基于深度學(xué)習(xí)的醫(yī)療圖像分割

李昊軒

（山東省龍口第一中學(xué)，山東煙臺，264000）

1 研究背景與意義

1.1 深度學(xué)習(xí)背景與意義

深度學(xué)習(xí)是近十年興起并飛速發(fā)展的一種仿生學(xué)技術(shù)。關(guān)于深度學(xué)習(xí)，其起源是人工神經(jīng)網(wǎng)絡(luò)，但由于其的諸多弊端，漸漸沒落。直到2006年，隨著科技的進(jìn)一步發(fā)展和完善，一位學(xué)者提出深度學(xué)習(xí)這一思想，進(jìn)而受到更多學(xué)者專家重視，深度學(xué)習(xí)開始興起，慢慢的深度學(xué)習(xí)被廣泛應(yīng)用到包含計算機(jī)計算處理、部分商業(yè)等眾多領(lǐng)域且皆獲得可觀成績。深度學(xué)習(xí)相對傳統(tǒng)淺層學(xué)習(xí)會更加的復(fù)雜，因?yàn)槠鋵哟谓Y(jié)構(gòu)會更深一些，也正是因此，有利于其更好的對某些特征有重點(diǎn)進(jìn)行學(xué)習(xí)。將大量的數(shù)據(jù)輸入，使計算機(jī)進(jìn)行深度學(xué)習(xí)的訓(xùn)練，進(jìn)而便可提取獲得這些數(shù)據(jù)中相同特征。由深度學(xué)習(xí)完成這一任務(wù)，相較于傳統(tǒng)方法將會更容易。由于屢次立下大功，深度學(xué)習(xí)已成為業(yè)內(nèi)學(xué)者關(guān)注熱點(diǎn)，前景明亮廣闊，這將會再為機(jī)器學(xué)習(xí)領(lǐng)域翻開一頁新篇章。

1.2 圖像分割背景與意義

圖像分割是把圖像內(nèi)容作分類、作描述、作識別等作為任務(wù)的圖像分析的最重要基礎(chǔ)，所有的特征提取、目標(biāo)識別、圖像識別和場景解析等圖像有關(guān)工作都需要先保證好它們上一步圖像分割的質(zhì)量。此項(xiàng)技術(shù)從從20世界70年代左右就引起領(lǐng)域?qū)W者們的高度重視，發(fā)展至今，閾值分割法[1]、邊緣檢測法、區(qū)域提取分割法和結(jié)合特定理論工具4大類型的圖像分割方式是最為當(dāng)代學(xué)者所熟知和常用的。但該課題還是擁有一定難度和深度。

圖像處理往往是離不開圖像分割的。近年來涌現(xiàn)出一大批新的不同的分割方法，但是始終沒有找到一個既通用又足夠便捷方法，學(xué)界也沒能有明確的判斷分割結(jié)果好壞的合理標(biāo)準(zhǔn)[2]。

1.3 醫(yī)學(xué)圖像分割方法意義

一張醫(yī)學(xué)圖像所包含的信息量是十分巨大的，但是當(dāng)醫(yī)生做診斷的時候，只需要其中一小部分組織或某一片特點(diǎn)區(qū)域的數(shù)據(jù)，進(jìn)行分析和斷定病變情況。然而由于檢測設(shè)備和設(shè)備工作原理的不同，醫(yī)學(xué)圖像上難免會出現(xiàn)噪點(diǎn)，如果噪點(diǎn)過多，將會對做診斷的醫(yī)生造成極大的阻礙，且增大的誤診幾率，誤診的后果于醫(yī)于患都是難以承擔(dān)的[3]。于是將圖像分割應(yīng)用到醫(yī)學(xué)領(lǐng)域引起計算機(jī)界和醫(yī)學(xué)界學(xué)者們的高度關(guān)注。以下列出醫(yī)學(xué)圖像分割幾點(diǎn)優(yōu)勢：

(1)將人體內(nèi)器官，組織，病變部位等從醫(yī)學(xué)圖像中分割出來，并對其進(jìn)行尺寸距離進(jìn)行精準(zhǔn)測量，將對醫(yī)生準(zhǔn)確確診進(jìn)行病狀分析，為患者高效準(zhǔn)確作出治療方案提供技術(shù)支持。

(2)為人體內(nèi)的三維重建提供材料素材，進(jìn)而在手術(shù)過程中為醫(yī)生提供輔助，可大大減少手術(shù)風(fēng)險，為醫(yī)生手術(shù)時減輕負(fù)擔(dān)。

