基于CNN和SVM融合的腦腫瘤檢測和分割

唐組閣 余曉江

（1.西華師范大學 四川省南充市 637002 2.德陽市人民醫院 四川省德陽市 618000）

1 引言

腦腫瘤是生長在頭顱內神經性腫瘤的統稱，其危害性極大。腦腫瘤的前期存在一定的潛伏期，通過核磁共振圖像MRI(Magnetic Resonance Imaging)的判斷在一定程度上受醫學專家的知識經驗的影響或其他人為因素的影響，使得病情不易在前期發現。而后期的病發的狀態中，由于人腦的病變區域的多樣性，包括病變區域的大小、分散情況和形狀不規整等情況，對于腦腫瘤的藥物和放射治療帶了很大的干擾，使得病情不能有效的控制和治愈。兩者使得由腦腫瘤引發的死亡率增高，如何在前期對潛在的腦腫瘤的檢測和后期對腫瘤區域的分割在目前的醫學臨床領域是非常重要的。

目前對于MRI圖像判定是否存在病變的方法主要分為兩大類，即醫學專家和智能識別。但其局限于腦腫瘤的中后期，通過與正常組織區域屬性對比得出結果，其中包括了MRI 圖像中的T1、T2和FLAIR 提供的數據成像。而對于MRI 腦腫瘤的分割手段也包含了基于人工區域、基于聚類和基于卷集神經網絡CNN(Convolution Neural Network)。例如文獻[1]結合了卷集神經網絡和模糊系統來對進行分隔，雖然在分隔性能上有一定的提升。文獻[2]利用級聯的CNN，通過連續CNN 來實現對圖像信息的傳輸。文獻[3]利用卷積核提升速度和特征獲取。文獻[4]利用改進的多模態的混合分割方法，提高實時性。文獻[5]利用三維CNN 結合空洞卷積通路，具有較高的集成性。文獻[6]利用條件隨機場結合CNN 來實現圖像邊緣的改善。文獻[7]利用模糊聚類實現檢測和分割等。但在上述的方法中，一部分方法存在沒有對腦腫瘤的檢測；一部分在最后的分割成像上的效果上不能較好的滿足臨床的需要，時間開銷和硬件開銷太大，不利于方法的實施。

針對上述存在的不足，提出了一種利用CNN 構建出腦腫瘤和正常組織的分類器用于腦腫瘤的檢測。其次對檢測出的腦腫瘤圖片，然后對腦腫瘤區域實現分割并勾畫對應靶區。最后通過仿真實驗對其檢測率和分割效果進行測試。

2 卷積神經網絡

2.1 卷積神經網絡

卷積神經網絡CNN 于20世紀80年代Fukushima[8]的一種深度學習的網絡，其層次為一個二維平面，平面上放置神經元，CNN采用數據樣本自身屬性來優化網絡結構，即前饋性。卷積神經網絡的前饋的機制體現在網絡內部通過部分連接而非全連接，這樣保證了層次間的權重交流共享，減少了不必要時間開銷，方便了數據樣本特征提取和網絡訓練。CNN 的組成為一個多層的網絡結構，其組成包括輸入層、特征映射層（卷積層）、全連接層和輸出層。

輸入層是原始數據樣本的輸入接口，為了更好方便網絡訓練和提升網絡分類效果，需要對數據樣本進行尺寸大小的統一處理。

特征映射層（卷積層）用于對輸入層的數據樣本進行特征提取，由卷積操作和池化操作組成。卷積操作的核心在于卷積核與輸入的數據之間的運算，而卷積核的作用于特征提取，卷積核的數量和特征數成正相關，但其運算所需的量也相應成比例提升。池化的操作在于減少一定數量的特征提取帶來的運算量，根據數據樣本固有的屬性來進行聚和，能夠有效的優化網絡性能。在特征映射層中，先進行卷積操作，再進行池化，其對應的公式如下：

公式（1）對應的卷積形式，其中f(x,y)、g(x,y)代表二維功能函數，公式（2）對應池化，areaj代表最大區域值，f(n,1)代表卷積窗函數。數據樣本經特征映射層的卷積和池化后輸出對應的神經元為：

