基于改進后的3D-Unet肺結節(jié)圖像檢測研究

陳星宇

摘 ?要：肺結節(jié)檢測技術目前是醫(yī)學圖像處理領域中的一個熱門研究課題。該文旨在探討如何快速有效地完成打通整個肺結節(jié)檢測的流程，實現(xiàn)對輸入的胸部CT圖像進行肺結節(jié)檢測。該文利用patch與patch之間的空間關系，針對數(shù)據(jù)集進行合理的數(shù)據(jù)增強和模型調優(yōu)，提高模型泛化能力。使用圖像分割檢測圖像中所有可能是肺結節(jié)的區(qū)域，生成候選集，使用一種基于改進后的3D-Unet醫(yī)學圖像處理模型對上一步驟生成的結果進行分類，剔除假陽性的候選，保留真正的結節(jié)，實現(xiàn)對輸入的胸部CT圖像進行肺結節(jié)檢測。該技術不僅可用于肺結節(jié)CT智能診斷，也能應用于甲狀腺癌、乳腺癌、腦瘤、腎癌、肝癌等重大疾病，具有重要的醫(yī)學價值和社會價值。

關鍵詞：3D-Unet ?圖像分割 ?肺結節(jié) ?機器學習

中圖分類號：TP39 ? ? ? ? ?文獻標識碼：A 文章編號：1672-3791（2020）08（c）-0217-03

Abstract： Lung nodule detection technology is a hot topic in the field of medical image processing. This paper aims to explore how to quickly and effectively complete the whole process of pulmonary nodule detection， so as to realize the detection of pulmonary nodules on the input chest CT images. In this paper， the spatial relationship between patch and patch is used to enhance the data set and optimize the model to improve the generalization ability of the model. Image segmentation is used to detect all possible areas of lung nodules in the image， and candidate sets are generated. An improved 3D UNET medical image processing model is used to classify the results generated in the previous step. False positive candidates are eliminated and the real nodules are retained to realize the detection of pulmonary nodules in the input chest CT image. The technology can not only be used in CT intelligent diagnosis of pulmonary nodules， but also be applied to thyroid cancer， breast cancer， brain tumor， renal cancer， liver cancer and other major diseases， which have important medical and social value.

Key Words： 3D UNET; Image segmentation; Pulmonary nodules; Machine learning

肺結節(jié)檢測技術目前是醫(yī)學圖像處理領域中的一個熱門研究課題。肺結節(jié)類醫(yī)療人工智能產(chǎn)品無疑是目前最熱門的方向，中國年新增肺癌患者數(shù)量全球第一，年肺癌因素死亡人數(shù)全球第一，早篩需求旺盛，低劑量螺旋CT正被廣泛推廣。從圖像質量上來說，胸部CT圖像分層薄、視野清晰、干擾因素少、病灶特征規(guī)律可循，是智能影像判讀的理想用武之地，加之中國影像醫(yī)師的稀缺及國家政策的大力推動，這一領域的應用基礎堪稱完美。

1 ?優(yōu)化傳統(tǒng)機器學習輔助診斷

該項目將利用patch與patch之間的空間關系，提升模型的準確性，針對數(shù)據(jù)集進行合理的數(shù)據(jù)增強和模型調優(yōu)，提高模型泛化能力。使用圖像分割（segmentation）算法檢測圖像中所有可能是肺結節(jié)的區(qū)域，生成候選集。使用一種3D-Unet算法對上一步驟生成的結果進行分類，剔除假陽性的候選，保留真正的結節(jié)。將訓練圖像分割模型（U-net）和三維卷積神經(jīng)網(wǎng)絡（3D-CNN）模型進行模型串聯(lián)，最終形成3D-Unet模型，完整打通整個肺結節(jié)檢測的流程，實現(xiàn)對輸入的胸部CT圖像進行肺結節(jié)檢測。最終逐步實現(xiàn)：（1）機器（交互平臺）完成初步篩選、判斷，交由醫(yī)生完成最后判斷。（2）人工智能快速完成初篩，交由醫(yī)生進行判斷，大幅縮短醫(yī)生閱片時間。

