一種基于深度學習的移動端膽石病智能診斷系統(tǒng)*

王 碩 李丕寶

（1.中國石油大學（華東）計算機科學與技術學院 青島 266580）（2.山東省立第三醫(yī)院急救中心 濟南 250000）

1 引言

深度學習已經(jīng)在諸多領域得到了廣泛應用，比如語義分割、計算機視覺，自然語言處理等，特別是在智慧醫(yī)療［1］上的創(chuàng)新性進展。目前的市場上，已經(jīng)不少的醫(yī)療圖像識別［3～4］產(chǎn)品，如浙江大學第一附屬醫(yī)院的甲狀腺結節(jié)良惡性輔助診斷系統(tǒng)。此類產(chǎn)品已經(jīng)達到了工業(yè)化應用的標準，但也存在一定的局限性。例如在實際應用中，患者只能夠在醫(yī)院進行診療，不可能隨時攜帶大型的醫(yī)療圖像識別設備；同時調(diào)查到，目前市場上還未發(fā)現(xiàn)與醫(yī)院合作自主研發(fā)的膽石病相關的智能診斷系統(tǒng)。

本文研發(fā)了一種基于深度學習的膽石病智能診斷系統(tǒng)，可部署于離線移動端。高性能計算芯片技術［5］的發(fā)展具有了多核并行計算能力，可以實現(xiàn)在苛刻環(huán)境下的實時圖片處理；以及近幾年輕量化卷積神經(jīng)網(wǎng)絡［6～9］和移動端神經(jīng)網(wǎng)絡模型加速框架［10～11］的快速發(fā)展，使得輕量化神經(jīng)網(wǎng)絡部署在移動端設備上成為了可能。實驗表明，該系統(tǒng)在醫(yī)院采集的膽石病醫(yī)療圖像驗證集上進行膽石病識別驗證達到了94.8%的準確率；在運行速度方面，可將進行一次完整的膽石病識別流程控制在2s以內(nèi)，能夠滿足工業(yè)化應用的需求。

2 系統(tǒng)框架

一次完整的膽石病CT醫(yī)療圖像識別具體工作流程圖如圖1所示，主要包括以下過程：1）獲取用戶的基本身份信息和原始的膽石病CT醫(yī)療圖像；2）判斷數(shù)據(jù)庫是否存有該患者用戶的診斷記錄；3）用直方圖均衡化方法對圖像進行預處理，增加圖像的對比度；4）對預處理之后的圖像進行感興趣區(qū)域進行標記；5）將圖像輸入到輕量化卷積神經(jīng)網(wǎng)絡當中進行識別；6）膽石病CT醫(yī)療圖像的識別結果；7）生成一份電子版的醫(yī)療報告；8）將該用戶的診斷結果與電子醫(yī)療包括存入到數(shù)據(jù)庫。

圖1 膽石病識別工作流程

3 算法介紹

膽石病CT圖像識別是膽石病智能診斷系統(tǒng)的關鍵部分，通常分為膽石病圖像預處理、膽石病ROI標記和膽石病的結石識別三個部分。

3.1 膽石病圖像預處理

作為膽石病智能診斷系統(tǒng)的首要步驟，膽石病圖像的結果直接決定了接下來的步驟能否順利進行。本系統(tǒng)考慮到膽石病圖像智能識別的精度和速度，在這一環(huán)節(jié)采用了直方圖均衡化算法。

直方圖均衡化算法［12］步驟如下。

1）給出原始圖像的所有灰度級Sk（k=0，1，…，L-1）。

2）統(tǒng)計原始圖像各灰度級的像素數(shù)nk。

3）根據(jù)原圖像，計算灰度直方圖：

式中，n為總像素數(shù)，nk為灰度級Sk的像素數(shù)。

4）計算原始圖像的累積直方圖：

（0≤Sk≤1，k=0，1，…，L-1）

5）取整計算：

6）確定映射關系：

Sk→Uk

7）統(tǒng)計新直方圖各灰度級Uk的像素數(shù)目nk。

8）計算新的直方圖：

在圖2中清晰地觀察到膽結石呈現(xiàn)出白色，與膽囊有明顯的顏色差異，以及各種人體組織和器官，如腎臟、膽囊、脊柱等。在圖3中是經(jīng)過直方圖均衡化算法處理的膽石病CT醫(yī)療圖像。

