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行特征提取，并設計分類器,，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)進行紋理分析,，使用支持向量機(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(Convonlutional Neural Network,，CNN)作為深度學習的熱門領域,，多用于圖像識別與圖像分類，是一種無監(jiān)督學習的方法^[6],。而CNN在圖像分類和分割方面展示出了比傳統(tǒng)的淺層學習方法更顯著的效果和較好的臨床應用前景^[7],。如王翀^[8]等人使用卷積神經(jīng)網(wǎng)絡對光學相干斷層掃描(OCT)視網(wǎng)膜圖像進行分類，準確率達到了94.5%,。面對大量的醫(yī)學圖像數(shù)據(jù),，使用傳統(tǒng)的分類方法耗時、耗力,，使用深度學習算法^[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)絡作為一種深度學習框架,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,，其模型結構簡單,，然而對于背景復雜的數(shù)據(jù)，識別率往往不高,。本文提出基于經(jīng)典的LeNet-5改進的卷積神經(jīng)網(wǎng)絡模型用于肝包蟲病CT圖像的診斷,，探討將改進的卷積神經(jīng)網(wǎng)絡模型應用于肝包蟲病CT圖像計算機輔助診斷的可行性，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

    卷積神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的一種,，已成為語音識別和圖像識別領域的研究熱點^[12]。CNN是深度學習的代表模型,，通過局部感受域和共享權重解決傳統(tǒng)前饋網(wǎng)絡中參數(shù)過多的問題^[13-14],。CNN的結構主要包括卷積層、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的比例分為訓練集和測試集?？紤]到樣本量對實驗結果的影響,，本文采用翻轉(zhuǎn)的方法進行數(shù)據(jù)增強，對每張圖像進行上下翻轉(zhuǎn),、左右翻轉(zhuǎn),、旋轉(zhuǎn)90°翻轉(zhuǎn)、180°翻轉(zhuǎn)等方法,，擴增后的圖片為6 000張,。擴增后效果如圖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行預處理操作，首先采用均勻量化的方法對圖像進行歸一化,，其次使用改進的中值濾波算法^[19-20]對肝包蟲病CT圖像進行去噪,。經(jīng)過預處理后的圖像，清晰度得到了很大提高,。預處理前后圖片如圖2所示,。

2.2 卷積神經(jīng)網(wǎng)絡設計

    LeNet-5網(wǎng)絡架構由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,。本文改進了經(jīng)典的LeNet-5模型,，對肝包蟲CT圖像進行了有效的分類，并命名為CTLeNet,。改進的網(wǎng)絡總共有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)絡層的數(shù)量逐漸加深,。改進的卷積神經(jīng)網(wǎng)絡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,，并減少卷積層學習的特征,。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。      

    為防止改進的卷積神經(jīng)網(wǎng)絡模型對肝包蟲病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)進行擴增,，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)，實驗中設為0.000 1,；w為權重,；m為小批量數(shù)據(jù)個數(shù)。除此之外,，簡單的網(wǎng)絡模型結構也能夠減小過擬合問題,，本實驗使用Dropout^[22]方法在網(wǎng)絡訓練過程中將網(wǎng)絡節(jié)點隨機丟棄，使每個batch都可以訓練相同的網(wǎng)絡結構,。實驗中Dropout層添加在各個全連接層,，keep_prob設為0.5。本文采用預處理后的肝包蟲病CT圖像對模型進行訓練和測試,，優(yōu)化后的模型能夠?qū)Ω伟x病患者的CT圖像進行輔助診斷,。改進后的卷積神經(jīng)網(wǎng)絡結構如圖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 實驗結果及分析

3.1 樣本擴增前后對比

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

    由表1可得,，與擴增前相比樣本量擴增了將近4倍左右,，模型的準確率由85.5%提高到了97.5%。說明適當?shù)臄?shù)據(jù)增強有利于提高網(wǎng)絡的泛化能力,，同時增強卷積神經(jīng)網(wǎng)絡學習肝包蟲病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圖像進行分類，其與CTLeNet卷積神經(jīng)網(wǎng)絡模型比較結果如表2所示,。

    從表2可以看出,，傳統(tǒng)的分類方法準確率為92.86%，本文方法準確率達到了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)絡分類效果好,。從圖4(b)中可以看出，隨著訓練輪數(shù)的增加,，模型的損失逐漸減少,，達到30輪數(shù)(epoch)時模型趨于收斂。最后使用訓練好的模型對肝包蟲CT圖像進行測試,，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。將改進后的卷積神經(jīng)網(wǎng)絡應用于肝包蟲病CT圖像計算機輔助診斷系統(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。

4 可視化

    本實驗中反卷積過程不具有學習能力,，僅用于對每層特征圖進行可視化,。CNN通過訓練調(diào)節(jié)參數(shù)，提取各層圖像的特征,，反卷積網(wǎng)絡以各層的特征圖作為輸入進行反卷積操作,。反卷積結果以可視化的方式顯示各層學習到的特征。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計特征和選擇分類器進行分類,，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)過模型訓練學習后的肝包蟲病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 結論

    本文基于基礎LeNet-5網(wǎng)絡設計并搭建一種新的卷積神經(jīng)網(wǎng)絡，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CTLeNet模型,，其準確率達到了97.5%，可以輔助醫(yī)生進行肝包蟲病診斷,。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

[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].預防醫(yī)學情報雜志,，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治療方法的研究進展[J].現(xiàn)代生物醫(yī)學進展，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)絡的光學相干斷層掃描圖像自動分類[J].中國生物醫(yī)學工程學報,，2018,，37(6)：641-648.

[9] 蔣濤.深度學習在醫(yī)學圖像分析中的應用[D].成都：電子科技大學,，2017.

[10] 楊志明，李亞偉,，楊冰,，等.融合宮頸細胞領域特征的多流卷積神經(jīng)網(wǎng)絡分類算法[J].計算機輔助設計與圖形學學報，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.基于改進的卷積神經(jīng)網(wǎng)絡在圖片分類中的應用[J].高技術通訊,，2018,，28(Z2)：930-936.

[13] 王洋，劉積仁,，趙大哲,，等.卷積神經(jīng)網(wǎng)絡在MRI圖像診斷中的應用[J].東北大學學報(自然科學版）, 2019，40(2)：169-173.

[14] 寧靜艷,，俞晨,，程年，等.基于卷積神經(jīng)網(wǎng)絡的肺癌病理圖像分類[J].軟件導刊,，2019(2)：141-144.

[15] 黃睿,，陸許明，鄔依林.基于TensorFlow深度學習手寫體數(shù)字識別及應用[J].電子技術應用,，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.基于深度學習的圖像分類方法[J].電子技術應用，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.基于改進中值濾波的影像預處理方法研究[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,，嚴傳波2

(1.新疆醫(yī)科大學 公共衛(wèi)生學院,，新疆 烏魯木齊830011；2.新疆醫(yī)科大學 醫(yī)學工程技術學院,，新疆 烏魯木齊830011)