基于深度學(xué)習(xí)算法的腦腫瘤CT圖像特征分割技術(shù)改進(jìn)

崔仲遠(yuǎn) 黃偉

摘 要： 針對(duì)基于數(shù)學(xué)形態(tài)的腦腫瘤CT圖像特征分割技術(shù)存在準(zhǔn)確率低、分割效果不明確的弊端，提出基于深度學(xué)習(xí)算法的腦腫瘤CT圖像特征分割技術(shù)。將可視人體數(shù)據(jù)集CVH?2作為研究對(duì)象，對(duì)數(shù)據(jù)集中的圖像實(shí)施預(yù)處理，對(duì)圖像四個(gè)模態(tài)實(shí)施卷積分別獲取不同模態(tài)彼此的差異信息，歸一化獲取腦腫瘤CT圖像多模態(tài)3D?CNNs特征。對(duì)基于SAE深度學(xué)習(xí)算法的腦腫瘤CT圖像特征分割模型實(shí)施二級(jí)訓(xùn)練，將腦腫瘤CT圖像多模態(tài)3D?CNNs特征經(jīng)過(guò)處理后獲取的S，V通道數(shù)據(jù)輸入模型實(shí)施訓(xùn)練，在第二級(jí)訓(xùn)練的過(guò)程中把第一級(jí)SAE訓(xùn)練得到的權(quán)重作為二級(jí)訓(xùn)練的原始權(quán)重，將一級(jí)訓(xùn)練中錯(cuò)誤分割的組織結(jié)構(gòu)和溝回作為二次訓(xùn)練的數(shù)據(jù)集，獲取腦腫瘤CT圖像特征的準(zhǔn)確分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，所提方法在腦腫瘤CT圖像特征分割準(zhǔn)確率和效率方面具有顯著優(yōu)勢(shì)。

關(guān)鍵詞： 深度學(xué)習(xí)算法； 腦腫瘤CT圖像； 特征分割技術(shù)； 多模態(tài)3D?CNN； SAE結(jié)構(gòu)； 數(shù)據(jù)集

中圖分類(lèi)號(hào)： TN911.73?34； R739.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）16?0092?04

Abstract： In allusion to the disadvantages of low accuracy rate and unobvious segmentation effect of the brain tumor CT image feature segmentation technology based on mathematical morphology， a brain tumor CT image feature segmentation technology based on in?depth learning algorithm is proposed. By taking the visual human body data set CVH?2 as the research object， the preprocessing of the images in data set is performed. The convolution is performed for the four modes of images， so as to obtain the differentiated information of different modes respectively， and obtain the multimodal 3D?CNNs features of brain tumor CT images in normalization. The second?level training is conducted for the feature segmentation model of brain tumor CT images based on the SAE in?depth learning algorithm. The S and V channel data obtained after the processing of the multimodal 3D?CNNs features of brain tumor CT images is input into the model for training. During the process of the second?level training， the weight obtained from the first?level SAE training is taken as the original weight of the second?level training， and the organizational structures and sulci wrongly segmented during the first?level training are taken as the data set of the second?level training， so as to obtain the accurate segmentation results of brain tumor CT image features. The experimental results show that the proposed method has a significant advantage in improving the accuracy rate and efficiency of brain tumor CT image feature segmentation.

Keywords： in?depth learning algorithm； brain tumor CT image； feature segmentation technology； multimodal 3D?CNN； SAE structure； data set