圖2 膽石病患者的CT醫(yī)療圖像

圖3 對比度增強之后的圖像

3.2 膽石病ROI標記

膽石病感興趣區(qū)域（Region of Interest，ROI）的標記指的是對于經(jīng)過預處理的圖像，選取部分感興趣的區(qū)域，并對其進行標記，作為輸入信息輸入到神經(jīng)網(wǎng)絡當中，只需要對ROI進行處理。經(jīng)過這樣的處理之后，圖像大量的無膽石病病灶區(qū)域就會被過濾掉，包含有膽石病病灶的標記區(qū)域在像素數(shù)量上要小于只經(jīng)過處理之后的膽石病圖像。

在前期的輕量化卷積神經(jīng)網(wǎng)絡訓練過程中，經(jīng)過大量的人為手工操作對膽石病圖像進行病灶位置的標記，最終確定ROI標記區(qū)域由上到下、由左到右四個坐標值為A（90，148）、B（90，276）、C（230，148）、D（230，276）。

3.3 膽石病的結石識別

膽石病的病灶識別是膽石病智能診斷系統(tǒng)的最關鍵部分，膽石病識別結果的準確率與病灶特征提取的好壞有著直接的影響。基于局部二值模式算法［13］、向梯度直方圖算法［14］等，都是機器學習領域中一些傳統(tǒng)的特征提取方法。隨著深度學習在近幾年的迅猛發(fā)展，在世界的重大比賽中受到了各界的關注。在2012年Krizhevsky［15］使用經(jīng)典的卷積神經(jīng)網(wǎng)絡在Imagenet圖像分類大賽上斬獲冠軍，自此之后神經(jīng)網(wǎng)絡提取特征的方式就得到了學術界的廣泛關注。本系統(tǒng)采用了改進的輕量化的深度卷積神經(jīng)網(wǎng)絡進行膽石病圖像的特征提取。

4 輕量化卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡作為深度學習領域中的經(jīng)典之作，在圖像分類、語義分割、目標檢測等領域已經(jīng)得到了廣泛應用。人們通過傳統(tǒng)的不斷疊加網(wǎng)絡層數(shù)來提高CNN的性能。卷積神經(jīng)網(wǎng)絡從十層發(fā)展到上百層，甚至更有上千層的神經(jīng)網(wǎng)絡，比如ResNet和DenseNet。神經(jīng)網(wǎng)絡處理能力與泛化性得到了提高，但隨之而來的就是模型的存儲問題以及速度問題。

近幾年來，輕量化卷積神經(jīng)網(wǎng)絡和移動端神經(jīng)網(wǎng)絡加速框架快速發(fā)展，通過創(chuàng)造出新的神經(jīng)網(wǎng)絡計算方式來減少網(wǎng)絡參數(shù)，使得輕量化卷積神經(jīng)網(wǎng)絡更好地在移動終端設備上部署。本文使用的輕量化模型是MobileNetsV2。

4.1 深度可分離卷積

深度可分離卷積是許多高效神經(jīng)網(wǎng)絡體系結構的關鍵組成部分，我們將它應用到輕量化卷積神經(jīng)網(wǎng)絡當中以此來提高網(wǎng)絡運行的效率。深度可分離卷積由兩部分組成Depthwise convolution和Pointwise convolution。Depthwise convolution通過對每個輸入通道應用一個卷積核來執(zhí)行輕量化卷積，得到新的輸出特征圖。Pointwise convolution實際上是一個1×1的卷積，它將Depthwise convolution輸出的特征圖進行線性計算組合得到新的特征圖。

4.2 逆殘差

線性瓶頸塊看起來類似于殘差塊，其中每個塊包含一個輸入，經(jīng)過線性瓶頸的處理，最后是展開輸出處理的結果。

如圖4（a）的傳統(tǒng)的殘差塊，先用1×1卷積將輸入的特征圖的維度降低，然后進行3×3的卷積操作，最后再用1×1的卷積將維度變大。圖4（b）即為本文提出的結構，先用1×1卷積將輸入的特征圖維度變大，然后用3×3深度可分離卷積（depthwise convolution）方式做卷積運算，最后使用1×1的卷積運算將其維度縮小。注意，此時的1×1卷積運算后，使用的是線性激活函數(shù)，而不是ReLU激活函數(shù)，可保留更多特征信息。

