基于多特征融合與XGBoost的肺結(jié)節(jié)檢測

潘子妍，邢素霞，逄鍵梁，申楠，王瑜，劉子驕，鞠子涵

1.北京工商大學(xué)人工智能學(xué)院，北京 100048；2.空軍特色醫(yī)學(xué)中心，北京 100048

前言

隨著我國工業(yè)發(fā)展迅速、吸煙人群年輕化，肺部疾病發(fā)病率每年呈上升趨勢［1］，特別是今年受全球新冠肺炎疫情的影響，肺部疾病成為嚴(yán)重威脅人類健康的疾病之一，具有起病急、進(jìn)展快等特點［2］。英國癌癥研究機構(gòu)的研究數(shù)據(jù)顯示，肺癌患者的5年生存率在I 期為87%，而IV 期僅為19%［3］，因此早發(fā)現(xiàn)早治療，可有效提高生存率，避免病情惡化，降低病死率。

計算機斷層掃描技術(shù)（Computed Tomography,CT）被認(rèn)為是檢測肺部病變最精確的成像模態(tài)［4］。肺癌的早期表現(xiàn)為肺結(jié)節(jié)，但由于肺腔內(nèi)部形態(tài)復(fù)雜，肺結(jié)節(jié)的大小和位置均各不相同，僅靠醫(yī)生的人工閱片難以避免漏診的情況。因此，研究人員提出計算機輔助檢測系統(tǒng)（Computer Aided Diagnosis,CAD）以輔助醫(yī)生檢測肺結(jié)節(jié)，減輕醫(yī)生負(fù)擔(dān)，提高準(zhǔn)確率，降低假陽性率［5］。

國內(nèi)外專家學(xué)者也提出了很多肺結(jié)節(jié)檢測的算法，Li 等［6］采用改進(jìn)的隨機游走算法自動分割肺結(jié)節(jié)，結(jié)合灰度共生矩陣、旋轉(zhuǎn)不變的均勻局部二值模式和Gabor濾波方法生成特征向量，利用交互信息來降維，采用改進(jìn)的隨機森林分類模型對結(jié)節(jié)進(jìn)行分類。劉一鳴等［7］采用圖像中心坐標(biāo)隨機平移和旋轉(zhuǎn)兩種方法對正樣本進(jìn)行擴充，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)2D-CNN 進(jìn)行肺結(jié)節(jié)檢測。Chi等［8］采用擴展層代替卷積層，增加了感受域，提高網(wǎng)絡(luò)學(xué)習(xí)圖像全局信息的能力，對U-net 網(wǎng)絡(luò)改進(jìn)后構(gòu)成DCNN（Deep Convolutional Neural Network）模型。雖然目前已有許多肺結(jié)節(jié)檢測的方法，但仍然沒有達(dá)到臨床應(yīng)用的要求。為了提高肺結(jié)節(jié)的檢測精確度，本研究提出一種優(yōu)化特征來優(yōu)化肺結(jié)節(jié)檢測模型，采用基于超分辨率重建的卷積神經(jīng)網(wǎng)絡(luò)（Super-Resolution Convolutional Neural Network, SRCNN）優(yōu)化特征的提取，基于詞袋（Bag-of-Words, BoW）進(jìn)行多特征融合優(yōu)化假陽性結(jié)節(jié)的去除，有效地輔助醫(yī)生提高肺癌診斷的效率。

1 候選結(jié)節(jié)的提取

本研究對候選結(jié)節(jié)的提取主要包括2個步驟，分別是肺實質(zhì)的分割、候選結(jié)節(jié)的分割。

1.1 肺實質(zhì)的分割

在每張肺部CT 斷層圖像中，均包括了胸廓外組織（肌肉等），胸廓（肋骨、脊柱等），內(nèi)部臟器，肺實質(zhì)及肺內(nèi)血管氣管組織［9］，如圖1所示。其中肺結(jié)節(jié)只存在肺實質(zhì)中，因此為減少無關(guān)組織的干擾和降低不必要的計算量，在候選結(jié)節(jié)的分割處理之前，先從CT圖像中分割出肺實質(zhì)區(qū)域。