0 引 言

隨著現(xiàn)代醫(yī)療水平的提高，醫(yī)學(xué)成像技術(shù)在日常醫(yī)療診斷與醫(yī)學(xué)研究中的作用日益顯著，因此對(duì)醫(yī)學(xué)診斷圖像數(shù)據(jù)的研究至關(guān)重要。腦腫瘤作為時(shí)下頻繁出現(xiàn)且復(fù)雜性較強(qiáng)的腫瘤疾病，已成為醫(yī)學(xué)界重點(diǎn)研究的課題。腦腫瘤的確診通常以腦CT圖像的成像數(shù)據(jù)分析為依據(jù)。準(zhǔn)確地分析腦CT圖像是判斷病人病情的關(guān)鍵步驟。但是醫(yī)生個(gè)人醫(yī)療知識(shí)的積累、經(jīng)驗(yàn)水平的差異以及視覺(jué)疲勞等不確定因素都會(huì)影響對(duì)圖像結(jié)果的正確分析。因此如何準(zhǔn)確地對(duì)腦腫瘤CT圖像特征實(shí)施分割十分重要[1]。針對(duì)基于腦腫瘤CT圖像特征分割技術(shù)存在準(zhǔn)確率低、分割效果不明確的弊端，本文提出基于深度學(xué)習(xí)算法的腦腫瘤CT圖像特征分割技術(shù)，為相關(guān)醫(yī)學(xué)研究提供了強(qiáng)有力的分析依據(jù)。

1 改進(jìn)的腦腫瘤CT圖像特征分割技術(shù)

1.1 數(shù)據(jù)集獲取和圖像預(yù)處理

采用第三軍醫(yī)大學(xué)建立的中國(guó)第一個(gè)數(shù)字化可視人體數(shù)據(jù)集CVH?2作為本文分析的腦橫斷面圖像。本文采用的400幅腦橫斷面圖像全部來(lái)自CVH?2數(shù)據(jù)集中通過(guò)高分辨率設(shè)備拍攝的腦腫瘤CT圖像，其位深度是24 bit，3 072×2 048大小，切削厚度是0.25 mm，能清晰地顯示出腦白質(zhì)、腦灰質(zhì)以及腦脊液的組織狀況。前期預(yù)處理準(zhǔn)備階段，需要配準(zhǔn)全部圖像[2]，并通過(guò)裁剪圖像為974×852大小的方式來(lái)減少實(shí)驗(yàn)投入，增加腦白質(zhì)分割速度。

1.2 腦腫瘤CT圖像多模態(tài)3D?CNNs特征提取

數(shù)字識(shí)別是2D?CNNs的主要功能，其通過(guò)固定圖像大小的方式獲取圖像的特征提取。但其在腦腫瘤分割方面的運(yùn)用存在弊端：腦腫瘤分割所需的單個(gè)像素點(diǎn)鄰域的大小不好掌控；不同病人不同圖像層的腫瘤大小存在差異致使此鄰域不能適用于所有腫瘤點(diǎn)；確保高精度分類(lèi)是個(gè)難題。因此，本文通過(guò)塑造腦腫瘤多模態(tài)3D?CNNs特征對(duì)2D?CNNs實(shí)施改進(jìn)。

圖1描述了腦腫瘤CT圖像多模態(tài)3D?CNNs特征提取過(guò)程，將4個(gè)模態(tài)相同位置的小鄰域14×14構(gòu)成3D（14×14×4）的原始腦腫瘤CT圖像輸入層[3]，另6個(gè)權(quán)值共享的大小是3×3×2的卷積模板向原始層實(shí)施卷積，獲取6個(gè)12×12×3特征圖C1；對(duì)6個(gè)C1層的特征圖進(jìn)行2D平均采樣獲取S2層；對(duì)S2層所有特征求和后進(jìn)行12個(gè)3×3×2模板卷積獲取12個(gè)6×6×2的特征圖C3；C3層經(jīng)過(guò)平均采樣獲取S4層；S4層按列歸一化獲取96維特征向量F5。

4個(gè)模態(tài)聯(lián)合組成腦腫瘤CT圖像多模態(tài)3D?CNNs原始輸入層；對(duì)4個(gè)模態(tài)實(shí)施卷積分別獲取不同模態(tài)彼此的差異信息。個(gè)別學(xué)習(xí)方法做到了不同腦腫瘤病人差異信息獲取不同的分類(lèi)特征。通過(guò)采樣的方式能夠獲取大量結(jié)構(gòu)邊緣信息，拋棄閑雜信息以及噪聲[4]；通過(guò)多模態(tài)共同輸入的方式確保原始輸入需要較少的鄰域信息，能夠適用于各個(gè)圖像的腫瘤點(diǎn)，以此來(lái)增加腦腫瘤CT圖像的分割精度。

