰地顯示[1]，可以為提高醫(yī)學(xué)診斷的效率和正確性提供有效的輔助[2-3]。

現(xiàn)階段的醫(yī)學(xué)圖像分割研究，針對(duì)RGB圖像居多。隨著醫(yī)學(xué)成像設(shè)備的不斷發(fā)展及其在實(shí)際應(yīng)用方面的普及程度不斷提升[4]，在圖像輔助方式階段，X射線、CT(Computed Tomography，計(jì)算機(jī)斷層掃描)、NMRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)在臨床的使用率逐漸提高，醫(yī)學(xué)圖像不僅在診斷疾病、評(píng)估預(yù)后情況分析階段發(fā)揮著重要價(jià)值，也間接影響著手術(shù)規(guī)劃[5]。因此，對(duì)該類圖像的分割技術(shù)進(jìn)行深入研究是十分必要的。

有關(guān)研究如文獻(xiàn)[6]在改進(jìn)核模糊聚類的基礎(chǔ)上，將其與邊緣保持濾波技術(shù)融合，應(yīng)用到腦腫瘤圖像分割的研究中，極大程度上提高了分割的精度，但是具體的分割效果受影像質(zhì)量的影響較明顯。文獻(xiàn)[7]以超聲圖像為研究對(duì)象，利用特征融合的方式實(shí)現(xiàn)對(duì)邊緣引導(dǎo)乳腺超聲圖像的分割處理，分割結(jié)果表現(xiàn)出了較高的準(zhǔn)確性，但是該方法同樣受圖像質(zhì)量的影響嚴(yán)重。

在上述情況下，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的CT 影像邊緣分割方法，利用卷積神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)分析方面的優(yōu)勢(shì)，實(shí)現(xiàn)了對(duì)CT 影像邊緣的精準(zhǔn)識(shí)別與分割。

1 CT影像邊緣分割方法設(shè)計(jì)

1.1 CT影像數(shù)據(jù)歸一化處理

在利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)CT 影像邊緣進(jìn)行分割處理時(shí)，為了保障分割的精度，在分割前對(duì)CT 影像數(shù)據(jù)進(jìn)行歸一化(BatchNormation，BN)是十分必要的[8]，不僅如此，就卷積神經(jīng)網(wǎng)絡(luò)而言，該部分操作也是十分重要的組成部分之一[9]。需要特別注意的是，利用簡(jiǎn)單的卷積對(duì)輸入CT 影像進(jìn)行抽象特征信息提取時(shí)，受卷積過程的影響，會(huì)造成不同程度的特征信息丟失[10]。而通過歸一化處理的方式，可以有效緩解該問題。本文在對(duì)CT 影像數(shù)據(jù)進(jìn)行歸一化處理時(shí)，將輸入CT 影像的像素信息按照高斯分布的方式進(jìn)行統(tǒng)一排布，并且在具體的分布方面，遵循均值為0，方差為1的標(biāo)準(zhǔn)。在此基礎(chǔ)上，通過訓(xùn)練迭代的方式，使得每次輸入卷積神經(jīng)網(wǎng)絡(luò)層的數(shù)據(jù)都按照相同的方式分布，在提高訓(xùn)練速度的同時(shí)，減少了對(duì)不同數(shù)據(jù)冗余處理的操作。本文設(shè)置CT 影像數(shù)據(jù)批量歸一化的執(zhí)行時(shí)間為激活層前，卷積層后。假設(shè)輸入到卷積神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)總數(shù)量為m，對(duì)應(yīng)的批次為n，對(duì)應(yīng)每一批次的數(shù)據(jù)為xn。那么，在經(jīng)過ReLU 后，首先需要計(jì)算該批次CT影像數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，并利用其進(jìn)行歸一化處理，其可以表示為

其中，表示CT 影像數(shù)據(jù)歸一化處理的結(jié)果，μ 和θ分別表示xn對(duì)應(yīng)的均值和標(biāo)準(zhǔn)差。按照上述所示的方式，實(shí)現(xiàn)對(duì)CT影像數(shù)據(jù)的批量歸一化處理。

利用這樣的方式，使得卷積神經(jīng)網(wǎng)絡(luò)中每個(gè)級(jí)別輸入的數(shù)據(jù)分散類型能夠保持一致，并且卷積神經(jīng)網(wǎng)絡(luò)參數(shù)不會(huì)對(duì)網(wǎng)絡(luò)的學(xué)習(xí)過程產(chǎn)生影響。

