應用機器學習模型的CT圖像自動判讀技術研究

姜微

摘? 要：近年來，應用機器學習模型與技術的醫學影像分析方法開始得到應用，其能夠用于輔助醫生決策或者解決臨床實踐中的棘手問題，因而具有較大的研究與應用價值。文章旨在研究如何針對醫學圖像中常見的CT圖像進行智能的自動判讀技術，通過使用計算機技術提取出相關的特征，再依據提取的特征建立機器學習的模型進行判斷，提高判斷精準度，從而輔助醫生進行更好的診斷。

關鍵詞：機器學習;大數據;CT圖像;輔助診斷;人工智能

中圖分類號：TP391.41? ? ? 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）36-0015-02

Abstract： In recent years， machine learning models and technology has been applied in medical image analysis. It can be used to assist doctors in decision-making or solve difficult problems in clinical practice， so it has great research and application value. This paper aims to study how to carry out automatic intelligent interpretation technology for common CT images in medical images， extract relevant features by using computer technology， and then establish machine learning model for judgment according to the extracted features， so as to improve the accuracy of judgment， and assist doctors in better diagnosis.

Keywords： machine learning; big data; CT image; auxiliary diagnosis; artificial intelligence

醫學影像在醫學診斷中具有無可替代的重要作用，其包含了大量人眼無法識別的信息，對準確識別相關疾病的具體情況，進行準確的醫學診斷乃至確定具體的醫療策略，都能夠提供比較客觀可信的依據。

近年來，隨著圖像處理與人工智能技術的發展[1]，應用基于醫學影像大數據的分析方法來輔助醫生決策或者解決臨床實踐中的棘手問題成為研究熱點[2]。傳統的CT影像判讀主要是依靠醫生的經驗判斷，不僅費時且費力。因此，研究一種智能分析識別CT圖像具體情況，并進行智能分類判別的技術是十分必要的。

1 機器學習模型

機器學習（Machine Learning）[3]是計算機科學的一個重要分支，其總體目標是，通過科學系統化的算法流程與模型，將目標數據中的有用的特定模式發現出來，并將之應用于自動化智能化的任務。具體來說，機器學習研究的主要內容，是通過設計學習算法，以從數據中產生適用于解決具體任務的“模型”。以CT圖像判別為例，應用機器學習的目的是用于對具體的圖像數據進行智能的判斷，識別對應的CT圖像是否存在異常，這個過程由最終的機器學習模型自動確定。

在CT圖像數據的機器學習建模過程中，在對圖片特征提取后，本文可根據標注樣本的類別，分類為陽性和陰性，并采用多種分類方法進行判別。具體的方法可運用基于隨機森林（Random Forest）[4]的分類方法、基于樸素貝葉斯的分類方法等。可首先采用隨機森林算法對圖片的特征進行訓練，并使用不同的特征進行多次訓練，最后獲得多個相關性較強的特征，并使用10次交叉驗證等方法來確定最終的模型。基于樸素貝葉斯的分類過程也類似。

2 CT圖像分割

一般來說，應用機器學習進行CT圖像分割的方法，可以從目前比較成熟的方法中進行借鑒。目前機器學習中的深度學習方法在分割中能夠達到較好的效果。本文選用基于全卷積神經網絡（簡稱FCN）框架的方法，特別地，可選擇具體的U-Net卷積神經網絡方法進行解決。

通常卷積神經網絡（簡稱CNN）在卷積層之后會連接若干個全連接層， 從而將卷積層產生的特征圖映射成固定長度的特征向量，以便進一步獲得分類結果。以AlexNet為代表的經典CNN結構適合于圖像級的分類和回歸任務，因為它們最后都期望得到整個輸入圖像的一個數值描述（概率）。

相比之下，全卷積神經網絡對CT圖像進行分類更有優勢，其能夠實現比較自然的像素級的分類，由此實現圖像分割任務。與卷積神經網絡不同，全卷積神經網絡可接受任意尺寸的CT圖像作為輸入，并在最后一個卷積層采用反卷積層操作進行上采樣， 對其圖像大小進行恢復，再在此基礎上對每個像素都進行分類預測， 也即實現逐像素的分類。

基于全卷積神經網絡的算法較多，本文選擇U-Net方法。具體來說，U-Net共有23個卷積層，大致的模型結構是，其包含多個2x2、3x3卷積層，多個max pooling層，同時包含擴展路徑與收縮路徑，用于分別實現下采樣與上采樣，并通過剪裁等操作保持圖像邊緣。最后，模型包含一個1x1卷積層，從而用來將維度為64維的特征向量映射到某一個具體的類別判定標簽。

3 分類判別方法

本文將選擇樸素貝葉斯算法與隨機森林算法，對提取了CT圖像特征的數據進行分類模型的構建。

樸素貝葉斯分類算法是一類具有廣泛應用的成熟算法[5]，其具體算法過程如下：

（1） 給定CT圖像數據集作為訓練集，設其屬性有n個（記為B1，B2，…，Bn）。將每一個提取特征后的CT圖像數據樣本，表示為n維的向量，并將之記為Y=（y1，y2，…，yn）。在上式中，y1，y2，…，yn分別對應為這n個屬性的具體取值。