2 腦腫瘤CT圖像特征分割

2.1 SAE原理

SAE是一種根據(jù)人工神經(jīng)網(wǎng)絡(luò)特征組成可以自動(dòng)采集輸入數(shù)據(jù)深層次特征的網(wǎng)絡(luò)。圖2詳細(xì)描述了SAE結(jié)構(gòu)，輸入層、隱層以及輸出層共同構(gòu)成了SAE結(jié)構(gòu)[5]，SAE是一種高效的深度學(xué)習(xí)算法。

SAE嘗試學(xué)習(xí)到一種非線性映射，可以令輸出[xn]與[xn]相似。若限制SAE的隱層神經(jīng)元數(shù)量能獲取到輸入數(shù)據(jù)一部分有價(jià)值的結(jié)構(gòu)。舉例說(shuō)明：若向SAE輸入M維向量（其輸出向量也是M維），而隱層僅包括N個(gè)神經(jīng)元且滿足N

2.2 基于SAE深度學(xué)習(xí)算法的圖像特征分割模型訓(xùn)練

本文通過(guò)對(duì)基于SAE深度學(xué)習(xí)算法的腦腫瘤CT圖像特征分割模型實(shí)施訓(xùn)練，實(shí)現(xiàn)腦腫瘤CT圖像特征的高精度分割。將1.2節(jié)獲取的腦腫瘤CT圖像多模態(tài)3D?CNNs特征經(jīng)過(guò)處理后獲取的S，V通道數(shù)據(jù)輸入模型實(shí)施訓(xùn)練。模型的訓(xùn)練分成兩級(jí)：第一級(jí)訓(xùn)練的樣本是從輸入圖像中任意選擇的圖像塊，同時(shí)SAE的初始值也被隨機(jī)還原；第二級(jí)訓(xùn)練中，采用上級(jí)訓(xùn)練中分割效果不理想的組織結(jié)構(gòu)作為訓(xùn)練樣本，SAE的初始值是從上一訓(xùn)練中獲取的權(quán)值。

2.2.1 第一級(jí)訓(xùn)練

由于腦腫瘤CT多模態(tài)3D?CNNs圖像的不同分量中存在部分多余的雜質(zhì)[7]，導(dǎo)致其表達(dá)腦組織的作用發(fā)揮的不明顯。把腦腫瘤CT圖像轉(zhuǎn)換成YCbCr模式獲取的Cb與Cr圖像不清晰，對(duì)比效果極差，很難當(dāng)作原始信息輸入。位于圖像HSV空間中的飽和度（S）以及亮度（V）能夠清晰地呈現(xiàn)出腦白質(zhì)與其他組織結(jié)構(gòu)的對(duì)比效果。所以，為提高樣本訓(xùn)練的效率，本文模型中的全部圖像都使用HSV空間中S，V通道信息實(shí)施訓(xùn)練。本次訓(xùn)練圖像是本文選取的400幅腦橫斷面圖像中的一幅，其特征是伴有細(xì)長(zhǎng)溝回和拐點(diǎn)。第一級(jí)訓(xùn)練，詳細(xì)做法如下：把腦腫瘤CT圖像多模態(tài)3D?CNNs特征轉(zhuǎn)換到HSV空間丟棄H通道信息，在S和V通道中任意選取圖像塊以其中心體素原始特征的形式輸送到SAE實(shí)施訓(xùn)練；Softmax分類(lèi)器訓(xùn)練所需的特征向量均來(lái)自于上述圖像塊經(jīng)過(guò)訓(xùn)練所獲取的維度是9的深度向量特征；最后各個(gè)圖像塊通過(guò)獲取到維度是2的輸出向量，來(lái)體現(xiàn)該圖像塊中心體素所屬的類(lèi)別信息[8]。本文模型具體參數(shù)設(shè)定為：SAE采用單隱層結(jié)構(gòu)對(duì)其實(shí)施二級(jí)訓(xùn)練，基于訓(xùn)練的計(jì)算消耗以及分割準(zhǔn)確性設(shè)置圖像塊的大小是5×5，深度是2，此時(shí)數(shù)據(jù)通道為S和V。設(shè)置50，9以及50分別是SAE的輸入層、隱層以及輸出層的神經(jīng)元數(shù)目，用[ρ=0.02]表示稀疏性參數(shù)，[β=3]表示稀疏懲罰因子。

