卷积神经 络在肝包虫病CT图像诊断中的应用

1 卷积神经 络

卷积神经 络是人工神经 络的一种，已成为语音识别和图像识别领域的研究热点^[12]。CNN是深度学习的代表模型，通过局部感受域和共享权重解决传统前馈 络中参数过多的问题^[13-14]。CNN的结构主要包括卷积层、池化层和全连接层^[15]。卷积层由若干个卷积单元组成，每个卷积单元的参数通过反向传播算法计算得到，该层主要用于提取输入图像的特征。池化层即下采样(Down sampling)主要用于特征降维，对输入的特征图进行压缩，提取主要特征，该操作可减少数据量，保留有效数据同时减少过拟合^[16]。池化层常用的采样方式有两种，分别是平均值池化(mean-pooling)和最大值池化(max-pooling)，大多数情况下采用最大值池化的方式^[17]。全连接层是通过多层的卷积层、池化层操作后，将得到的特征图按行展开，连接成向量，将输出值送给分类器^[18]。

2 CNN在肝包虫病图像中的诊断

2.1 数据收集与处理

由于肝包虫病CT图像的病灶区域、图像尺寸大小各不相同，同时图像摄片时受到各种噪声的干扰，因此本实验对图像进行预处理操作，首先采用均匀量化的方法对图像进行归一化，其次使用改进的中值滤波算法^[19-20]对肝包虫病CT图像进行去噪。经过预处理后的图像，清晰度得到了很大提高。预处理前后图片如图2所示。

2.2 卷积神经 络设计

式中，x表示样本，为实数。

该模型的池化层使用2×2区域来最大值池化，并减少卷积层学习的特征。最后全连接层将特征图按行展开连接成向量使用分类器进行分类。实验中使用的损失函数采用交叉熵代价函数，如式(2)所示：

式中，n为训练样本数，x表示样本，a为神经元输出值，y为期望输出值。

3 实验结果及分析

3.1 样本扩增前后对比

由表1可得，与扩增前相比样本量扩增了将近4倍左右，模型的准确率由85.5%提高到了97.5%。说明适当的数据增强有利于提高 络的泛化能力，同时增强卷积神经 络学习肝包虫病CT图像特征的能力。该模型对肝包虫病CT图像的识别具有较好的分类效果。

3.2 不同实验方法比较

本次实验以样本扩增后的数据对肝包虫病CT图像分类，并与传统的分类方法进行比较。传统的分类方法采用SIFT+LBP分析纹理特征，并利用SVM对肝包虫病的CT图像进行分类，其与CTLeNet卷积神经 络模型比较结果如表2所示。

4 可视化

本实验中反卷积过程不具有学习能力，仅用于对每层特征图进行可视化。CNN通过训练调节参数，提取各层图像的特征，反卷积 络以各层的特征图作为输入进行反卷积操作。反卷积结果以可视化的方式显示各层学习到的特征。图5是4幅输入图像经过4层卷积层后输出的特征图可视化结果。

第1层卷积层主要提取基本灰度信息；第2层提取的是纹理特征信息；第3层、第4层提取的特征具有一定的分辨性，每幅图像输出的特征图均不相同。传统的图像分类方法需要人工设计特征和选择分类器进行分类，无法实现对提取的特征可视化，对辅助医生诊断疾病缺乏一定的可信性。经过模型训练学习后的肝包虫病CT图像特征以可视化方式反馈给临床医生，对辅助医生筛查肝包虫病的发生有一定的可行性。

5 结论

参考文献

[1] 李汭芮，喻文杰，王谦，等.肝包虫病患者超声影像动态观察[J].预防医学情 杂志，2018，34(11)：1374-1383.

[2] MEMMET M，OGUZ I U，CEMAL K，et al.Current status of diagnosis and treatment of hepatic echinococcosis[J].World Journal of Hepatology，2016，8(28)：1169-1181.

[3] 曾静，叶建蔚，张静，等.肝囊型包虫病非手术治疗方法的研究进展[J].现代生物医学进展，2018，18(19)：3790-3794.

[4] 张建英，蒋瑾，胡凌云，等.128层螺旋CT对肝包虫病的临床诊断价值及病理分析[J].四川生理科学杂志，2016，38(4)：222-224.

[5] 胡彦婷，陈建军，杜守洪，等.基于SIFT-LBP稀疏编码的肝包虫CT图像分类[J].科技通 ，2016，32(9)：58-64.

[6] ZEILER M D，FERGUS R.Visualizing and understanding convolutional networks[C].arXiv：1311.2901v3[cs.cv]，2013.

[7] PEREIRA S，PINTO A，ALVES V，et al.Brain tumor segmentation using convolutional neural networks in MRI images[J].IEEE Transactions on Medical Imaging，2016，35(5)：1240-1251.

[8] 王翀，何兴鑫，方乐缘，等.基于联合决策卷积神经 络的光学相干断层扫描图像自动分类[J].中国生物医学工程学 ，2018，37(6)：641-648.

[9] 蒋涛.深度学习在医学图像分析中的应用[D].成都：电子科技大学，2017.

[10] 杨志明，李亚伟，杨冰，等.融合宫颈细胞领域特征的多流卷积神经 络分类算法[J].计算机辅助设计与图形学学 ，2019，31(4)：531-540.

[11] LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86(11)：2278-2324.

[12] 赵新秋，贺海龙，杨冬冬，等.基于改进的卷积神经 络在图片分类中的应用[J].高技术通讯，2018，28(Z2)：930-936.

[13] 王洋，刘积仁，赵大哲，等.卷积神经 络在MRI图像诊断中的应用[J].东北大学学 (自然科学版）, 2019，40(2)：169-173.

[14] 宁静艳，俞晨，程年，等.基于卷积神经 络的肺癌病理图像分类[J].软件导刊，2019(2)：141-144.

[15] 黄睿，陆许明，邬依林.基于TensorFlow深度学习手写体数字识别及应用[J].电子技术应用，2018，44(10)：6-10.

[16] Xue Ying.An overview of overfitting and its solutions[J].Journal of Physics：Conference Series，2019，1168(2)：022022.

[17] 许少尉，陈思宇.基于深度学习的图像分类方法[J].电子技术应用，2018，44(6)：116-119.

[18] JANOWCZYK A，MADABHUSHI A.Deep learning for digital pathology image analysis：a comprehensive tutorial with selected use cases[J].Journal of Pathology Informatics，2016，7(1)：29.

[19] 王红宇，游敏娟，李琪，等.一种中值滤波图像去噪的改进算法[J].中国科技信息，2019(1)：84-85.

[20] 卞长林，王超，厉丹.基于改进中值滤波的影像预处理方法研究[J].电子世界，2018(18)：22-23，26.

[21] ECKLE K，SCHMIDT-HIEBER J.A comparison of deep networks with ReLU activation function and linear spline-type methods[J].arXiv：1804.02253v2[stat.ML]，2018.

[22] LITJENS G , S?魧NCHEZ C I，TIMOFEEVA N，et al.Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis[J].Scientific Reports，2016，6(1)：26286.

刘志华1，李丰军2，严传波2

(1.新疆医科大学 公共卫生学院，新疆 乌鲁木齐830011；2.新疆医科大学 医学工程技术学院，新疆 乌鲁木齐830011)