(3)醫(yī)學(xué)圖像分割還可去除圖像中大量無用信息，只將有需求部分分割出來。這可以在不壓縮圖像的基礎(chǔ)上，減少圖片的數(shù)據(jù)數(shù)量，提高了效率和醫(yī)療水平。

2 傳統(tǒng)圖像分割方法

2.1 閾值圖像分割法

閾值分割法是最早、最簡單的一種分割方法。這里主要有兩種方法：其一、圖像中要識別物與背景在灰度值上差異懸殊，這時就該采用全局閾值分割的方法[4]。其二，當(dāng)圖像各個部分灰度差異并不明顯或圖像多處灰度值相當(dāng)?shù)臅r候，就該用局部的閾值分割取代全局的閾值分割。

對于閾值分割來說，其優(yōu)點(diǎn)是計算過程避免了其他方式的冗雜，進(jìn)行運(yùn)算工作的速度大大提高；但凡事皆有兩面性，其缺點(diǎn)也很明顯，主要表現(xiàn)為灰度值差異不明顯時分割不當(dāng)，抗噪性能差。

2.2 基于邊緣檢測的圖像分割法

邊緣檢測分割法是通過檢測邊界的方法來進(jìn)行的圖像分割[5]。由于一張圖片中灰度突變最明顯的地方在不同區(qū)域的邊緣，利用這一點(diǎn)便可進(jìn)行圖像分割。利用邊緣檢測分割法的要點(diǎn)在于協(xié)調(diào)好檢測精度和抗噪性能的相互作用。

2.3 基于區(qū)域的圖像分割方法

基于區(qū)域的圖像分割的操作原理是通過連接輸入原圖像中大量相似像素點(diǎn)，通過后續(xù)處理生成分割結(jié)果。其優(yōu)點(diǎn)是分割后的圖像在空間上是可以保證連續(xù)的，分割空間大。為人熟知的主要有區(qū)域生長和區(qū)域合并與分離的分割方法。該方法也有缺點(diǎn)，對大區(qū)域分割速度慢，抗噪性能差，可能過度分割。

3 基于深度學(xué)習(xí)的醫(yī)療圖像分割法

綜合上文所述，這些傳統(tǒng)的方法進(jìn)行的圖像分割雖各有優(yōu)點(diǎn)，但是這些圖像分割方法的弊端也不容小覷，但是基于深度學(xué)習(xí)的圖像分割方法卻可以將優(yōu)點(diǎn)最大化，相對于傳統(tǒng)方法大大縮小了其局限性影響。

3.1 全卷積神經(jīng)網(wǎng)絡(luò)（FCN）誕生背景

2015年UC Berkeley的Jonathan Long等人提出了全卷積神經(jīng)網(wǎng)絡(luò)（FCN）[1]應(yīng)用到圖像分割領(lǐng)域。FCN由此誕生。

3.2 全卷積神經(jīng)網(wǎng)絡(luò)（FCN）原理

全卷積神經(jīng)網(wǎng)絡(luò)（FCN）與卷積神經(jīng)網(wǎng)絡(luò)（CNN）差別之處就在于全卷積神經(jīng)網(wǎng)絡(luò)（FCN）將卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過卷積、池化的全連接層轉(zhuǎn)化成一個個卷積層。

我們可以知道，在卷積神經(jīng)網(wǎng)絡(luò)過程中，第1層到第5層皆為我們熟悉的卷積層，后面的第6層和第7層是擁有一定長度的一維向量，到了第8層時，則轉(zhuǎn)變?yōu)橐惠^短的一維向量，進(jìn)而通過全聯(lián)接層＋softmax輸出結(jié)果。而FCN則是把最后3層皆轉(zhuǎn)為卷積層，這就意味著該方法是由卷積層組成的，而不存在CNN中一維向量，全卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)（FCN）的名稱也就由此而來。

根據(jù)圖像，我們不難發(fā)現(xiàn)，多次的卷積和池化是會犧牲圖像大小、圖像分辨率的。那么FCN應(yīng)該怎樣在這種情況下繼續(xù)完成圖像中各個像素點(diǎn)相關(guān)的分類呢？為了解決這個重大問題，F(xiàn)CN又使用了upsample（上采樣）的方法。簡單來說，即池化的逆過程，所以池化也可以說為下采樣。既然池化的結(jié)果是數(shù)據(jù)的數(shù)量變少，那么不難理解上采樣起到的效果就是讓數(shù)據(jù)的數(shù)量變大，以起到解決問題的目的。