2.2.2 第二級(jí)訓(xùn)練

使用單級(jí)網(wǎng)絡(luò)獲取的效果較差的原因是腦白質(zhì)中存在繁瑣的溝回、噪聲以及色差。第一級(jí)訓(xùn)練獲取的腦腫瘤CT圖像特征分割結(jié)果圖像顯示，經(jīng)過(guò)一級(jí)訓(xùn)練后SAE對(duì)腦腫瘤微小的結(jié)構(gòu)、溝回分割程度不明顯。這一現(xiàn)象導(dǎo)致腦腫瘤的拓?fù)浣Y(jié)構(gòu)遭到損壞，在人體腦腫瘤的展示方面形成阻力[9]。因此采取對(duì)SAE實(shí)施二次訓(xùn)練的方式來(lái)彌補(bǔ)這一不足。在第二級(jí)訓(xùn)練的過(guò)程中，令第一級(jí)SAE訓(xùn)練得到的權(quán)重作為二級(jí)訓(xùn)練的原始權(quán)重。基于SAE在數(shù)據(jù)訓(xùn)練方面存在自適應(yīng)性的特點(diǎn)，把第一級(jí)訓(xùn)練中錯(cuò)誤分割的組織結(jié)構(gòu)和溝回當(dāng)作本次訓(xùn)練的數(shù)據(jù)集，確保提高學(xué)習(xí)到的深度特征對(duì)組織結(jié)構(gòu)的判斷能力[10]。二級(jí)訓(xùn)練獲取的腦腫瘤CT圖像特征分割結(jié)果，實(shí)施二級(jí)訓(xùn)練模型分割獲取的腦腫瘤細(xì)節(jié)更加具體，誤分割水平明顯提高。

為了證明本文方法采用的多模態(tài)3D?CNNs在腦腫瘤CT圖像特征提取方面的優(yōu)勢(shì)，將其與基本特征經(jīng)典2D?CNNs、鄰域灰度和Haar小波低頻系數(shù)進(jìn)行對(duì)比實(shí)驗(yàn)，描述三種特征提取方法在10個(gè)病人身上的平均分割結(jié)果。多模態(tài)3D?CNNs特征提取較經(jīng)典2D?CNNs而言效果更佳，帶有多模態(tài)3D?CNNs特征的dice特征系數(shù)是87.26%，高于經(jīng)典2D?CNNs的82.82%。值得注意的是，使用鄰域灰度和Haar小波低頻系數(shù)的分割結(jié)果要優(yōu)于帶有經(jīng)典2D?CNNs特征的分割結(jié)果。

