基于Faster R-CNN的乳腺腫塊輔助檢測

徐一舫 卓一瑤 孫海洋 楊冠男

摘要：乳腺鉬靶X線圖像與多數醫學圖像相比，腫塊邊沿模糊、特征區域過小、良性腫塊與惡性腫塊構成相似。為了解決傳統計算機輔助檢測乳腺腫塊技術效果差的問題，對基于深度學習的乳腺腫塊檢測模型進行了研究，分析了R-CNN、SPPNet、Fast R-CNN、Faster R-CNN算法的原理。收集并增強了相關數據集。在Ubuntu系統下采用Tensorflow實現了四種算法。對比R-CNN系列算法的檢測精度與單張圖像檢測耗時，驗證了Faster R-CNN乳腺腫塊算法的檢測能力。研究結果表明，Faster R-CNN算法正確率為82.2%且單張圖像檢測耗時為57ms，具有良好的泛化能力與魯棒性，適用于醫學中有關乳腺腫塊的檢測任務。

關鍵詞：tensorflow;卷積神經網絡;深度學習;乳腺腫塊;物體檢測

中圖分類號： TP18? ? 文獻標識碼：A

文章編號：1009-3044（2019）18-0217-04

1 背景

乳腺癌在全世界是女性發病率最高的惡性腫瘤之一，嚴重威脅著全球婦女的生命健康。據資料顯示，2012年，全球乳腺癌新發病例167.1萬列，發病率為25.1%，并處于逐年上升的趨勢[1]。乳腺癌的早期發現和治療能有效挽救患者的生命。

目前，乳腺鉬靶X線攝影（mammography）是診斷乳腺癌最有效的首選方法。然而，醫生有可能會受乳腺鉬靶X線圖像上噪聲與對比度的干擾而解讀錯誤，使一些疾病誤診，導致假陰性與假陽性出現。據統計，醫學影像的疾病誤診率可達到 10%～30%[2]。因此，為了降低誤診率出現了大量的計算機輔助檢測技術（CAD），并有一些投入臨床使用。之后，從物體分類到物體檢測的過渡，出現R-CNN[4]、SPPNet[5]、Fast R-CNN[6]、Faster R-CNN[7]等方法。相較于傳統的CAD，深度學習模型能夠提高檢測正確率，識別的網絡更復雜，通過GPU加速使得學習效率提高，所以，傳統的CAD正逐步被深度學習模型所取代[8]。

本研究采用深度學習中常用的Faster R-CNN方法來輔助醫生解決良性與惡性乳腺腫塊檢測的相關問題。訓練集和測試集由International Workshop on Digital Mammography提供的DDSM （The Digital Database for Screening Mammography）[9]數據集組成，驗證集由部分DDSM數據集與Royal Marsden Hospital提供的MIAS（Mammographic Image Analysis Society MiniMammographic Database）[10]數據集組成。最后通過對數據集的增強與模型的微調達到檢測的預期目標。

2 Faster R-CNN的介紹

2.1 R-CNN原理簡介

R-CNN（Regions with CNN features）中的CNN的是卷積神經網絡（convolution natural network），受Hubel和Wiesel對貓視覺皮層電生理研究啟發，Lecun等最早將CNN用于手寫數字識別應用上[11]。CNN與普通神經網絡的區別在于，CNN中包含由卷積層和池化層構成的特征提取器，可以簡化模型復雜度，再通過局部感受與權值共享可以降低模型訓練速度。

R-CNN在CNN之上做了改進，可以分為四步：首先通過Selective Search搜尋可能存在物體的區域并提取出候選框，之后用CNN計算每個框的特征并提取出每個框的特征，提取出的特征使用SVM分類器[12]分類，分類后通過非極大值抑制修正輸出結果。R-CNN整體框架如圖1所示。

2.2 SPPNet與Fast R-CNN原理簡介

SPPNet（Spatial Pyramid Pooling Convolutio-nal Network）基于傳統CNN結構上，在SVM分類器之前加入了ROI池化層，使得網絡輸入圖像可為任意尺寸，輸出尺寸不變[5]。SPPNet只需要運算一次，相較于R-CNN要對每個區域做卷積運算，速度與mAP均超過R-CNN。

2.3 Faster R-CNN原理簡介

Faster R-CNN在Fast R-CNN的基礎上用RPN（Region Proposal Network）網絡代替Selective Search，RPN網絡與卷積層共享網絡參數，并通過end-to-end生成高質量的候選框。生成的候選框最終送入卷積神經網絡與ROI池化層進行分類。Faster R-CNN整體框架如圖3所示。

訓練時，只需要訓練RPN網絡與分類網絡，通常的做法是在一個batch中，先訓練一次RPN網絡，再訓練一次分類網絡。這使得速度與mAP均提高。

3 基于Faster R-CNN的乳腺腫塊檢測模型

3.1 數據集增強

DDSM數據集一共2620張圖像。MIAS數據集一共322張圖像，每幅圖像都是1024像素x 1024像素，良性中有2張圖像的腫塊是廣泛散布在整個圖像里，而不是集中在一個單一的地點，不具有代表性，故去掉。其中關于腫塊嚴重程度包括3個類別：正常（Norm）、良性（Benign）、惡性（Malignant）。本研究只采用良性與惡性腫塊圖像。