圖1為上采樣示意圖。

作者在原論文中首先嘗試將第五層輸出反卷積到原圖的大小（所進(jìn)行的是32倍放大），但是該輸出結(jié)果是不夠達(dá)到高度精確這一標(biāo)準(zhǔn)的，細(xì)節(jié)也有損失之處。面對這一問題，作者將反卷積過程又?jǐn)U展到了第四層和第三層，最終結(jié)果不夠精準(zhǔn)精細(xì)的問題也大大減輕了。

圖1 上采樣示意圖

請看下圖有關(guān) 32倍，16倍，8倍，三個上采樣過程如圖2所示。圖3為不同上采樣的FCN結(jié)果。

圖2 FCN中的上采樣

圖3 不同上采樣的結(jié)果

首先輸入的原圖像再進(jìn)行多次卷積操作和池化的操作（通過池化的過程可以使圖像縮小為原大小的一半）。圖中的nx為特征圖進(jìn)行放大n倍，而不是代指其有n個特征圖。

圖4中第一行代表FCN-32s；第二行代表FCN-16s；第三行代表FCN-8s。

圖4 FCN示意圖

現(xiàn)在通過第一行，我們介紹上采樣具體過程，只需關(guān)注第一行即可。這里有5個池化層，卷積7的特征圖為原圖像的1/32，在FCN的卷積中圖像大小不會受到影響而改變，像素難免會有損失，但是特征圖基本上是不會受到太大影響的。再通過32x的下采樣，圖像大小重新變回32x32。在這里加入一卷積將其大小進(jìn)行擴(kuò)大。若此卷積核的大小也恰好是為32，那需要反饋訓(xùn)練1024（32x32）個權(quán)重便可以完成一個32x的上采樣，也就是反卷積。

類似的，我們也就能了解到16倍和8倍操作的具體過程，原理同32倍是大同小異的。

通過三種上采樣結(jié)果的對比，我們不難發(fā)現(xiàn)得到的結(jié)果不再過度模糊，慢慢條理清晰，便于分辨。

3.3 全卷積神經(jīng)網(wǎng)絡(luò)（FCN）優(yōu)點(diǎn)及缺陷

將FCN與傳統(tǒng)的CNN方法對比，我們可以發(fā)現(xiàn)FCN的優(yōu)點(diǎn)：一是其對輸入的圖片的尺寸大小沒有要求，在訓(xùn)練時，可以放入不同尺寸的照片，可以大大增加選擇要訓(xùn)練的對象，更加便捷。二是FCN更加高效，避免了CNN對相似像素點(diǎn)計算卷積過程的大量重復(fù)。

萬物皆有缺陷，F(xiàn)CN并不完美，一是其結(jié)果還是達(dá)不到我們追求的高度精準(zhǔn)，雖然FCN-8s對比于FCN-32s有了很大提高，然而其結(jié)果仍略有模糊和平滑，對其中種種細(xì)節(jié)無法達(dá)到高度敏感。二是缺乏一定的空間一致性。

3.4 基于深度學(xué)習(xí)的醫(yī)療圖像分割

根據(jù)上文的描述，我們將利用全卷積網(wǎng)絡(luò)對人體內(nèi)拍攝到的圖片進(jìn)行語義分割。我們可以對人體內(nèi)的器官逐一進(jìn)行分割，從而可以讓機(jī)器了解人體內(nèi)部的結(jié)構(gòu)。然而特別之處在于我們會在語義分割的過程中，將疾病檢測的信息融入到圖像分割中，進(jìn)而疾病產(chǎn)生的部分單獨(dú)地在圖像中以單獨(dú)的語義標(biāo)注出來，這樣的做法可以利于醫(yī)生在后續(xù)的檢查中清晰的看到疾病的位置，節(jié)約了醫(yī)生大量的精力和時間且大大減少誤診誤判造成的損失和影響。由此看來，基于深度學(xué)習(xí)的圖像分割定能在醫(yī)學(xué)領(lǐng)域再次大放光彩！

4 展望與總結(jié)

本文將深度學(xué)習(xí)用于醫(yī)學(xué)圖像分割，理論上來講這可以極大地減輕醫(yī)生的人力和物力方面的支出。本文沒有做出完整的系統(tǒng)，只是做了理論上的設(shè)計。后續(xù)的工作應(yīng)該去實(shí)際設(shè)計一套系統(tǒng)。