造成這一現(xiàn)象的具體原因是：腦腫瘤類(lèi)似球形，訓(xùn)練獲取的2D?CNNs難以應(yīng)用在不同層次狀況的腫瘤圖像；理論上分析對(duì)4個(gè)模態(tài)實(shí)施特征提取可以獲取大量不同模態(tài)之間的差異信息，由于特征信息過(guò)多導(dǎo)致結(jié)果適得其反。本文方法采用的多模態(tài)3D?CNNs特征彌補(bǔ)了上述缺點(diǎn)，4個(gè)模態(tài)的三維結(jié)合為不同模態(tài)間差異信息協(xié)作提供了便利，淘汰多余信息，達(dá)到腦腫瘤CT圖像特征高精度分類(lèi)的狀態(tài)。為了證明本文方法采用的多模態(tài)3D?CNNs在腦腫瘤CT圖像特征提取方面的顯著效果，在實(shí)驗(yàn)環(huán)境一定的前提下，給出了基于鄰域灰度和Haar小波低頻系數(shù)、本文方法采用的多模態(tài)3D?CNNs特征以及真值三種分割結(jié)果。結(jié)果表明腫瘤與非腫瘤之間的界限不明確，采用鄰域灰度和Haar小波低頻系數(shù)的分割結(jié)果把部分水腫誤認(rèn)成了腫瘤，而本文方法采用多模態(tài)3D?CNNs特征后獲取的結(jié)果幾乎接近于真值，沒(méi)有把水腫規(guī)劃成腫瘤，比前者的分割效果明顯增強(qiáng)。上述問(wèn)題得到很好的解決，說(shuō)明本文方法對(duì)腦腫瘤CT圖像特征具有較高的分割準(zhǔn)確度。

為證明本文方法采用的SAE結(jié)構(gòu)在腦腫瘤CT圖像特征提取方面的顯著優(yōu)勢(shì)，對(duì)不同SAE結(jié)構(gòu)進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)對(duì)SAE結(jié)構(gòu)輸入4種不同大小的圖像，采用10個(gè)不一樣的隱層神經(jīng)元對(duì)各圖像塊下的SAE結(jié)構(gòu)實(shí)施分割測(cè)試。值得注意的是圖像塊大小一定的前提下，隨著神經(jīng)元數(shù)目的增加其分割準(zhǔn)確率越低。這一狀況表明基于SAE結(jié)構(gòu)的深度學(xué)習(xí)算法在壓縮神經(jīng)元數(shù)目方面能力更強(qiáng)。產(chǎn)生這一狀況的主要原因是圖像塊越小攜帶的影響因子越少，且神經(jīng)元數(shù)目少，SAE結(jié)構(gòu)可以發(fā)揮其在壓縮神經(jīng)元特征方面的能力。

不同SAE結(jié)構(gòu)對(duì)腦腫瘤CT圖像特征分割的平均準(zhǔn)確率以及分割每幅圖像的時(shí)間消耗的分析表明：SAE結(jié)構(gòu)獲取的平均分割準(zhǔn)確率均大于90%，且這一結(jié)果是在不同圖像塊和神經(jīng)元數(shù)目狀態(tài)下實(shí)現(xiàn)的，并且本文方法對(duì)于腦腫瘤CT圖像平均分割準(zhǔn)確率達(dá)到了97.3%，若進(jìn)行二級(jí)訓(xùn)練后獲取的分割結(jié)果會(huì)增長(zhǎng)0.4%～1.5%。表明本文基于SAE深度學(xué)習(xí)算法在腦腫瘤CT圖像特征分割方面的具有較高準(zhǔn)確性。本文方法分割腦腫瘤CT圖像特征消耗的時(shí)間與隱層神經(jīng)元數(shù)目成正比，在3×3圖像塊下分割腦腫瘤CT圖像特征所消耗的最少的時(shí)間為1.3 s，最高時(shí)間消耗是5 s，平均消耗時(shí)間較低，說(shuō)明本文方法進(jìn)行腦腫瘤CT圖像特征分割過(guò)程中具有較高的效率。

3 結(jié) 論

本文提出的基于深度學(xué)習(xí)算法的腦腫瘤CT圖像特征分割技術(shù)，既能排除各模態(tài)的冗余信息又能兼顧腫瘤大小狀況的變化，改進(jìn)了基于數(shù)學(xué)形態(tài)腦腫瘤CT圖像特征分割方法存在的準(zhǔn)確率低、分割效果不明確的弊端，為相關(guān)醫(yī)學(xué)研究提供了強(qiáng)有力的分析依據(jù)。

參考文獻(xiàn)

[1] 馬成虎，董洪偉.一種基于深度學(xué)習(xí)的多尺度深度網(wǎng)絡(luò)的場(chǎng)景標(biāo)注算法[J].計(jì)算機(jī)工程與科學(xué)，2016，38（7）：1356?1361.