（2）假定目標的判別類別有m類，將其記為C1，C2，…，Cm，模型的目標即為確定每個數據樣本所歸屬的類別（CT圖像對應的診斷結果）。對于每個具體樣本Y來說，根據貝葉斯理論，可以通過條件概率與后驗概率的轉換計算，求解得出在給定樣本Y情況下，其屬于某一個診斷類別Ck（1≤k≤m）的后驗概率P（Ck|Y）。

（3） 在計算得出所有診斷類別的后驗概率之后，貝葉斯分類法求出這些概率值的最大值所對應的診斷類別Ci，并將之指定為樣本Y的預測類別，也即有下式成立：

隨機森林是一種組合分類器算法。利用Bootstarp算法初始化不同的CT圖像數據訓練集，然后訓練得到相應的模型，將其組合在一起，最后得到隨機森林模型，通過投票等方法來進行預測分類。

隨機森林是由決策樹集成，必須考慮決策樹的特點，即準確性，多樣性和決策樹的數量。主要參數包括森林樹木的數量即決策樹的數量，尋找最佳分割時需考慮特征數量和葉節點上的最小樣本數量等。

隨機森林訓練生成多顆“隨機”的決策樹，本文在建模過程中，確定樹木數量的范圍為[100，500]，通過使用包外樣本來估計泛化精度，研究不同樹木數量對隨機森林模型的影響。

在具體實現方面，可利用 Python 語言進行開發，結合開源的機器學習程序庫 scikit-learn來構建實現過程，對隨機森林模型中的決策樹個數、隨機特征個數、葉節點最小樣本數等進行詳細的調試與設定。首先，針對隨機特征的個數確定問題，可將隨機數據特征數目設置為n，嘗試多個n值，構建多個備選模型，并比較其優缺特性，選定符合要求的n值作為最終的設置值。進一步地，通過固定模型中的其他參數，以準確率作為評判標準指標，對隨機特征的個數進行交叉驗證（本文選用10折交叉法），最后，對多個模型進行初步評估，并逐步確定模型的各個參數。

4 算法流程

針對收集到的CT圖像數據，根據其標定的診斷類別結果，應用機器學習模型與算法，進行詳細研究，利用機器學習方法來構建的面向CT圖像的智能診斷模型。

（1）利用統計分析對CT圖像數據進行探索，發現樣本數據和圖像特征存在一定的相關性，同時研究圖像數據相對于診斷類別是否存在類別不平衡的問題。

（2）基于end-to-end全卷積神經網絡架構的U-Net算法模型實現像素級別的判別比較模型，并在此基礎上為特征提取做好準備。

（3）在（2）所得結果的基礎上，進行多角度的圖像特征提取，取得相關性較強的圖像特征作為新構建的數據集的特征集。也即，通過以上大數據與人工智能的手段，通過自動的方式，從CT圖像中提取具有較強語義的特征信息，無疑將會有助于臨床的專業醫生進行更好的判斷，也有利于下一步的分類判別模型構建。

（4）在經過以上特征提取工作，以及其他的數據預處理之后，利用以上特征向量構成的數據集，設計樸素貝葉斯、隨機森林模型，對數據進行自動的診斷分類預測。

（5）通過具體的訓練實驗進行模型對比，并選取精確率、召回率和F1等多項評價指標，對所得結果模型的各方面性能進行全面評估，用實際的CT圖像數據來驗證其有效性，從而在一定程度上為自動化、智能化的輔助臨床決策提供支持。

5 結束語

在本文中，我們針對醫療診斷實踐中常見的CT圖像判讀診斷問題，對如何利用機器學習方法，對其實現自動化、智能化診斷的具體技術路徑進行了研究與探討。如果基于機器學習模型與技術的醫學影像分析方法能夠得到廣泛而有效的應用，必將能夠有助于為醫生決策或者解決臨床實踐中的棘手問題提供更多的實現路徑，因而具有較大的研究與應用價值。

參考文獻：

[1]Krizhevsky A， Sutskever I， Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[G]//Pereira F， Burges C J C， Bottou L， et al. Advances in Neural Information Processing Systems 25. Curran Associates， Inc.， 2012： 1097-1105.

[2]張良均，王路，譚立云，等. Python 數據分析與挖掘實戰[M].北京：機器工業出版社，2015：66.

[3]Goodfellow I， Bengio Y， Courville A， et al. Deep learning[M]. MIT press Cambridge， 2016，1.

[4]Cernadas E， Amorim D. Do we need hundreds of classifiers to solve real world classification problems？[J]. Journal of Machine Learning Research， 2014，15（1）：3133-3181.

[5]郁磊.MATLAB智能算法30個案例分析（第2版）[M].北京：航空航天大學出版社， 2015.