圖1 肺部CT斷層圖像Fig.1 Lung CT image

肺實質(zhì)分割從CT 圖像中確定左右肺實質(zhì)的邊界，并去除兩肺邊界以外的區(qū)域，進(jìn)而消除干擾：通過灰度對調(diào)和形態(tài)學(xué)重建的方法對肺部CT 圖像降低計算復(fù)雜度，為有效分割肺結(jié)節(jié)的相關(guān)區(qū)域提供依據(jù)。首先對肺實質(zhì)分割的具體步驟行預(yù)處理；其次采用迭代閾值法二值化圖像；然后結(jié)合最大連通分量法與空洞填補法獲得肺實質(zhì)輪廓；最后將肺實質(zhì)輪廓與原始肺部CT 圖像進(jìn)行掩膜計算，最終獲得肺實質(zhì)圖像，如圖2所示。

圖2 肺實質(zhì)分割過程Fig.2 Results of the lung parenchymal segmentation

1.2 候選結(jié)節(jié)的分割

在獲得完整肺實質(zhì)圖像后，需對其進(jìn)行感興趣區(qū)域（Region of Interest,ROI）的提取，即候選結(jié)節(jié)的分割。肺結(jié)節(jié)在肺實質(zhì)中通常表現(xiàn)為直徑3～30 mm的圓形或類圓形致密影。候選結(jié)節(jié)分割的方法主要有閾值法、區(qū)域分割法、聚類法等。

本研究采用中值濾波方法去除肺實質(zhì)內(nèi)存在的干擾噪聲，如圖3a 所示；采用全局自適應(yīng)閾值分割法實現(xiàn)肺實質(zhì)內(nèi)目標(biāo)和背景的分離；將目標(biāo)ROI輪廓與原始肺部CT 圖像進(jìn)行掩膜計算，如圖3b 所示；采用連通區(qū)域標(biāo)記法標(biāo)記ROI的序號；最終將ROI的質(zhì)心作為中心點，裁剪出51×51 的子圖像，并將其作為候選結(jié)節(jié)圖像保存。

圖3 候選結(jié)節(jié)提取過程的結(jié)果圖Fig.3 Result of candidate nodule extraction

2 特征提取與融合

在分割后的候選結(jié)節(jié)里，依然存在著血管、氣管等假陽性結(jié)節(jié)，為了精確檢測并識別出肺結(jié)節(jié)，需要對其進(jìn)行特征提取，去除假陽性結(jié)節(jié)。因此，本研究先采用SRCNN 進(jìn)行圖像分辨率和特征的增強；再采用快速魯棒特征（Speeded Up Robust Features,SURF）方法、灰度共生矩陣（Gray-Level Co-occurrence Matrix,GLCM）和Hu 不變矩提取ROI 的尺度空間特征、紋理特征和幾何特征；最終采用BoW 模型降維后串行融合為新的特征矩陣。

2.1 基于SRCNN的特征增強

超分辨率（Super Resolution, SR）圖像重建技術(shù)［10］對圖像中的高頻部分進(jìn)行填充，使圖像的細(xì)節(jié)部分更加清晰，且重建后圖像在視覺效果更好，故本研究選用SRCNN 對候選結(jié)節(jié)圖像進(jìn)行特征增強。SRCNN是一種用于實現(xiàn)圖像超分辨率的特定卷積神經(jīng)網(wǎng)絡(luò)模型［11］，其使用雙3次插值算法將原始低分辨率圖像擴展成目標(biāo)尺寸大小的插值圖像Y后；將Y通過3 層卷積網(wǎng)絡(luò)進(jìn)行圖像塊特征提取、非線性映射、重建3 個過程的非線性映射關(guān)系F(Y)變換，最終獲得高分辨率圖像。其在雙3 次插值算法處理圖像后對圖像進(jìn)行擬合輸出，有效確保圖像分辨率的提高。