公式（3）中，m 代表連接層，pi、qi代表卷積核值，ri代表輸入數據樣本的維度，boundij代表偏置（i 層j 個特征）。

全連接層[9]是用于相互連結，原理是利用多層感知的原理。通過前后神經元節點間相互連接，但前后的神經元結點內部則相互獨立，通過加權組合來完成下一個節點的輸入，即實現前向傳播來完成權值變化。

輸出層是卷積神經網絡輸出部分，原理是根據任務需求來設置輸出層的節點數。輸出層采用Softmax 進行分類和利用交叉熵計算損失，Softmax 根據輸入的數據之間的相似度來進行分類，例如本文的分類要求是區分出腦腫瘤和正常組織，常用sigmod 函數來實現，其對應的圖像如圖1所示。

圖1：sigmod 函數

2.2 改進的CNN網絡結構

CNN 網絡輸出層采用sigmod 函數和交叉熵損失函數結合來實現分類器的實現，包含了對應的輸入層、特征映射層、全連接層和輸出層，本文的采用的CNN 網絡結構是kears 學習庫的CNN，采用了2 層特征映射層，其如圖2所示。

圖2：CNN 網絡結構

圖2對應的CNN網絡結構，能夠處理一些較為復雜的圖像分類，但對于MRI 的腦腫瘤的檢測準確率較低，不能滿足實際的醫學工作需要，需要對CNN 網絡結構進行改進。由于采用的Softmax 來實現的分類器，參照圖1 中的sigmod 函數，可以發現多重疊的網絡層增加，會導致出現梯度減小，甚至出現梯度消失。這需要一個能處理梯度的問題，而支持向量機SVM(Support Vector network)[10]通過對超平面的分隔來實現分類，其對應圖3所示。

圖3：SVM 結構

在SVM 中的平面求解方程如下：

公式（4）中w 和b 分別代表向量和標量，二者確定了平面所處在位置。由于平面求解的方式能夠有效的減少梯度減小所帶來的對網絡的影響。

通過SVM 來實現對CNN 網絡結構的優化，優化后的單個CNN 網絡結構如圖4所示。

圖4：優化后的CNN 網絡結構

優化后的CNN 網絡結構的圖像數樣本輸入的是128*128*3RGB，特征映射層中為2 個32*(3*3)卷積層，池化為2*2 的最大面積，輸出層采用SVM 做為二分類輸出。

3 實驗與結果分析

3.1 數據集

為了有效的驗證本文的方法，需要采用真實數據樣本測試。實驗采用的MRI 在線庫圖片BRATS[11]和一些正常的腦組織圖片，其中包括了腦腫瘤T1、T2 和FLAIR 等圖例。從中隨機選擇100 種圖例對模型進行訓練，然后選擇30 種進行測試。

3.2 實驗環境

本文的實驗環境的構成分兩部分，環境和平臺的詳細信息如表1所示。

表1：實驗環境

3.3 實驗結果分析

實驗結果分為三類，其對應如下：

第一類是對于腦腫瘤和正常腦組織的檢測率，其對應的檢測率結果見表2。

表2：分類結果

從表2 可以看出，本文的方法能夠有效的區分出腦腫瘤和正常腦組織。

第二類是對于腦腫瘤的分割評估，將采用通用的相似性系數DSC、靈敏度Sensitivity 和陽性預測率PPV 和分割時間進行分隔評估，用單個完整的腦腫瘤圖片，將實驗結果與文獻[1]、文獻[2]、文獻[3]進行比較，其結果見表3所示。

表3：分割性能評估

從表2 的結果，可以看出本文提出的方法，在DSC 上的提升均高于文獻[1]、文獻[2]、文獻[3]，在靈敏度Sensitivity 和陽性預測率PPV 與文獻[1]持平，但高于文獻[2]、文獻[3]。分割時間低于文獻[3]，高于文獻[1]、文獻[2]。

第三類是自動檢測和分割主觀評估，其對應如圖5所示。

圖5：自動檢測和主觀評估

從圖5 能看出，本文提出的方法雖然在時間上存在不足，但能滿足實際臨床工作的需求。

4 總結

本文提出的一種改進CNN 網絡的分類器，對Softmax 分類器用線性SVM 來代替，來實現對自動對腦腫瘤的檢測和分割，并通過仿真實驗來驗證了方法的可行性，但在分隔時間上還存在一定的不足，在下一步工作，將通過自動編碼器和圖像分布式分割來減少分割時間。