基于深度神經網絡的肺結節自動檢測方案探討

于靜汶　朱東弼

摘 要 醫療影像AI是未來智能醫療發展的重要部分。因而基于深度神經網絡的肺部結節自動檢測方案研究是未來醫療影像AI的研究熱點之一。本文分析現有的肺部結節自動檢測方案及存在的問題，并提出一種基于深度神經網絡的肺部結節自動檢測的新的研究方案，即將傳統方法與深度學習方法相結合，前期預處理部分采用傳統方法進行，后期網絡模型中采用改進的卷積神經網絡方法（將改進的VGGNet網絡模型和改進的ResNet網絡模型級聯）。運用新的研究方案來提高檢測準確率，對促進醫療的發展具有重要的意義。

關鍵詞 肺結節;自動檢測;深度學習;卷積神經網絡

中圖分類號： TN929.5 文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.02.051

0 引言

近年來，隨著社會經濟的不斷發展，肺癌的發病率、致死率已位列常見惡性腫瘤的第1位，且隨著我國人口老齡化，罹患肺癌的總人數呈現持續升高態勢[1]。循證醫學數據顯示，早期肺癌5年的生存率顯著高于中晚期肺癌，故早發現、早診斷及早治療是改善預后的重要途徑。肺癌的早期表現形式是肺結節，因此肺結節的檢測對于早期肺癌的確診有著重大的幫助。傳統肺結節的檢測方法是醫生通過肉眼觀察肺部的數百張CT圖像切片來找出每一張CT圖像切片中是否含有肺結節，然而較微小的肺結節在CT影像上看與血管較為相似，容易遺漏，因此醫療影像輔助診斷就顯得尤為重要。故幫助醫生準確快速地檢測出肺結節是在未來智能醫療領域醫療影像AI方向中需要解決的問題之一[2]。本文分析現有的肺結節檢測中出現的問題，并在此基礎上提出新的新的解決方案。

1 智能醫療領域中肺結節檢測方案分析及存在的問題

在智能醫療的大環境下，肺結節的檢測研究主要分成了兩個方向：機器學習檢測肺結節以及深度學習的方法檢測肺結節。

機器學習檢測肺結節就是在數據量較少的情況下由專家手動標記像素值，形狀，紋理等特征。深度學習檢測肺結節需要大量的數據，該方法可以從數據中直接獲取更高等級的特征，深度學習削減了對每一個問題設計特征提取器的工作。在智能醫療發展的大環境下，采用何種肺結節檢測方法將直接影響肺結節檢測的準確率。

在早期的肺結節檢測當中，研究人員主要集中在借助結節類型的病理知識提取鑒別形態特征，并應用相對簡單的線性分類器，如logistic回歸或支持向量機（Lee等[3]人提出基于改進模板匹配技術的螺旋CT肺結節自動檢測，Ye等[4]人提出了在胸部CT圖像中基于形狀的肺結節計算機輔助檢測的方法）。對于肺結節的傳統檢測技術，主要是運用基于傳統的機器學習的方法。該方法流程較煩瑣，更多的是利用人工設計的特征，制約了算法的性能。

近年來，伴隨著醫療影像大數據趨勢的發展以及深度神經網絡在單一框架下學習層次特征表示和分類識別的流行和成功，越來越多的研究學者借助深度學習的方法來解決肺結節檢測的問題。Ross Gruetzemacher等[5]人使用卷積神經網絡對肺實性結節進行良惡性判別，最終通過10層隱藏層的網絡結構，對肺結節進行檢測，準確率為82.10%。Shelia Ramaswamy等[6]人利用現有的卷積神經網絡模型AlexNet，GoogleNet等對15562張肺部CT進行了識別，準確率為89.6%。劉家寶[7]利用CNN識別肺結節的良惡性屬性，以殘差網絡為主干網絡，在置信度閾值選取為0.58時，實現了90.8%的準確率。WANG[8]提出了一種基于多視角卷積神經網絡（MV-CNN）的方法，該網絡利用全連接層整合了三條卷積神經網絡分支，可有效地對多種肺結節檢測。

這些方法的共同特點是敏感性高，特異性低，識別率不高，研究空間大。上述不同類型的算法從不同的角度對肺結節進行了檢測，不同的算法各有優劣、各有側重點，但這些算法對于提高假陽性肺結節檢測率以及一些難例肺結節的檢測，仍存在一些缺陷目前并沒有得到解決。

現階段研究學者們檢測肺結節大部分都是直接采用端到端的檢測方式。如果將病例圖片先用傳統方法進行肺實質分割處理后再用深度學習方法進行肺結節的檢測可以大大減少后續操作并且有效的彌補在檢測肺結節中僅采用以上算法而導致的缺點。通過應用該改進算法可以提高檢測肺結節的準確率，有效解決了一些難例肺結節難以檢測或檢測出假陽性肺結節的情況。