圖4 殘差（a）與逆殘差（b）

4.3 MobileNetsV2

我們使用的輕量化卷積神經(jīng)網(wǎng)絡的基本構建塊是一個深度可分離殘差卷積。此塊的詳細結構如表1所示。模型體系結構包含32個卷積核的完全卷積層。由于ReLU6在計算精度較低的情況下具有較強的魯棒性，所以我們采用ReLU6作為非線性。在輕量化卷積神經(jīng)網(wǎng)絡中的所有卷積核，我們采用核大小為3×3，以此來提高整個神經(jīng)網(wǎng)絡框架的計算效率與性能。

表1 MobileNetsV2結構

5 數(shù)據(jù)實驗

膽石癥的類型和形式多樣，部分膽石癥的病變也十分相似，這極大地阻礙了膽石癥的正確診斷和治療。為了測試本系統(tǒng)的膽石病智能識別系統(tǒng)的準確性，本文選用了合作醫(yī)院——山東省立第三醫(yī)院的膽石病醫(yī)療圖像數(shù)據(jù)。山東省立第三醫(yī)院是一家公立醫(yī)院，平均每年約有1萬人次的肝膽就醫(yī)病例，有著大量豐富的膽石病醫(yī)療圖像數(shù)據(jù)。在具體的實驗過程中，選取了100例膽石病患者的膽石病醫(yī)療CT圖像數(shù)據(jù)，作為系統(tǒng)的驗證數(shù)據(jù)集，一共有673張膽石病醫(yī)療CT圖像。

6 實驗結果

我們的系統(tǒng)可以檢測CT圖像中膽結石的存在，確定并標記其位置和大小，并可以辨別不同類型的膽結石，如顆粒狀結石和泥沙狀結石以及一些重要的器官，如圖5所示。我們評估并比較了MobileNetV2和MobileNetV1作為用于對象檢測的特征提取器的性能，同時表2中給出了YOLOv2，原始SSD以及SSDLite的正確率比較。

圖5 診斷結果

表2 不同網(wǎng)絡之間的性能比較

膽石病智能診斷系統(tǒng)的實驗主要驗證系統(tǒng)的膽石病病灶診斷準確率和測試系統(tǒng)的適用性，包括模型運行時間與能耗。在安卓虛擬機測試的同時，我們將系統(tǒng)部署在小米7、HTC One M8等安卓手機上，來測試該系統(tǒng)在實際應用中的準確率和用戶體驗。

在具體的實驗過程中，重新采集了45例共216張膽石病患者的醫(yī)療CT圖像，包括一人不同形狀大小以及密度的膽結石病灶等圖像。然后將其拷貝到手機內(nèi)存中，更改接口為調(diào)用手機相冊，進行膽石病驗證，具體實驗結果如表3所示。

表3 在不同安卓系統(tǒng)手機上的實驗結果

實驗結果相較于系統(tǒng)安裝在工作臺上的準確率較低，經(jīng)分析是因為工作臺上的系統(tǒng)運行環(huán)境與安卓系統(tǒng)手機上的系統(tǒng)運行環(huán)境有較大的差別。當系統(tǒng)運行在工作臺時，有充足的內(nèi)存資源以及高效的GPU等硬件設備，使得其識別準確率更高一些。最終實驗結果表明，膽石病智能診斷系統(tǒng)在實際應用中，能夠高準確率、高速地完成膽石病病灶識別工作，可輔助醫(yī)師提高臨床診斷效率。

7 結語

本文研發(fā)的膽石病智能診斷系統(tǒng)在數(shù)據(jù)特征提取環(huán)節(jié)采用了規(guī)模小、速度快、準確率高的輕量化卷積神經(jīng)網(wǎng)絡，可以使整體系統(tǒng)準確率和運行效率得到提高。在國內(nèi)外的整個醫(yī)學研究領域，還未曾出現(xiàn)過與膽石病相關的智能診斷系統(tǒng)。整個系統(tǒng)可以離線部署在搭載安卓系統(tǒng)的移動終端設備上，并且可在本地完成醫(yī)療圖像識別任務，體積小，可以在需要便攜、移動的環(huán)境下能夠很好地完成膽石病智能診斷的應用需求，緩解膽石病臨床醫(yī)學領域的疑難問題。