SRCNN 結(jié)構(gòu)有3 層，如圖4所示。其中f和n分別表示濾波器的空間大小和濾波器的個數(shù)。

圖4 SRCNN結(jié)構(gòu)Fig.4 Super-resolution convolutional neural network structure

SRCNN 的第一層相當(dāng)于通過一組過濾器對圖像進(jìn)行卷積操作F1，利用卷積網(wǎng)絡(luò)的性質(zhì)提取圖像塊的特征：

其中，W和B分別代表了濾波器和偏差。且將校正后的線性單元(ELU,max(0,x))用于濾波器響應(yīng)。

第二層為非線性映射，第一層的每一個n1維向量對應(yīng)于圖像中的一個圖像塊，將提取出來的特征映射到n2維向量中：

第三層為重建操作，均勻分配并整合上一步得到的高分辨率圖像塊，輸出最高分辨率重建圖像［12］：

候選結(jié)節(jié)圖像增強前后對比如圖5所示。

圖5 圖像增強前（a）后（b）對比圖Fig.5 Comparison of image before(a)and after(b)enhancement

2.2 SURF特征

SURF 算法是一種快速特征點檢測算法，具有旋轉(zhuǎn)、平移和縮放不變性。采用SURF 算法提取特征主要包括3個重要步驟。

（1）特征點檢測。SURF 特征提取的首要任務(wù)是將尺度空間的極值點作為候選特征點進(jìn)行檢測［13］。通過不同大小的盒子濾波器與原始圖像在不同方向上進(jìn)行卷積，構(gòu)建尺度空間金字塔。對尺度空間中的每一層使用Hessian矩陣進(jìn)行極值點計算。為平衡準(zhǔn)確值與近似值間的誤差引入權(quán)值，則Hessian 矩陣判別式的近似計算可表示為：

其中，w為權(quán)重系數(shù)，其值與尺度σ相關(guān)，在實際的應(yīng)用中通常取值為0.9。如果d(Happrox)取值為正，即可確定該點為極大值或極小值［14］。當(dāng)確定局部極值后，將其與3×3×3的立體內(nèi)的上下尺度及本尺度周圍共26 個鄰域值進(jìn)行非最大值抑制（Non-Maximum Suppression, NMS），把極大值或者極小值的點篩選為候選特征點，再通過插值運算獲得穩(wěn)定特征點的尺度值和所在位置。

（2）特征點主方向的確定。以特征點為中心，計算鄰域內(nèi)的點在x和y方向上的Haar小波響應(yīng)，并賦予這些響應(yīng)高斯加權(quán)系數(shù)；最后將響應(yīng)累加成新的矢量，選擇最長矢量方向作為特征點的主方向，如圖6所示。

圖6 確定特征點主方向的過程圖Fig.6 Process diagram for determining the main direction of feature points

（3）特征點描述符的生成。以特征點為中心，將特征點的主方向設(shè)置新坐標(biāo)軸。首先將窗口劃分為4×4 個子窗口，分別計算子窗口中的每個小窗口在x和y方向上的小波響應(yīng)，記為dx和dy；然后加入高斯加權(quán)系數(shù)，并對子窗口中的響應(yīng)系數(shù)進(jìn)行求和與絕對值求和計算，最終每個子窗口有4 個特征描述符，每個特征點有4×16共64個特征描述符。

因此，每張圖像可以通過SURF 算法確定N個特征點，最終獲得N×64維的特征矩陣。

2.3 GLCM

GLCM 算法針對圖像灰度空間的相關(guān)特性進(jìn)行計算來描述灰度圖像特征［15］。候選結(jié)節(jié)圖像是灰度圖像，對于ROI 分別計算0°、45°、90°、135°這4 個方向，獲取4 個互不相關(guān)的特征值，分別是能量、熵、對比度（慣性矩）和相關(guān)性。最后，針對這4個特征值分別求取均值和標(biāo)準(zhǔn)差，進(jìn)而生成8維的特征向量。