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的CT影像邊緣分割

在完成對(duì)CT 影像數(shù)據(jù)的歸一化處理后，需要對(duì)其進(jìn)行激活處理，這樣做的目的是避免后續(xù)的分割階段出現(xiàn)過擬合情況，降低邊緣像素分類的誤差。本文設(shè)計(jì)的激活方式可以表示為：

其中，r（l）表示卷積神經(jīng)網(wǎng)絡(luò)l 層對(duì)于CT 影像數(shù)據(jù)的輸出結(jié)果，f表示激活函數(shù)，w（L）表示不同卷積神經(jīng)層的連接矩陣參數(shù)，r（l-1）表示當(dāng)前卷積神經(jīng)層前一層結(jié)構(gòu)對(duì)于CT影像數(shù)據(jù)的輸出結(jié)果，b（l）表示卷積神經(jīng)網(wǎng)絡(luò)l層輸出單元的偏差。需要注意的是，本文設(shè)置初始層，也是就第一層卷積神經(jīng)網(wǎng)絡(luò)層的輸出結(jié)果為輸入的CT 影像數(shù)據(jù)，以此確保后續(xù)的激活運(yùn)算能夠順利運(yùn)轉(zhuǎn)。在此基礎(chǔ)上，卷積層對(duì)于CT 影像數(shù)據(jù)的處理方式主要是根據(jù)當(dāng)前像素特征與目標(biāo)圖像像素特征之間的差異程度實(shí)現(xiàn)的，具體的計(jì)算方式可以表示為：

其中，D(xn)表示卷積層對(duì)于CT影像數(shù)據(jù)的輸出結(jié)果，xn(t)表示輸入CT 影像數(shù)據(jù)的特征向量參數(shù)，λ表示損失參數(shù)，該值一般為常量，k 表示目標(biāo)圖像像素特征向量參數(shù)。利用這樣的方式，實(shí)現(xiàn)對(duì)輸入CT 影像數(shù)據(jù)的卷積處理。在不同卷積層之間傳遞時(shí)，數(shù)據(jù)的規(guī)模逐漸減小。此時(shí)如何避免出現(xiàn)過擬合的情況是影響到最終邊緣分割效果的關(guān)鍵。為此，本文設(shè)置了閾值參數(shù)，將其作為卷積輸出的判斷標(biāo)準(zhǔn)。當(dāng)卷積層對(duì)于CT 影像數(shù)據(jù)的輸出結(jié)果達(dá)到閾值范圍時(shí)，則結(jié)束計(jì)算，并將此時(shí)的像素信息作為邊緣分割的執(zhí)行基礎(chǔ)。其中，閾值范圍的確定以卷積層輸出數(shù)據(jù)偏差程度為基準(zhǔn)進(jìn)行設(shè)置。

按照這樣的方式，實(shí)現(xiàn)對(duì)CT影像邊緣的精準(zhǔn)分割處理。

2 應(yīng)用測(cè)試

2.1 測(cè)試數(shù)據(jù)準(zhǔn)備

在對(duì)本文設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的CT 影像邊緣分割方法實(shí)際應(yīng)用效果進(jìn)行分析時(shí)，本文充分考慮了在實(shí)際的診療階段，CT 影像對(duì)應(yīng)的目標(biāo)部位不同。因此，在DRIVE 數(shù)據(jù)集上選取了不同的CT 影像作為測(cè)試數(shù)據(jù)。具體的選擇測(cè)試圖像如圖1所示。

圖1 測(cè)試CT影像

結(jié)合圖1 所示的測(cè)試CT 影像數(shù)據(jù)可以看出，6 組圖像的復(fù)雜程度以及圖像質(zhì)量均存在較為明顯的差異。利用這樣的方式，更加直觀地分析本文設(shè)計(jì)方法對(duì)于不同CT 影像的分割效果。在此基礎(chǔ)上，為了能夠更加客觀地對(duì)本文設(shè)計(jì)方法的測(cè)試結(jié)果，在相同的測(cè)試條件下，設(shè)置了不同的分割方法作為測(cè)試的對(duì)照。其中，具體的測(cè)試方法分別為文獻(xiàn)[6]提出的以邊緣保持濾波和改進(jìn)核模糊聚類為基礎(chǔ)的圖像分割方法、文獻(xiàn)[7]提出的以特征融合為基礎(chǔ)的圖像分割方法，以及文獻(xiàn)[8]提出的以B-PointRend 網(wǎng)絡(luò)為基礎(chǔ)的圖像分割方法。通過比較不同方法對(duì)于圖像的分割效果，對(duì)本文設(shè)計(jì)方法的應(yīng)用效果進(jìn)行評(píng)價(jià)與分析。