訓練集總體數量較少，本研究對樣本數據進行增強，加強訓練模型的泛化能力。增強常采用的方式：平移、旋轉、反轉、裁剪、縮放、顏色變換、噪聲擾動[13]。此處增強的方式為：先將原圖像基于特征區域隨機裁剪為768像素X 768像素的圖像，再加入高斯白噪聲、直方圖均衡化。共計10734張圖片。每類物體的分布如表1所示。

3.2 數據集的制作

本文將2.1節增強后的數據集打亂后，分為訓練集6300張，測試集657張，驗證集由未參與訓練的20張原圖組成，再使用LabelImg對分別訓練集、測試集、驗證集進行標注，標注界面如圖4所示。

3.3 實現環境和模型設置

本文的Faster R-CNN模型在Ubuntu操作系統下，基于Tensorflow深度學習框架與python3.5實現，GPU為GeFore 930M。Faster R-CNN算法選用在ImageNet數據集上訓練好的inception v2[14]預訓練模型，進過多次調參，最終選用rmsprop優化器，初始learning rate設為0.001，并采用指數下降法更新learning rate，batch size設為10，迭代次數50000次，得到訓練好的模型。

3.4 評估指標的定義

腫塊良惡性是二分類問題，為了衡量模型表現，本次試驗中，計算了機器學習常用的評估指標準確率（Accuracy）。

4 實驗

基于Faster R-CNN的乳腺腫塊輔助檢測結果如圖6與圖7所示，其中方框內是檢測到的腫瘤，準確率顯示在方框上。

5 結論

使用深度學習中R-CNN系列算法來進行乳腺腫塊的輔助檢測，可以檢測乳腺中的腫塊及腫塊嚴重程度，共3個類別。結果表明，基于Faster R-CNN的乳腺腫塊檢測模型能較好地完成輔助檢測的相關任務，通過對比四種算法說明Faster R-CNN模型在判斷良惡性時可以達到82.2%的正確率與單張圖像檢測耗時57ms的效果。

影響乳腺腫塊圖像檢測的因素主要包括腫塊邊沿模糊、特征區域過小、良性腫塊與惡性腫塊構成相似等。本研究能夠克服這些影響因素，但對于乳腺中出現多個腫塊或者腫塊廣泛散布與乳腺之中，模型不能完全識別到所有的腫塊的情況，接下來有待進行進一步的研究。

參考文獻：

[1] 師金， 梁迪， 李道娟， 等. 全球女性乳腺癌流行情況研究[J]. 中國腫瘤， 2017， 26（9）： 683-690.

[2] Zheng GY， Liu XB， Han GH. Survey on medical image computer aided detection and diagnosis systems[J]. Ruan Jian Xue Bao/Journal of Software， 2018， 29（5）： 1471-1514.

[3] Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Proceedings of the International Conference on Neural Information Processing Systems， 2012： 1097-1105.

[4] Ross Girshick， Jeff Donahue， Trevor Darrell， et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE Conference On Computer Vision and Pattern Recognition， 2014： 580-587.

[5] Kaiming He， Xiangyu Zhang， Shaoqing Ren， et al. Spatial.Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[C]//IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE， 2015， 37（9）： 1904-1916.

[6] Girshick R. Fast R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision， 2015： 1440-1448.

[7] Shaoqing Ren， Kaiming He， Ross Girshick， et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks[C]//IEEE Transactions on Pattern Analysis & Machine Intelligence， 2016， 39（6）： 1137-1149.

[8] 孫利雷， 徐勇. 基于深度學習的乳腺X射線影像分類方法研究[J]. 計算機工程與應用， 2018， 54（21）： 13-19.

[9] Bowyer K， Kopans D， Kegelmeyer W P， et al. The Digital Database for Screening Mammography[C]//In proceedings of the Third International Workshop on Digital Mammography， 1996.

[10] Suckling J. The Mammographic Image Analysis Society Digital Mammogram Database Exerpta Medica[C]//International Congress Series， 1994（1069）： 375-378.

[11] Lecun Y， Boser B， Denker J S， et al. Backprogation applied to handwritten zip code recongnition[C]//Neural Computaion， 1989， 1（4）： 541-551.

[12] Adankon M M， Cheriet M. Support vector machine[J]. Computer Science， 2002， 1（4）： 1-28.

[13] Howard， Andrew G. Some Improvements on Deep Convolutional Neural Network Based Image Classification[C]//Computing Research Repository， 2013.

[14] Christian Szegedy， Vincent Vanhoucke， Sergey Ioffe， et al. Rethinking the Inception Architecture for Computer Vision[C]//The IEEE Conference on Computer Vision and Pattern Recognition， 2016： 2818-2826.

[15] Jiang B， Luo R， Mao J， et al. Acquisition of Localization Confidence for Accurate Object Detection[C]//European Conferenzce on Computer Vision， 2018： 816-832.

【通聯編輯：謝媛媛】