2.4 Hu不變矩

Hu不變矩以圖像歸一化中心不變矩的形式來表示圖像幾何特征，具有平移、尺度和旋轉(zhuǎn)不變性［16］。肺結(jié)節(jié)具有非對稱性和方向性，因此Hu 不變矩能夠較好地描述肺結(jié)節(jié)在形態(tài)學(xué)以及統(tǒng)計學(xué)上的特征。該方法利用連續(xù)狀態(tài)下的二階和三階中心矩構(gòu)造了7個Hu不變矩特征值，最終生成7維的特征向量。

2.5 基于BoW模型的多特征融合

由于候選結(jié)節(jié)圖像得到的SURF 特征向量是針對每個關(guān)鍵點的描述，導(dǎo)致每張候選結(jié)節(jié)圖像中關(guān)鍵點個數(shù)不一致，如圖7所示，導(dǎo)致所提取的特征矩陣維度也不同，因此本研究采用BoW模型進(jìn)行降維。

圖7 候選結(jié)節(jié)的SURF特征的關(guān)鍵點Fig.7 Key points of SURF features of candidate nodules

BoW 模型的核心是采用K-means 聚類方法得到K個分類，抽象為BoW 詞匯表中的K個詞匯，每張候選結(jié)節(jié)圖像均可由聚類形成的K個中心詞匯集表示，形成的描述向量經(jīng)過L2 歸一化，得到圖像的BoW 描述，即每張候選結(jié)節(jié)圖像可由一個［1×K］的詞袋描述向量表示，且此向量內(nèi)的每個元素可表示成在描述指定圖像時所對應(yīng)“詞匯”出現(xiàn)的次數(shù)。

最后每張候選結(jié)節(jié)圖像的特征可以用向量ν來描述：

其中，νK表示BoW-SURF 描述的特征向量，νGLCM表示GLCM 方法提取的特征向量，νHu表示Hu 不變矩方法提取的特征向量。

3 基于XGBoost的假陽性去除

XGBoost分類模型是一個集成學(xué)習(xí)模型，主要思想是訓(xùn)練多個決策樹，通過集成方法將它們組合成一個強分類模型。XGBoost 算法是將損失函數(shù)的負(fù)梯度作為當(dāng)前擬合的殘差值以實現(xiàn)準(zhǔn)確的分類效果。不同于傳統(tǒng)集成決策樹算法，該算法對目標(biāo)函數(shù)進(jìn)行了改良在原函數(shù)的基礎(chǔ)上加入正則項，減少了過擬合的可能性，同時加快了收斂速度［17］。即獲得的目標(biāo)函數(shù)定義為：

在XGBoost 分類模型中，將候選結(jié)節(jié)提取的特征矩陣作為分類模型的輸入，通過訓(xùn)練和優(yōu)化該模型，最終完成肺結(jié)節(jié)和非肺結(jié)節(jié)的分類，實現(xiàn)肺結(jié)節(jié)的檢測和假陽性結(jié)節(jié)的去除。

4 實驗結(jié)果與分析

4.1 實驗數(shù)據(jù)

為了驗證本方法的可行性和檢測的有效性，本實驗將LIDC-IDRI 數(shù)據(jù)庫的圖像作為樣本集［18］，對肺部CT 圖像進(jìn)行訓(xùn)練和測試。從肺部影像數(shù)據(jù)庫中隨機抽取110 例患者，提取出470 張候選結(jié)節(jié)，234張肺結(jié)節(jié)和236 張假陽性結(jié)節(jié)作為數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，訓(xùn)練集與測試集的比例為8：2。