2.2 評(píng)價(jià)指標(biāo)設(shè)置

在對(duì)不同方法的圖像分割效果進(jìn)行分析的過程中，除了對(duì)分割后的圖像進(jìn)行直觀比較外，為了能夠更加精準(zhǔn)地分析分割效果，本文設(shè)置了針對(duì)性的評(píng)價(jià)指標(biāo)，分別為準(zhǔn)確率，精確率，召回率以及MIoU（Mean Intersection over Union，均交并比）。具體計(jì)算可以表示為：

其中，Accuracy 表示影像分割結(jié)果的準(zhǔn)確率，Precision表示影像分割結(jié)果的精確率，Recall 表示表示影像分割結(jié)果的召回率，MIoU 表示影像分割結(jié)果的MIoU值。TP 表示正確分割為目標(biāo)對(duì)象的像素?cái)?shù)量，TN 表示正確分割為背景對(duì)象的像素?cái)?shù)量，F(xiàn)P 表示錯(cuò)誤分割為目標(biāo)對(duì)象的像素?cái)?shù)量，F(xiàn)N示錯(cuò)誤分割為背景對(duì)象的像素?cái)?shù)量。

2.3 測(cè)試結(jié)果與分析

在上述測(cè)試環(huán)境的基礎(chǔ)上，分別對(duì)比了不同方法對(duì)于6組測(cè)試CT影像的分割效果，具體如圖2所示。

結(jié)合圖2所示的CT 影像分割效果效果可以看出，不同方法對(duì)于CT 影像的分割表現(xiàn)出了一定的差異，其中，邊緣保持濾波和改進(jìn)核模糊聚類圖像分割方法、特征融合圖像分割方法以及B-PointRend 網(wǎng)絡(luò)分割后圖像均在不同程度上出現(xiàn)了邊緣缺失的情況，具體的位置包括主要集中在模糊邊緣以及細(xì)節(jié)邊緣位置。相比之下，本文設(shè)計(jì)方法分割后圖像的完整性更高。

在此上述直觀對(duì)比的基礎(chǔ)上，對(duì)具體的評(píng)價(jià)指標(biāo)進(jìn)行分析，得到的數(shù)據(jù)結(jié)果如表1，表2，表3和表4所示。

表1 改進(jìn)核模糊聚類分割方法測(cè)試結(jié)果評(píng)價(jià)指標(biāo)統(tǒng)計(jì)表

表2 改進(jìn)核模糊聚類分割方法測(cè)試結(jié)果評(píng)價(jià)指標(biāo)統(tǒng)計(jì)表

表3 B-PointRend網(wǎng)絡(luò)分割方法測(cè)試結(jié)果評(píng)價(jià)指標(biāo)統(tǒng)計(jì)表

表4 本文設(shè)計(jì)分割方法測(cè)試結(jié)果評(píng)價(jià)指標(biāo)統(tǒng)計(jì)表

對(duì)比表1～表4 所示的評(píng)價(jià)指標(biāo)測(cè)試結(jié)果，可以看出在不同方法的測(cè)試結(jié)果中，本文設(shè)計(jì)方法對(duì)于CT影像分割的準(zhǔn)確率始終穩(wěn)定在0.75 以上，最大值和小值分別為0.8144和0.7581；對(duì)于CT影像分割的精確率始終穩(wěn)定在0.74 以上，最大值和小值分別為0.7880 和0.7915；對(duì)于CT 影像分割的召回率始終穩(wěn)定在0.75以上，最大值和小值分別為0.7880 和0.7545；對(duì)于CT 影像分割的準(zhǔn)確率始終穩(wěn)定在0.77 以上，最大值和小值分別為0.8243和0.7753。與對(duì)照組的三種測(cè)試方法相比，具有明顯優(yōu)勢(shì)。測(cè)試結(jié)果表明，本文設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的CT 影像邊緣分割方法，可以實(shí)現(xiàn)對(duì)圖像的精準(zhǔn)分割。

3 結(jié)束語(yǔ)

醫(yī)生在臨床診斷的過程中，CT和其他醫(yī)療圖像已經(jīng)成為了判斷病人病情的主要依據(jù)之一。因此，精準(zhǔn)的醫(yī)療圖像處理是很關(guān)鍵的。本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的CT 影像邊緣分割方法研究，實(shí)現(xiàn)了對(duì)圖像的精準(zhǔn)分割處理，具有良好的實(shí)際應(yīng)用價(jià)值。希望本文方法能夠?yàn)橥愌芯刻峁﹨⒖肌?/p>