基于深度學習的肺結節檢測

孟以爽+易平+顧問+郭雪君

摘 要： 肺結節的檢測是一項非常重要的計算機輔助診斷工作。文章提出了一種多片染色重疊圖像處理方法，來增強肺結節與其他健康組織間的差異性，并基于深度學習算法進行肺結節檢測實驗。實驗使用了LIDC-IDRI數據集中的10000張肺部健康組織ROI和12000張肺結節ROI作為訓練樣本集，使用AlexNet卷積神經網絡作為深度學習的算法網絡，通過LIDC數據庫中176個病人的CT圖像測試，得到了95.0%的敏感性和平均5.62的假陽性率結果。實驗結果表明，所提出的方法比特征提取方法等傳統方法能提高肺結節的檢出率。

關鍵詞： 計算機輔助診斷； 深度學習； 肺結節； 卷積神經網絡

中圖分類號：TP391 文獻標志碼：A 文章編號：1006-8228（2018）02-05-05

Abstract： The detection of pulmonary nodules is a very important part of computer-aided diagnosis. In this paper， a method of multi-slices coloring and superposition is proposed to increase the difference between pulmonary nodules and other healthy tissues and detect the nodules based on deep learning. The experiment uses 10000 patches of healthy tissues and 12000 patches of pulmonary nodules in LIDC-IDRI dataset as training dataset and AlexNet convolutional neural network as deep learning network. The prediction model after training is tested on 176 patients' CT images and gains the sensitive of 95.0% and an average of 5.62 false positive rates. The experimental results show that the proposed method can improve the detection rate of pulmonary nodules compared with some traditional feature extraction methods.

Key words： computer-aided diagnosis； deep learning； pulmonary nodules； convolutional neural network

0 引言

肺結節很有可能是早期肺癌的一個標志，而肺癌是新發率和致死率最高的癌癥之一，因此近幾年肺結節已引起廣泛的注意[1-3]。傳統檢測肺結節的方法為通過醫師觀察肺部的CT切片圖像，并識別病人是否有肺結節。然而較微小的肺結節在CT影像上看與血管較為相似，易被遺漏，通常一個病人的完整CT圖像有數百張的切片，因此，對計算機輔助檢測的研究就顯得尤為重要[4]。目前，對肺結節的計算機輔助診斷多使用特征提取分析的方法。近年來，深度學習已經成為了機器學習中一個非常關鍵的研究領域，并在各個方向的研究中不斷取得新的成就[5-7]。本文提出了一種使用多切片染色的預處理方法，并使用深度學習網絡訓練了大量的CT切片數據，得到了一個預測模型來進行CT切片是否含有肺結節的檢測工作。

1 相關工作

深度學習的概念由Hilton于2006年在Science上提出，以區別于人工神經網絡算法[8]。卷積神經網絡是一種常用于圖像識別和圖像處理的深度學習算法，諸如人臉識別領域[9]，行人檢測領域[10]等各個圖像相關領域，具有局部感知和權值共享等特點。通過局部感知的方式，神經元可以提取出圖像的一些特征，例如方向、角點等，而權值共享這一機制使得卷積神經網絡算法可以減少參數的數量。卷積神經網絡算法還使用降采樣的方法來減少特征的規模。

卷積神經網絡的主要組成部分為卷積層、池化層和全連接層。卷積層使用卷積核對圖像進行卷積操作，來學習并獲得圖像的一些特征。池化層常被安排在卷積層之后，負責提取圖像的主要特征并進行特征壓縮。使用池化層的主要目的是減少數據的規模和計算負荷，并降低算法的復雜度。全連接層則負責將提取到的特征映射到輸出樣本空間。

2 肺結節的檢測

本文的主要研究方法是通過AlexNet深度卷積神經網絡算法來對預處理后的數據進行分析。數據預處理共有三個步驟，分別為：肺實質的提取、感興趣區域的提取和感興趣區域的疊加操作。

2.1 肺實質的提取

數據預處理的第一步為肺實質的提取。由于我們只對肺部CT圖像中的肺實質部分感興趣，所以我們從原始CT切片圖像中提取出肺實質來進行分析，這樣就可以有效減少肺部輪廓對實驗結果的影響。在肺實質提取的過程中，我們采取了肺部輪廓腐蝕的方法來盡量粘連在肺部輪廓上的候選肺結節與肺部輪廓分割開。

肺實質提取的詳細步驟為：①將原始肺部CT切片通過固定閾值二值化，并轉換為一個二值圖像；②提取出二值圖像中的最大連通分量，并將其視為初步提取的肺部輪廓；③通過將較小的黑色連通區域置為白色的方法填補上氣管和一些小的空洞；④對肺部輪廓進行腐蝕操作，來將粘連在肺部輪廓上的候選結節與其分割開；⑤填補上一些較小的空洞，并對肺部輪廓使用上一步驟的腐蝕操作中相同的操作算子進行膨脹操作，得到最終的肺部輪廓；⑥通過該輪廓得到肺實質的掩模；⑦通過肺實質掩模從原始的CT切片圖像中提取出肺實質。肺實質提取具體步驟的一個例子如圖1所示。endprint

2.2 感興趣區域（ROI）的提取

數據預處理的第二個步驟是ROI的提取。在得到了肺實質之后，我們對肺實質進行分析，并獲得候選肺結節的質心位置。我們對肺實質圖像以候選肺結節的質心為中心，切割出64×64的小塊圖像，即為肺實質的ROI。

