0 引言

    肝包蟲(chóng)病(hepatic echinococcosis)是一種地方性和自然流行性性人獸共患寄生蟲(chóng)病,主要流行于中國(guó)西北地區(qū)的畜牧業(yè)，是臨床常見(jiàn)寄生蟲(chóng)疾病之一，及早發(fā)現(xiàn)和確診對(duì)病人的健康至關(guān)重要^[1-3]。在臨床醫(yī)療工作中，CT檢查是診治肝包蟲(chóng)病首選的檢查方法^[4]。傳統(tǒng)的圖像分類方法主要是對(duì)圖像的顏色、紋理和形狀特征等進(jìn)行特征提取，并設(shè)計(jì)分類器，通過(guò)數(shù)次實(shí)驗(yàn)不斷調(diào)節(jié)參數(shù)，以提高分類準(zhǔn)確率。如胡彥婷^[5]等人利用尺度不變特征轉(zhuǎn)換(SIFT)和尺度局部二值模式(LBP)對(duì)病灶區(qū)進(jìn)行紋理分析，使用支持向量機(jī)(SVM)分類器對(duì)肝包蟲(chóng)圖像自動(dòng)分類。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)(Convonlutional Neural Network，CNN)作為深度學(xué)習(xí)的熱門(mén)領(lǐng)域，多用于圖像識(shí)別與圖像分類，是一種無(wú)監(jiān)督學(xué)習(xí)的方法^[6]。而CNN在圖像分類和分割方面展示出了比傳統(tǒng)的淺層學(xué)習(xí)方法更顯著的效果和較好的臨床應(yīng)用前景^[7]。如王翀^[8]等人使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)光學(xué)相干斷層掃描(OCT)視網(wǎng)膜圖像進(jìn)行分類，準(zhǔn)確率達(dá)到了94.5%。面對(duì)大量的醫(yī)學(xué)圖像數(shù)據(jù)，使用傳統(tǒng)的分類方法耗時(shí)、耗力，使用深度學(xué)習(xí)算法^[9]，不僅省時(shí)省力，其分類性能也得到了提高。卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)框架,直接提取輸入圖像特征,與傳統(tǒng)分類方法相比，不需要人工設(shè)計(jì)特征及選擇分類器^[10]。LeNet-5^[11]是一種典型的用來(lái)識(shí)別數(shù)字的卷積神經(jīng)網(wǎng)絡(luò)，其模型結(jié)構(gòu)簡(jiǎn)單，然而對(duì)于背景復(fù)雜的數(shù)據(jù)，識(shí)別率往往不高。本文提出基于經(jīng)典的LeNet-5改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型用于肝包蟲(chóng)病CT圖像的診斷，探討將改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于肝包蟲(chóng)病CT圖像計(jì)算機(jī)輔助診斷的可行性，從而輔助醫(yī)生診斷肝包蟲(chóng)病，做到早發(fā)現(xiàn)、早診斷、早治療。

1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為語(yǔ)音識(shí)別和圖像識(shí)別領(lǐng)域的研究熱點(diǎn)^[12]。CNN是深度學(xué)習(xí)的代表模型，通過(guò)局部感受域和共享權(quán)重解決傳統(tǒng)前饋網(wǎng)絡(luò)中參數(shù)過(guò)多的問(wèn)題^[13-14]。CNN的結(jié)構(gòu)主要包括卷積層、池化層和全連接層^[15]。卷積層由若干個(gè)卷積單元組成，每個(gè)卷積單元的參數(shù)通過(guò)反向傳播算法計(jì)算得到，該層主要用于提取輸入圖像的特征。池化層即下采樣(Down sampling)主要用于特征降維，對(duì)輸入的特征圖進(jìn)行壓縮，提取主要特征，該操作可減少數(shù)據(jù)量，保留有效數(shù)據(jù)同時(shí)減少過(guò)擬合^[16]。池化層常用的采樣方式有兩種，分別是平均值池化(mean-pooling)和最大值池化(max-pooling)，大多數(shù)情況下采用最大值池化的方式^[17]。全連接層是通過(guò)多層的卷積層、池化層操作后，將得到的特征圖按行展開(kāi)，連接成向量，將輸出值送給分類器^[18]。