4.2 實驗環(huán)境

本實驗在Windows10操作系統(tǒng)，CPU：i7處理器，RAM：8 GB，編程軟件為MATLAB R2018a 和Python3.7。

4.3 實驗結(jié)果與分析

為了進(jìn)一步分析本研究方法的檢測性能，選取目前肺結(jié)節(jié)檢測領(lǐng)域中較為常見的方式［19］，在混淆矩陣的基礎(chǔ)上將分類準(zhǔn)確率（Accuracy）、召回率（Recall）、F1值和ROC 曲線下面積（Area Under Curve,AUC）作為評判標(biāo)準(zhǔn)。在肺結(jié)節(jié)檢測的分類模型中，將肺結(jié)節(jié)定義為正樣本，假陽性結(jié)節(jié)定義為負(fù)樣本。

準(zhǔn)確率是反映檢測正確的樣本占全部樣本的比值，定義為：

其中，TP 表示真陽性、TN 表示真陰性、FP 表示假陽性、FN表示假陰性。

召回率又稱敏感度，是反映所有肺結(jié)節(jié)樣本中判別正確的情況，定義為：

F1值是精度（Precision）和召回率的調(diào)和平均，定義為：

AUC的值介于0.5～1.0之間，AUC越大，檢測模型的準(zhǔn)確性越高。

本實驗在提取BoW-SURF 特征時，需要確定參數(shù)K值，獲得最有效的特征矩陣。將K值由8～56以8為間隔進(jìn)行XGBoost 分類模型的訓(xùn)練與測試，檢測結(jié)果如圖8所示。

圖8 XGBoost的檢測結(jié)果Fig.8 XGBoost test results

由圖8可知，隨著詞條長度K值的增加，檢測的準(zhǔn)確率也隨之增加，當(dāng)K為40 時，達(dá)到最好的分類結(jié)果，后隨著K值的增大，檢測結(jié)果下降，初步判斷K為32～40 是最優(yōu)K值范圍，繼續(xù)細(xì)分K值，K值取32～40時，XGBoost的檢測結(jié)果見表1。

表1 XGBoost的檢測結(jié)果Tab.1 XGBoost test results

由表1可知，綜合4個評價指標(biāo)，當(dāng)K=39時，達(dá)到最佳檢測結(jié)果，準(zhǔn)確率可達(dá)到92.55%，召回率和F1分別可達(dá)到93.75%和92.78%，AUC 可達(dá)0.97，所以最終得到39維SURF特征向量。

最后將39 維SURF 特征、8 維的GLCM 特征和7維的Hu 不變矩特征串行融合組成54 維的新特征矩陣，并將其輸入到XGBoost 分類模型進(jìn)行訓(xùn)練與測試。實驗對比SRCNN 特征增強前后的檢測結(jié)果，如表2所示。最終準(zhǔn)確率為97.87%，召回率為97.92%，F(xiàn)1值為97.92%，AUC達(dá)到0.99。

表2 特征增強前后的對比結(jié)果Tab.2 Comparison before and after feature enhancement

相較于其他算法，特征增強和多特征融合的XGBoost分類模型有較高的檢測準(zhǔn)確率和召回率，如表3所示。

表3 本研究算法與其他方法的比較Tab.3 Comparison of the proposed algorithm with other methods

5 結(jié)論

對肺結(jié)節(jié)檢測進(jìn)行了研究，針對肺結(jié)節(jié)圖像分辨率低、假陽性結(jié)節(jié)去除難等問題，提出了一種基于SRCNN 和多特征融合的肺結(jié)節(jié)檢測模型，通過SRCNN 提高了候選結(jié)節(jié)的細(xì)節(jié)特征的提取；通過SURF、GLCM 和Hu 不變矩提取ROI 的多種特征，增強了圖像特征的完整性；最后將融合后的特征輸入到XGBoost 分類模型中進(jìn)行訓(xùn)練和測試，最終獲得97.87%的準(zhǔn)確率、97.92%的召回率，但仍需要對算法和模型進(jìn)一步研究，提高各項評價指標(biāo)，以實現(xiàn)肺結(jié)節(jié)檢測模型在臨床中的應(yīng)用。