0 引言

    肝包蟲病(hepatic echinococcosis)是一種地方性和自然流行性性人獸共患寄生蟲病,主要流行于中國西北地區(qū)的畜牧業(yè),，是臨床常見寄生蟲疾病之一，及早發(fā)現(xiàn)和確診對病人的健康至關(guān)重要^[1-3],。在臨床醫(yī)療工作中,，CT檢查是診治肝包蟲病首選的檢查方法^[4]。傳統(tǒng)的圖像分類方法主要是對圖像的顏色,、紋理和形狀特征等進(jìn)行特征提取,，并設(shè)計分類器，通過數(shù)次實驗不斷調(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)對病灶區(qū)進(jìn)行紋理分析,，使用支持向量機(jī)(SVM)分類器對肝包蟲圖像自動分類,。近年來，卷積神經(jīng)網(wǎng)絡(luò)(Convonlutional Neural Network,，CNN)作為深度學(xué)習(xí)的熱門領(lǐng)域,，多用于圖像識別與圖像分類，是一種無監(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、耗力,，使用深度學(xué)習(xí)算法^[9],，不僅省時省力，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)計特征及選擇分類器^[10],。LeNet-5^[11]是一種典型的用來識別數(shù)字的卷積神經(jīng)網(wǎng)絡(luò)，其模型結(jié)構(gòu)簡單,，然而對于背景復(fù)雜的數(shù)據(jù),，識別率往往不高。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)用于肝包蟲病CT圖像計算機(jī)輔助診斷的可行性,，從而輔助醫(yī)生診斷肝包蟲病，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,，已成為語音識別和圖像識別領(lǐng)域的研究熱點^[12],。CNN是深度學(xué)習(xí)的代表模型，通過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)過多的問題^[13-14],。CNN的結(jié)構(gòu)主要包括卷積層,、池化層和全連接層^[15]。卷積層由若干個卷積單元組成,，每個卷積單元的參數(shù)通過反向傳播算法計算得到,，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)同時減少過擬合^[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],。全連接層是通過多層的卷積層、池化層操作后,，將得到的特征圖按行展開,，連接成向量，將輸出值送給分類器^[18],。

2 CNN在肝包蟲病圖像中的診斷

2.1 數(shù)據(jù)收集與處理

    實驗所用的圖像數(shù)據(jù)均來自新疆醫(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病CT圖像用于實驗，共計1 440張,。實驗數(shù)據(jù)按照4:1的比例分為訓(xùn)練集和測試集,。考慮到樣本量對實驗結(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,。

    由于肝包蟲病CT圖像的病灶區(qū)域,、圖像尺寸大小各不相同，同時圖像攝片時受到各種噪聲的干擾,，因此本實驗對圖像進(jìn)行預(yù)處理操作,，首先采用均勻量化的方法對圖像進(jìn)行歸一化，其次使用改進(jìn)的中值濾波算法^[19-20]對肝包蟲病CT圖像進(jìn)行去噪,。經(jīng)過預(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

    LeNet-5網(wǎng)絡(luò)架構(gòu)由3個卷積層,、2個池化層、1個全連接層和1個輸出層組成,。卷積層卷積核尺寸為5×5,，步長為1；池化層的池化窗口為2×2,，步長為2,，采用最大值池化的方法；全連接層包含84個神經(jīng)元,；輸出層包含10個神經(jīng)元,，每個神經(jīng)元代表一類。本文改進(jìn)了經(jīng)典的LeNet-5模型,，對肝包蟲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)實驗中使用的激活函數(shù)是ReLU激活函數(shù)^[21]，如式(1)所示：

式中,，x表示樣本,，為實數(shù)。

    該模型的池化層使用2×2區(qū)域來最大值池化,，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連接成向量使用分類器進(jìn)行分類,。實驗中使用的損失函數(shù)采用交叉熵代價函數(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)模型對肝包蟲病CT圖像的識別效果不理想，模型泛化能力不好,，本文使用翻轉(zhuǎn)的方法對數(shù)據(jù)進(jìn)行擴(kuò)增,，提高模型的泛化能力。同時為防止模型出現(xiàn)過擬合問題,，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),，實驗中設(shè)為0.000 1；w為權(quán)重,；m為小批量數(shù)據(jù)個數(shù),。除此之外，簡單的網(wǎng)絡(luò)模型結(jié)構(gòu)也能夠減小過擬合問題,，本實驗使用Dropout^[22]方法在網(wǎng)絡(luò)訓(xùn)練過程中將網(wǎng)絡(luò)節(jié)點隨機(jī)丟棄,，使每個batch都可以訓(xùn)練相同的網(wǎng)絡(luò)結(jié)構(gòu)。實驗中Dropout層添加在各個全連接層,，keep_prob設(shè)為0.5,。本文采用預(yù)處理后的肝包蟲病CT圖像對模型進(jìn)行訓(xùn)練和測試，優(yōu)化后的模型能夠?qū)Ω伟x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 實驗結(jié)果及分析

3.1 樣本擴(kuò)增前后對比

    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,，同時增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)肝包蟲病CT圖像特征的能力。該模型對肝包蟲病CT圖像的識別具有較好的分類效果,。

3.2 不同實驗方法比較

    本次實驗以樣本擴(kuò)增后的數(shù)據(jù)對肝包蟲病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對肝包蟲病的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)方法對肝包蟲病CT圖像的分類沒有卷積神經(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)時模型趨于收斂,。最后使用訓(xùn)練好的模型對肝包蟲CT圖像進(jìn)行測試，從圖4中可以看出,，本文方法對肝包蟲病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)用于肝包蟲病CT圖像計算機(jī)輔助診斷系統(tǒng)，有助于輔助醫(yī)生早期篩查肝包蟲病的發(fā)生,，為臨床醫(yī)生提供理論指導(dǎo),。

4 可視化

    本實驗中反卷積過程不具有學(xué)習(xí)能力，僅用于對每層特征圖進(jìn)行可視化,。CNN通過訓(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)計特征和選擇分類器進(jìn)行分類,，無法實現(xiàn)對提取的特征可視化,，對輔助醫(yī)生診斷疾病缺乏一定的可信性。經(jīng)過模型訓(xùn)練學(xué)習(xí)后的肝包蟲病CT圖像特征以可視化方式反饋給臨床醫(yī)生,，對輔助醫(yī)生篩查肝包蟲病的發(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)行肝包蟲病診斷。最后本文通過使用反卷積實現(xiàn)對每一層卷積層特征圖的可視化,，有助于了解肝包蟲病影像特征,，對醫(yī)生的臨床診斷有一定的研究價值。

參考文獻(xiàn)

[1] 李汭芮,，喻文杰,，王謙，等.肝包蟲病患者超聲影像動態(tài)觀察[J].預(yù)防醫(yī)學(xué)情報雜志,，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對肝包蟲病的臨床診斷價值及病理分析[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CT圖像分類[J].科技通報，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分類[J].中國生物醫(yī)學(xué)工程學(xué)報,，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].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報,，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(自然科學(xué)版）, 2019,，40(2)：169-173.

[14] 寧靜艷，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)手寫體數(shù)字識別及應(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].中國科技信息,，2019(1)：84-85.

[20] 卞長林,，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)