2 CNN在肝包蟲(chóng)病圖像中的診斷

2.1 數(shù)據(jù)收集與處理

    實(shí)驗(yàn)所用的圖像數(shù)據(jù)均來(lái)自新疆醫(yī)科大學(xué)第一附屬醫(yī)院放射科，本文選取單囊型和多囊型肝包蟲(chóng)病CT圖像用于實(shí)驗(yàn)，共計(jì)1 440張。實(shí)驗(yàn)數(shù)據(jù)按照4:1的比例分為訓(xùn)練集和測(cè)試集?？紤]到樣本量對(duì)實(shí)驗(yàn)結(jié)果的影響，本文采用翻轉(zhuǎn)的方法進(jìn)行數(shù)據(jù)增強(qiáng)，對(duì)每張圖像進(jìn)行上下翻轉(zhuǎn)、左右翻轉(zhuǎn)、旋轉(zhuǎn)90°翻轉(zhuǎn)、180°翻轉(zhuǎn)等方法，擴(kuò)增后的圖片為6 000張。擴(kuò)增后效果如圖1所示。

    由于肝包蟲(chóng)病CT圖像的病灶區(qū)域、圖像尺寸大小各不相同，同時(shí)圖像攝片時(shí)受到各種噪聲的干擾，因此本實(shí)驗(yàn)對(duì)圖像進(jìn)行預(yù)處理操作，首先采用均勻量化的方法對(duì)圖像進(jìn)行歸一化，其次使用改進(jìn)的中值濾波算法^[19-20]對(duì)肝包蟲(chóng)病CT圖像進(jìn)行去噪。經(jīng)過(guò)預(yù)處理后的圖像，清晰度得到了很大提高。預(yù)處理前后圖片如圖2所示。

2.2 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

    LeNet-5網(wǎng)絡(luò)架構(gòu)由3個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層和1個(gè)輸出層組成。卷積層卷積核尺寸為5×5，步長(zhǎng)為1；池化層的池化窗口為2×2，步長(zhǎng)為2，采用最大值池化的方法；全連接層包含84個(gè)神經(jīng)元；輸出層包含10個(gè)神經(jīng)元，每個(gè)神經(jīng)元代表一類。本文改進(jìn)了經(jīng)典的LeNet-5模型，對(duì)肝包蟲(chóng)CT圖像進(jìn)行了有效的分類，并命名為CTLeNet。改進(jìn)的網(wǎng)絡(luò)總共有4層卷積層，前兩層卷積層卷積核大小為5×5，后兩層卷積層卷積核大小為3×3，卷積核的數(shù)量隨網(wǎng)絡(luò)層的數(shù)量逐漸加深。改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)中使用的激活函數(shù)是ReLU激活函數(shù)^[21]，如式(1)所示：

式中，x表示樣本，為實(shí)數(shù)。

    該模型的池化層使用2×2區(qū)域來(lái)最大值池化，并減少卷積層學(xué)習(xí)的特征。最后全連接層將特征圖按行展開(kāi)連接成向量使用分類器進(jìn)行分類。實(shí)驗(yàn)中使用的損失函數(shù)采用交叉熵代價(jià)函數(shù)，如式(2)所示：

式中，n為訓(xùn)練樣本數(shù)，x表示樣本，a為神經(jīng)元輸出值，y為期望輸出值。      

    為防止改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)肝包蟲(chóng)病CT圖像的識(shí)別效果不理想，模型泛化能力不好，本文使用翻轉(zhuǎn)的方法對(duì)數(shù)據(jù)進(jìn)行擴(kuò)增，提高模型的泛化能力。同時(shí)為防止模型出現(xiàn)過(guò)擬合問(wèn)題，使用L2權(quán)重正則化方法。L2正則化如式(3)所示：

式中，M為原始損失函數(shù)；λ為正則化系數(shù)，實(shí)驗(yàn)中設(shè)為0.000 1；w為權(quán)重；m為小批量數(shù)據(jù)個(gè)數(shù)。除此之外，簡(jiǎn)單的網(wǎng)絡(luò)模型結(jié)構(gòu)也能夠減小過(guò)擬合問(wèn)題，本實(shí)驗(yàn)使用Dropout^[22]方法在網(wǎng)絡(luò)訓(xùn)練過(guò)程中將網(wǎng)絡(luò)節(jié)點(diǎn)隨機(jī)丟棄，使每個(gè)batch都可以訓(xùn)練相同的網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)驗(yàn)中Dropout層添加在各個(gè)全連接層，keep_prob設(shè)為0.5。本文采用預(yù)處理后的肝包蟲(chóng)病CT圖像對(duì)模型進(jìn)行訓(xùn)練和測(cè)試，優(yōu)化后的模型能夠?qū)Ω伟x(chóng)病患者的CT圖像進(jìn)行輔助診斷。改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，圖中Conv1-Conv4代表4層卷積層；Pool1-Pool4代表4層池化層；ReLU1-ReLU6代表ReLU激活函數(shù)，每層激活函數(shù)相同；Drop1-Drop2代表Dropout層；Fc1-Fc3代表3層全連接層。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 樣本擴(kuò)增前后對(duì)比

