基于Ad-BN 自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)的肝臟纖維化超聲診斷技術(shù)的研究

惠 冉，師 琳，房勤茂（通訊作者）

（1 河北醫(yī)科大學(xué)第三醫(yī)院超聲科 河北 石家莊 050051）

（2 石家莊市第一醫(yī)院消化內(nèi)一科 河北 石家莊 050011）

肝纖維化是對(duì)各種原因引起的肝損傷的代償性修復(fù)反應(yīng)，并且是各種慢性肝病的常見病理過程。這是一個(gè)慢性、漸進(jìn)性過程，其特征在于增生和肝臟中纖維結(jié)締組織的沉積。隨著科技的發(fā)展進(jìn)步，細(xì)胞和分子生物學(xué)技術(shù)更加成熟，人們對(duì)肝纖維化發(fā)展的分子和細(xì)胞機(jī)制有了更進(jìn)一步的了解。目前，肝纖維化被認(rèn)為是在存在肝損傷的組織修復(fù)過程中，ECM 的合成和降解不平衡引起的一系列病理變化。

1 組織學(xué)診斷方法

1.1 常規(guī)和廣義組織學(xué)檢查

肝纖維診斷的金標(biāo)準(zhǔn)為常規(guī)組織病理學(xué)檢查。通過連續(xù)的肝活檢標(biāo)本切片，常規(guī)蘇木精-伊紅、網(wǎng)狀纖維和（或）Masson 三色染色確定肝小葉的結(jié)構(gòu)，炎癥范圍和纖維化程度的變化[1]。

1.2 組織學(xué)半定量評(píng)估系統(tǒng)

基于肝纖維化的分布范圍、形式和數(shù)量的定量分析，目前seheuer、METAVIR、Ishak 和Knodell 是四種廣泛使用的、用于評(píng)估肝纖維化的分期的半定量的積分系統(tǒng)。因?yàn)樗鼈兌贾匾暲w維間隔的形成判斷和橋接纖維化的發(fā)生，所以彼此之間有很好的相關(guān)性。近年來，臨床和病理學(xué)聯(lián)系中一般都注重在分期診斷中區(qū)分是否存在明顯纖維化的重要性，用S0 ～S1 表示無明顯纖維化，而Scheuer ≥2或METAVIR ≥2 或Ishak ≥3 被定義為臨床上顯著的肝纖維化，即纖維隔膜或橋接纖維化的出現(xiàn)。因此，在評(píng)估S2 和S3 之間的纖維化進(jìn)展與S1 和S2 之間的纖維化進(jìn)展相比之下，前者更重要，特征圖如圖1，圖2 所示。

圖1

圖2

2 主要研究?jī)?nèi)容

卷積神經(jīng)網(wǎng)絡(luò)是多級(jí)神經(jīng)網(wǎng)絡(luò)。它包含了用來提取輸入信號(hào)的特征的濾波級(jí)（Filtering Stage）與對(duì)學(xué)習(xí)到的特征進(jìn)行分類的分類級(jí)（Classification Stage）。其中，濾波級(jí)和分類級(jí)的網(wǎng)絡(luò)參數(shù)是共同訓(xùn)練得到的。濾波級(jí)包括三個(gè)基本單元：卷積層、池化層和激活層；分類級(jí)別通常由完全連接的層組成。

該項(xiàng)目針對(duì)一維信號(hào)的特征提出了 “具有大尺度卷積核深度卷積神經(jīng)網(wǎng)絡(luò)” 模型，該結(jié)構(gòu)特征是基層是一個(gè)大尺度的卷積核。之后卷積層都是3*1 的小卷積核[2]。WFKCNN 算法的研究的目的是提取短時(shí)特征，作用類似于短時(shí)傅里葉變換，基層是大尺度卷積核。

3 采用的技術(shù)路線

3.1 批量歸一化層（BN）

在該項(xiàng)目中，將在卷積層與活動(dòng)層之間以及完全連接的層與活動(dòng)層中，添加批量歸一化層。主要步驟：

（1）從卷積層或完全連接層的輸入中減去Mini-Batch 的平均值；

（2）除以標(biāo)準(zhǔn)差；

這類似于標(biāo)準(zhǔn)化操作，以加快訓(xùn)練速度[3]。批量歸一化操作的描述如下式（1）：

當(dāng)BN 作用在卷積層時(shí)，令第l 個(gè)BN 層的輸入為

yl=（yl(i,1),…,yl(i,j),yl(i,ρ)）批量歸一化操作的描述如下式（2）所示：

3.2 WFK-CNN 超參數(shù)設(shè)計(jì)原則

選擇基層卷積核的大小、步長(zhǎng)和卷積層數(shù)。感受野作為卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)核心，是神經(jīng)元在其基礎(chǔ)網(wǎng)絡(luò)中感知范圍。如圖3 所示，在神經(jīng)元的最后合并層中的黑色神經(jīng)元，也就是輸入信號(hào)中的感受野。

圖3 神經(jīng)元感受野示意圖

3.3 WFK-CNN 圖像判別診斷試驗(yàn)

為驗(yàn)證WFK-CNN 模型及其Ad-BN 領(lǐng)域自適應(yīng)處理后的抗噪性能，即在SNR 值從-4dB 到10dB 的環(huán)境中的識(shí)別率。同時(shí)，為了驗(yàn)證該模型中的基層大尺度卷積核的必要性，試驗(yàn)當(dāng)基層卷積核大小從16 變化到128 時(shí)，測(cè)試WFK-CNN及WFK-CNN（Ad-BN）在不同強(qiáng)度帶噪聲信號(hào)上的診斷率。

可視化WFK-CNN 基層16 個(gè)卷積核，通過對(duì)時(shí)域波形的觀察，可以了解到學(xué)習(xí)后獲得的波形完全不同，其中的第6個(gè)、第11個(gè)卷積核的形狀（由上而下，從左到右）接近于正弦函數(shù)，并且周期非常大。所以，兩個(gè)卷積核提取了被卷積區(qū)域的低頻特征。從頻域表達(dá)式中可以看出，卷積核頻域的峰值在中頻帶占大部分，在低頻帶也存在一部分。由上可得，卷積核提取了中低頻特性。從而可知，基層卷積核可以視為低通濾波器，這對(duì)于在嘈雜環(huán)境中診斷模型是非常有利的。另外，卷積核一次僅提取幾個(gè)頻域特征，并且提取位置相對(duì)集中。使用卷積核進(jìn)行特征提取的方法與FFT 提取所有頻帶的特二者進(jìn)行對(duì)比，前者更有針對(duì)性，更有效。