2 ?基于改進后的3D-Unet醫(yī)學圖像處理模型

在生物醫(yī)學影像處理的時候，很多數(shù)據(jù)都是塊狀的，實際上是由多個切片堆疊成一張3D的圖像。如果用Unet處理3D的圖像，需要將3D的圖像切成多個切片2D數(shù)據(jù)，忽略了不同切片之間的內在聯(lián)系和空間維度的關系，使得準確度難以提升。因此，將3D數(shù)據(jù)一層一層轉化為2D數(shù)據(jù)進行標準訓練是不現(xiàn)實的，而且用整個3D體積的全部數(shù)據(jù)去訓練既效率低又會造成過擬合的問題。該文利用3D卷積神經(jīng)網(wǎng)絡進行訓練，在少部分2D的標注切片上就能夠形成密集的立體分割。這種網(wǎng)絡有兩個好處：一是在稀疏標注的數(shù)據(jù)集上訓練并能夠預測其他未標注的地方;二是能夠在多個稀疏標注的數(shù)據(jù)集上進行訓練，然后預測新的數(shù)據(jù)。該文以3D-Unet作為基礎模型，在3D-Unet上進行改進。

為了證明方法的有效性，該文在BRATS 2018數(shù)據(jù)集上進行實驗驗證。BRATS 2018的訓練集中有285個病例，每個病例有4個模態(tài)，需要分割出whole tumor， enhance tumor and tumor core。該文將每個病例以3D的形式輸入3D uent。該文的實驗環(huán)境為Linux電腦，使用了一塊2080Ti GPU，使用的深度學習環(huán)境是Keras。該文分別在3D-Unet和改進后的 3D-Unet上進行實驗對比，證明該文方法的有效性。

圖1是原始3D-Unet的loss和該文提出的改進后的3D-Unet的loss。通過對比發(fā)現(xiàn)，該文提出的改進后的3D-Unet的loss值下降較快，且波動較小，而且validation loss和training loss值箱單，說明該文提出的方法的魯棒性較好，不容易存在過擬合的現(xiàn)象，不止在訓練集上效果良好。

圖3是測試集上的結果，通過結果可以看到，兩種算法在Enhancing Tumor這個指標上效果都不好，說明未來還需要更好地改進算法提高這個指標。在Whole Tumor和Tumor Core上，該文提出的改進后的3D-Unet效果明顯優(yōu)于原來的3D-Unet算法。

3 ?結語

該文利用3D-Unet進行訓練，在少部分2D的標注切片上就能夠形成密集的立體分割。這樣不僅在稀疏標注的數(shù)據(jù)集上訓練并能夠預測其他未標注的地方，還能夠在多個稀疏標注的數(shù)據(jù)集上進行訓練，然后預測新的數(shù)據(jù)。為醫(yī)生進行肺癌預測性診斷提供有效輔助，旨在嘗試建立肺結節(jié)定性診斷的輔助診斷模型，以實現(xiàn)肺結節(jié)的智能化快速和準確診斷，為臨床提供一種現(xiàn)代化、智能化輔助診斷方法。

參考文獻

[1] Shen W，Zhou M，Yang F，et al. Learning from Experts： Developing Transferable Deep Features for Patient-Level Lung Cancer Prediction[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention.2016：124-131.

[2] Tang X，Wang X，Luo P.Hierarchical face parsing via deep learning[C]//Proceeding of the 2012 IEEE Confereceon Computer Vision and Pattern Recognition.2012：2480-2487.

[3] Hu J，Shen L，Sun G.Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2018：7132-7141.

[4] 田繼祥，王碩禾，張冰華，等.基于分數(shù)階改進Retinex低光圖像增強的儀表檢測算法[J].濟南大學學報：自然科學版，2020（4）：313-320.

[5] 袁野，和曉歌，朱定坤，等.視覺圖像顯著性檢測綜述[J].計算機科學：，2020，47（7）：84-91.

[6] 曾建華，黃時杰.典型圖像邊緣檢測算子的比較與分析[J].河北師范大學學報：自然科學版，2020，44（4）：295-301.