    本文使用不同類型的翻轉(zhuǎn)方法擴(kuò)增樣本量，將樣本擴(kuò)增前與樣本擴(kuò)增后的數(shù)據(jù)進(jìn)行訓(xùn)練，樣本量擴(kuò)增前后的準(zhǔn)確率如表1所示。

    由表1可得，與擴(kuò)增前相比樣本量擴(kuò)增了將近4倍左右，模型的準(zhǔn)確率由85.5%提高到了97.5%。說(shuō)明適當(dāng)?shù)臄?shù)據(jù)增強(qiáng)有利于提高網(wǎng)絡(luò)的泛化能力，同時(shí)增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)肝包蟲(chóng)病CT圖像特征的能力。該模型對(duì)肝包蟲(chóng)病CT圖像的識(shí)別具有較好的分類效果。

3.2 不同實(shí)驗(yàn)方法比較

    本次實(shí)驗(yàn)以樣本擴(kuò)增后的數(shù)據(jù)對(duì)肝包蟲(chóng)病CT圖像分類，并與傳統(tǒng)的分類方法進(jìn)行比較。傳統(tǒng)的分類方法采用SIFT+LBP分析紋理特征，并利用SVM對(duì)肝包蟲(chóng)病的CT圖像進(jìn)行分類，其與CTLeNet卷積神經(jīng)網(wǎng)絡(luò)模型比較結(jié)果如表2所示。

    從表2可以看出，傳統(tǒng)的分類方法準(zhǔn)確率為92.86%，本文方法準(zhǔn)確率達(dá)到了97.5%，傳統(tǒng)方法對(duì)肝包蟲(chóng)病CT圖像的分類沒(méi)有卷積神經(jīng)網(wǎng)絡(luò)分類效果好。從圖4(b)中可以看出，隨著訓(xùn)練輪數(shù)的增加，模型的損失逐漸減少，達(dá)到30輪數(shù)(epoch)時(shí)模型趨于收斂。最后使用訓(xùn)練好的模型對(duì)肝包蟲(chóng)CT圖像進(jìn)行測(cè)試，從圖4中可以看出，本文方法對(duì)肝包蟲(chóng)病CT圖像的分類效果較好。將改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于肝包蟲(chóng)病CT圖像計(jì)算機(jī)輔助診斷系統(tǒng)，有助于輔助醫(yī)生早期篩查肝包蟲(chóng)病的發(fā)生，為臨床醫(yī)生提供理論指導(dǎo)。

4 可視化

    本實(shí)驗(yàn)中反卷積過(guò)程不具有學(xué)習(xí)能力，僅用于對(duì)每層特征圖進(jìn)行可視化。CNN通過(guò)訓(xùn)練調(diào)節(jié)參數(shù)，提取各層圖像的特征，反卷積網(wǎng)絡(luò)以各層的特征圖作為輸入進(jìn)行反卷積操作。反卷積結(jié)果以可視化的方式顯示各層學(xué)習(xí)到的特征。圖5是4幅輸入圖像經(jīng)過(guò)4層卷積層后輸出的特征圖可視化結(jié)果。

    第1層卷積層主要提取基本灰度信息；第2層提取的是紋理特征信息；第3層、第4層提取的特征具有一定的分辨性，每幅圖像輸出的特征圖均不相同。傳統(tǒng)的圖像分類方法需要人工設(shè)計(jì)特征和選擇分類器進(jìn)行分類，無(wú)法實(shí)現(xiàn)對(duì)提取的特征可視化，對(duì)輔助醫(yī)生診斷疾病缺乏一定的可信性。經(jīng)過(guò)模型訓(xùn)練學(xué)習(xí)后的肝包蟲(chóng)病CT圖像特征以可視化方式反饋給臨床醫(yī)生，對(duì)輔助醫(yī)生篩查肝包蟲(chóng)病的發(fā)生有一定的可行性。

5 結(jié)論

    本文基于基礎(chǔ)LeNet-5網(wǎng)絡(luò)設(shè)計(jì)并搭建一種新的卷積神經(jīng)網(wǎng)絡(luò)，該模型具有高效的圖像識(shí)別和分類能力。其次本文搭建的卷積神經(jīng)網(wǎng)絡(luò)CTLeNet模型，其準(zhǔn)確率達(dá)到了97.5%，可以輔助醫(yī)生進(jìn)行肝包蟲(chóng)病診斷。最后本文通過(guò)使用反卷積實(shí)現(xiàn)對(duì)每一層卷積層特征圖的可視化，有助于了解肝包蟲(chóng)病影像特征，對(duì)醫(yī)生的臨床診斷有一定的研究?jī)r(jià)值。

參考文獻(xiàn)

[1] 李汭芮，喻文杰，王謙，等.肝包蟲(chóng)病患者超聲影像動(dòng)態(tài)觀察[J].預(yù)防醫(yī)學(xué)情報(bào)雜志，2018，34(11)：1374-1383.