MA Chenghu， DONG Hongwei. A scene labeling algorithm for multi?scale deep networks based on deep learning [J]. Computer engineering and science， 2016， 38（7）： 1356?1361.

[2] 徐立，白金牛，李磊民.基于腦部MR圖像GMM特征決策分類(lèi)的腫瘤診斷[J].控制工程，2017，24（8）：1718?1722.

XU Li， BAI Jinniu， LI Leimin. Diagnosis of tumor in brain MR images based on GMM features and decision tree classifier [J]. Control engineering of China， 2017， 24（8）： 1718?1722.

[3] ROOBINI K， RAMAKRISHNAN T， SANKARAGOMATHI B. Neighbourhood weighted fuzzy C?means （NWFCM） clustering algorithm for segmentation of brain tumors in CT images [J]. International journal of applied engineering research， 2015， 10（20）： 15327?15330.

[4] 秦豐，劉東霞，孫炳達(dá)，等.基于深度學(xué)習(xí)和支持向量機(jī)的4種苜蓿葉部病害圖像識(shí)別[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，22（7）：123?133.

QIN Feng， LIU Dongxia， SUN Bingda， et al. Image recognition of four different alfalfa leaf diseases based on deep learning and support vector machine [J]. Journal of China Agricultural University， 2017， 22（7）： 123?133.

[5] 張人上.基于NSCT?GLCM的CT圖像特征提取算法[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（11）：159?162.

ZHANG Renshang. Features extraction algorithm of CT image based on GNSCT?LCM [J]. Computer engineering and applications， 2014， 50（11）： 159?162.

[6] 楚陪陪，魏本征，曲彥，等.基于復(fù)合超像素技術(shù)的肺部CT圖像分割算法[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，40（3）：332?339.

CHU Peipei， WEI Benzheng， QU Yan， et al. A lung CT image segmentation algorithm based on composite super pixel technology [J]. Journal of Hefei University of Technology （Natural science）， 2017， 40（3）： 332?339.

[7] 汪亮，金福江，陳峻嚴(yán).基于區(qū)域生長(zhǎng)和FCM模糊聚類(lèi)的顱內(nèi)出血CT圖像分割[J].系統(tǒng)仿真學(xué)報(bào)，2014，26（2）：231?235.

WANG Liang， JIN Fujiang， CHEN Junyan. Segmentation of intracranial hemorrhage′s CT image based on method of region growing and FCM fuzzy clustering [J]. Journal of system simulation， 2014， 26（2）： 231?235.

[8] CHITRA K， RAMAKRISHNAN T， SANKARAGOMATHI B. Automatic segmentation of brain tumor in CT images using LIPC [J]. International journal of applied engineering research， 2015， 10（20）： 15478?15483.

[9] 楊陽(yáng)，張文生.基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法[J].數(shù)據(jù)采集與處理，2015，30（1）：88?98.

YANG Yang， ZHANG Wensheng. Image auto?annotation based on deep learning [J]. Journal of data acquisition & processing， 2015， 30（1）： 88?98.

[10] 王博，郭繼昌，張艷.基于深度網(wǎng)絡(luò)的可學(xué)習(xí)感受野算法在圖像分類(lèi)中的應(yīng)用[J].控制理論與應(yīng)用，2015，32（8）：1114?1119.

WANG Bo， GUO Jichang， ZHANG Yan. Learnable receptive fields scheme in deep networks for image categorization [J]. Control theory & applications， 2015， 32（8）： 1114?1119.