2 新的肺結節檢測方案探討

2.1 病例圖像預處理（肺實質分割）

由于肺部組織結構復雜，同時受低劑量CT掃描設備的影響，肺部CT圖像還存在高噪聲和偽影現象，這些問題一定程度上影響了肺實質分割的準確性。為了減少上述因素對分割準確性的干擾，需要對病例CT圖像做濾波操作（高斯濾波）和去噪操作（ROF去噪）以及圖像增強操作。

為了減少檢測區域，節省運算時間，提高準確率，在肺部疾病的計算機輔助診斷中，肺實質的正確分割尤為重要。首先對病例圖像進行全局閾值的操作，對連通區域標記獲取輪廓，利用基于閾值的改進算法去除氣管、肺液等干擾，分離肺實質與背景，運用區域生長法對左右肺葉粘連的情況進行有效分離，并提取最大連通區域，然后進行孔洞填充與掩膜相減操作，剔除面積小于1000的連通區域后，用掩膜乘原圖即可得到肺實質分割圖像。

2.2 改進后的卷積神經網絡算法檢測肺結節

改進后的卷積神經網絡算法檢測肺結節可以包含兩個階段：（1）肺結節候選檢測，（2）假陽性抑制。

在第一個階段肺結節候選檢測中該方法的基本特征提取的網絡是VGG卷積神經網絡。在較大的肺部圖像中檢測較小的結節是一項具有挑戰性的任務。肺結節的最小直徑約為3毫米，最大尺寸約為30毫米，屬于圖像中非常小的物體。由于肺結節的這一特點，在使用CNN進行肺結節檢測時，感受野的選擇對肺結節的檢測具有重要的意義。經過一系列的卷積和匯集，感受野變大。由于小的特征圖不能清晰地表示結節的特征，會導致其檢測ROI區域受到限制。故在改進過程中要使卷積層的特征圖大一些。

神經網絡的一個普遍的規律是：淺層網絡的感受野小，提取到的是局部特征，深層網絡感受野更大，提取到的是一些物體級別的高語義特征，對于識別目標尤為重要，決定了模型的表達能力。故在第一個階段肺結節候選檢測中改進VGG網絡模型，把由淺到深的兩個VGG模型級聯，做到可以由粗到細的篩選候選肺結節。

在第二個階段中之所以采用ResNet網絡模型作為假陽性抑制模型的基本特征提取網絡，是因為當網絡變得越來越深的時候，訓練的準確率會趨于平緩，為了解決這一問題，引入殘差塊。然后把改進后的Resnet模型和VGG模型進行級聯，可以提高假陽性肺結節檢出率。

該改進后的方案可以有效地解決一些難例肺結節難以檢測或檢測出有假陽性肺結節的情況。并且可以減輕放射科醫生的負擔，為醫生提供了更客觀更準確地診斷結果，具有重要的臨床應用價值和研究意義。

3 結論

本文分析了智能醫療領域中現有的肺結節自動檢測方案以及存在的問題，以此為基礎，提出并討論了一種全新的肺結節檢測方案。該方案運用傳統方法對病例圖像進行了預處理操作（肺實質分割），并改進已有的卷積神經網絡對肺結節進行檢測，可以提高難例肺結節的檢出率，為智能醫療打下了夯實的基礎。

參考文獻

[1]鄒小農，中國肺癌流行病學，中華腫瘤防治雜志，2007，14（2）;881-883.

[2]R.LSiegel，K.D.Miller，A Jemal，Cancer statistics，2016，CA，Cancer J，Clin.2016.

[3]Lee Y，et al Automated detection of pulmonary nodules in helical CT images based on an improved template-matching technique.IEEE Transactions on Medical Imaging， 20（7）（2001）， pp. 595-604.

[4]Ye X，et al Shape-based computer-aided detection of lung nodules in thoracic CT images.IEEE Transactions on Biomedical Engineering，56（7）（2009），pp.1810-1820.

[5]Gruetzemacher R，Gupta A.Using deep learning for pulmonary nodule detection&diagnosis[J].2016.

[6]Ramaswamy S，Truong K.Pulmonary Nodule Classifica tion with Convolutional Neural Network[J].2018.

[7]劉家寶.CT肺結節診斷的計算機輔助系統研究[D].北京：首都醫科大學，2017.

[8]WANG S ZHOU M，GEVAERT O，et al A multi-view deep convolutional neural networks for lung nodule segmentation[C].Proceedings of AnNual International Conference of the IEEE Engineering in Medicine and Biology Society，2017：1752-1755.