[2] MEMMET M，OGUZ I U，CEMAL K，et al.Current status of diagnosis and treatment of hepatic echinococcosis[J].World Journal of Hepatology，2016，8(28)：1169-1181.

[3] 曾靜，葉建蔚，張靜，等.肝囊型包蟲(chóng)病非手術(shù)治療方法的研究進(jìn)展[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2018，18(19)：3790-3794.

[4] 張建英，蔣瑾，胡凌云，等.128層螺旋CT對(duì)肝包蟲(chóng)病的臨床診斷價(jià)值及病理分析[J].四川生理科學(xué)雜志，2016，38(4)：222-224.

[5] 胡彥婷，陳建軍，杜守洪，等.基于SIFT-LBP稀疏編碼的肝包蟲(chóng)CT圖像分類[J].科技通報(bào)，2016，32(9)：58-64.

[6] ZEILER M D，F(xiàn)ERGUS R.Visualizing and understanding convolutional networks[C].arXiv：1311.2901v3[cs.cv]，2013.

[7] PEREIRA S，PINTO A，ALVES V，et al.Brain tumor segmentation using convolutional neural networks in MRI images[J].IEEE Transactions on Medical Imaging，2016，35(5)：1240-1251.

[8] 王翀，何興鑫，方樂(lè)緣，等.基于聯(lián)合決策卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)相干斷層掃描圖像自動(dòng)分類[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2018，37(6)：641-648.

[9] 蔣濤.深度學(xué)習(xí)在醫(yī)學(xué)圖像分析中的應(yīng)用[D].成都：電子科技大學(xué)，2017.

[10] 楊志明，李亞偉，楊冰，等.融合宮頸細(xì)胞領(lǐng)域特征的多流卷積神經(jīng)網(wǎng)絡(luò)分類算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2019，31(4)：531-540.

[11] LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86(11)：2278-2324.

[12] 趙新秋，賀海龍，楊冬冬，等.基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在圖片分類中的應(yīng)用[J].高技術(shù)通訊，2018，28(Z2)：930-936.

[13] 王洋，劉積仁，趙大哲，等.卷積神經(jīng)網(wǎng)絡(luò)在MRI圖像診斷中的應(yīng)用[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版）, 2019，40(2)：169-173.

[14] 寧?kù)o艷，俞晨，程年，等.基于卷積神經(jīng)網(wǎng)絡(luò)的肺癌病理圖像分類[J].軟件導(dǎo)刊，2019(2)：141-144.

[15] 黃睿，陸許明，鄔依林.基于TensorFlow深度學(xué)習(xí)手寫(xiě)體數(shù)字識(shí)別及應(yīng)用[J].電子技術(shù)應(yīng)用，2018，44(10)：6-10.

[16] Xue Ying.An overview of overfitting and its solutions[J].Journal of Physics：Conference Series，2019，1168(2)：022022.

[17] 許少尉，陳思宇.基于深度學(xué)習(xí)的圖像分類方法[J].電子技術(shù)應(yīng)用，2018，44(6)：116-119.

[18] JANOWCZYK A，MADABHUSHI A.Deep learning for digital pathology image analysis：a comprehensive tutorial with selected use cases[J].Journal of Pathology Informatics，2016，7(1)：29.

[19] 王紅宇，游敏娟，李琪，等.一種中值濾波圖像去噪的改進(jìn)算法[J].中國(guó)科技信息，2019(1)：84-85.

[20] 卞長(zhǎng)林，王超，厲丹.基于改進(jìn)中值濾波的影像預(yù)處理方法研究[J].電子世界，2018(18)：22-23，26.

[21] ECKLE K，SCHMIDT-HIEBER J.A comparison of deep networks with ReLU activation function and linear spline-type methods[J].arXiv：1804.02253v2[stat.ML]，2018.

[22] LITJENS G , S?魧NCHEZ C I，TIMOFEEVA N，et al.Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis[J].Scientific Reports，2016，6(1)：26286.

作者信息：

劉志華1，李豐軍2，嚴(yán)傳波2

(1.新疆醫(yī)科大學(xué) 公共衛(wèi)生學(xué)院，新疆 烏魯木齊830011；2.新疆醫(yī)科大學(xué) 醫(yī)學(xué)工程技術(shù)學(xué)院，新疆 烏魯木齊830011)