ROI提取的步驟為：①將肺實質轉化為二值圖像來進行進一步的分析；②刪除一些極小面積的干擾區域；③由于肺結節一般都是近似于球狀的，刪除一些明顯的條狀區域（即長寬比過于懸殊的區域）；④將圖像上仍然遺留的白色連通區域視為候選肺結節，并以候選肺結節的質心為中心，從肺實質中切割出64×64的小塊圖像，并將其視為感興趣區域。ROI提取具體步驟的一個例子如圖2所示。

2.3 感興趣區域的疊加

數據預處理的最后一個步驟為ROI小塊圖像的疊加操作。當我們獲得肺實質的ROI區域以后，我們從按切片深度排序的CT切片序列中，找到上一張與下一張切片與其相應的肺實質，并從肺實質中切割出與ROI同一位置的64×64小塊圖像。將這三張小塊圖像依次放入RGB通道（紅色，綠色，藍色通道）疊加，最終得到一張64×64的偽彩圖。這些64×64的偽彩圖將被作為后續深度學習的訓練和測試樣本集。

感興趣區域的疊加操作的目的是增強肺結節和其他健康組織之間的差異性。由于肺結節的球狀特征，連續三張CT切片上得到的小塊圖像中的候選肺結節幾乎重疊。然而諸如血管之類的健康組織大多呈條狀，因此，疊加后的偽彩圖上能看到明顯的紅、綠、藍色的漸變，顯示出健康組織在縱向上呈條狀的走向。

對于一些尺寸較小，肉眼識別較為困難的肺結節，通過這一預處理操作能夠非常有效地增加肺結節與血管之間的差別。一些典型的肺結節偽彩圖和健康組織偽彩圖的樣本如圖3所示。

2.4 深度學習模型

本文使用Caffe（Convolutional Architecture for Fast Feature Embedding）作為深度學習的框架。Caffe由伯克利視覺與學習中心（Berkeley Vision and Learning Center，BVLC）開發，可用于作為卷積神經網絡的平臺[11]。Caffe有著運行速度快與可擴展等特性。實驗使用服務器的操作系統為CentOS 7.3，GPU顯卡為NVIDIA GeForce GTX 1080。

數據集的訓練工作通過AlexNet完成。AlexNet是一種經典的開源卷積神經網絡算法，曾獲得2012年ImageNet視覺識別比賽的冠軍（ImageNet Large Scale Visual Recognition Challenge，ILSVR）。AlexNet由五個卷積層，三個池化層，三個全連接層和七個激活層組成，有近六千萬的自由參數。AlexNet網絡的結構如圖4。

模型的初始學習率為0.01，以每10000次迭代10的因子衰減。迭代的最大次數為100000次，動量系數為0.9，衰減權值為0.0005。在完成了最大迭代步數的訓練以后，我們得到了一個模型，來進行每張偽彩色小塊圖像中是否含有肺結節的判別工作。

3 實驗結果

本文使用LIDC-IDRI（Lung Image Database Consortium）數據庫作為訓練和測試的肺部CT切片樣本集。LIDC-IDRI數據庫由美國國家癌癥協會（National Cancer Institute，NCI）為了早期癌癥的研究而收集與公布[12]。LIDC-IDRI數據庫是一個規模較大，被最為廣泛使用的肺部CT圖像數據庫，包含有1007個病人的完整肺部CT切片圖像及其標注信息，包括肺結節所在位置、大小與一些其他的特征。

我們使用800個病人的CT圖像中提取出的10000張肺結節偽彩小塊圖像與12000張健康組織偽彩小塊圖像作為訓練數據樣本集。通過深度學習的模型對數據的學習和分析，最終訓練得到一個預測模型。實驗使用不在訓練集中的另外176個病人的CT圖像作為測試集，對模型進行了測試。測試集中共有321個肺部結節。根據不同肺結節大小得到的實驗結果如表1所示，可以發現未被檢出的肺結節尺寸均小于10mm。根據不同肺結節位置得到的實驗結果如表2所示，實驗結果表明不與肺部輪廓粘連的肺結節檢出率高于與肺部輪廓粘連的肺結節檢出率。

當預測模型分析輸入的測試圖像后，會輸出一個0至1之間的數值，該值表現測試圖像中含有肺結節的概率。通過設置一個閾值可以對測試圖像進行是否含有肺結節的區分。同一閾值下，敏感性和假陽性的ROC曲線如圖5所示。當閾值為0.5時，預測模型的表現較好。

本文算法的實驗結果與其他CAD系統的實驗結果比較如表3所示。這些CAD系統中，一半使用的是LIDC-IDRI數據庫。從實驗結果看出，本文提出的方法得到的檢出率高于一些其他的CAD 系統，假陽性能夠低于一些傳統的檢測方法。

4 結論

通過本文提出的基于深度學習的多切片染色方法進行肺結節檢測實驗，我們得到了95.0% 的高敏感性與平均5.62的假陽性。實驗結果表明通過本方法可以有效地提高肺結節的檢出率。本方法還適用于一些粘連在肺部輪廓上的結節和一些尺寸較小的結節，因此具有較高的普適性。未來，我們將繼續在假陽性的降低和肺結節的分類（例如GGO結節與非GGO結節的區分）上開展研究。

參考文獻（References）：

[1] Nie S D， Li-Hong L I， Chen Z X. A CI feature-based pulmonary nodule segmentation using three-domain mean shift clustering[C]// International Conference on Wavelet Analysis and Pattern Recognition. IEEE，2008：223-227endprint