基于人工神經(jīng)網(wǎng)絡(luò)的肺癌細(xì)胞圖像特征的提取與識別

包頭醫(yī)學(xué)院計算機(jī)科學(xué)與技術(shù)系 唐思源

基于人工神經(jīng)網(wǎng)絡(luò)的肺癌細(xì)胞圖像特征的提取與識別

包頭醫(yī)學(xué)院計算機(jī)科學(xué)與技術(shù)系 唐思源

目的：探討基于人工神經(jīng)網(wǎng)絡(luò)的肺癌細(xì)胞圖像特征的提取與識別。方法：建立基于人工神經(jīng)網(wǎng)絡(luò)和計算機(jī)圖像處理的肺癌細(xì)胞病理電腦診斷系統(tǒng)，對120例經(jīng)皮肺穿刺標(biāo)本的肺癌細(xì)胞學(xué)涂片進(jìn)行圖像特征的提取與識別，并與術(shù)后病理組織診斷結(jié)果進(jìn)行對比分析。結(jié)果：(1)肺癌細(xì)胞病理電腦診斷系統(tǒng)能夠較為準(zhǔn)確的提取肺癌細(xì)胞圖像特征，完成對肺部病灶癌細(xì)胞和非癌細(xì)胞的識別。(2)運用肺癌細(xì)胞病理電腦診斷系統(tǒng)診斷肺癌主要病理類型鱗狀細(xì)胞癌、腺癌、未分化癌、小細(xì)胞癌的結(jié)果與術(shù)后病理組織診斷結(jié)果的總符合率93.33%。結(jié)論：基于人工神經(jīng)網(wǎng)絡(luò)和計算機(jī)圖像處理對肺癌細(xì)胞的圖像特征進(jìn)行提取和識別，對肺癌患者實施診斷，準(zhǔn)確率高，能夠為肺癌的早期診斷提供客觀參考依據(jù)。

肺癌；人工神經(jīng)網(wǎng)絡(luò)；計算機(jī)圖像處理；細(xì)胞圖像特征；提??；識別

引言

伴隨著信息網(wǎng)絡(luò)技術(shù)和科學(xué)技術(shù)的迅速發(fā)展，計算機(jī)在肺癌臨床診斷中的應(yīng)用日益深入[1]。人工神經(jīng)網(wǎng)絡(luò)（Artif i cial Neural Network；ANN）是上個世紀(jì)80年代興起的人工智能領(lǐng)域的研究內(nèi)容，其主要是利用計算機(jī)從信息處理的角度對人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，建立某種簡單的模型，并按照不同的連接方式組成不同結(jié)構(gòu)的網(wǎng)絡(luò)[2]。早期主要被應(yīng)用于工程界與學(xué)術(shù)界，現(xiàn)階段已經(jīng)取得了很大的研究進(jìn)展，在醫(yī)療領(lǐng)域的疾病診斷中也得到了應(yīng)用[3]。肺癌是對我國人群生命健康危害最大的惡性腫瘤疾病，實現(xiàn)該疾病的早期診斷具有重要的臨床意義[4]?；谏鲜鲅芯楷F(xiàn)狀，本研究對基于人工神經(jīng)網(wǎng)絡(luò)的肺癌細(xì)胞圖像特征的提取與識別進(jìn)行探討，旨在明確能夠提高肺癌患者早期確診率的診斷方法。

1.資料與方法

1.1 一般資料

本研究選取2014年3月至2016年7月期間在包頭醫(yī)學(xué)院第一附屬醫(yī)院行經(jīng)皮肺穿刺活檢的120例肺癌患者作為研究對象。納入標(biāo)準(zhǔn)：（1）經(jīng)皮肺穿刺活檢和術(shù)后病理組織診斷結(jié)果均為肺癌；（2）未發(fā)生轉(zhuǎn)移；（3）未合并患有其他嚴(yán)重器質(zhì)性疾?。唬?）同意參與本次研究。排除標(biāo)準(zhǔn)：（1）經(jīng)皮肺穿刺活檢診斷為肺部良性疾病；（2）疾病發(fā)展至終末期；（3）拒絕參與本次研究。120例患者中，包括男性患者69例，女性患者41例，年齡區(qū)間35～70歲，平均年齡為（48.14±5.32）歲。采集患者肺組織后，迅速制作成肺癌細(xì)胞學(xué)涂片，進(jìn)行常規(guī)固定和HE染色，常規(guī)脫水封片，保存待用。

1.2 研究方法

建立基于人工神經(jīng)網(wǎng)絡(luò)和計算機(jī)圖像處理的肺癌細(xì)胞病理電腦診斷系統(tǒng)，對120例經(jīng)皮肺穿刺標(biāo)本的肺癌細(xì)胞學(xué)涂片進(jìn)行圖像特征的提取與識別，并與術(shù)后病理組織診斷結(jié)果進(jìn)行對比分析，具體研究過程如下：

本研究建立的肺癌細(xì)胞病理電腦診斷系統(tǒng)的硬件配置包括計算機(jī)系統(tǒng)、顯微鏡、攝像鏡頭、圖像采集卡。診斷時，實時獲取患者肺癌細(xì)胞涂片上的視頻信號，進(jìn)行圖像采集和處理后轉(zhuǎn)化為紅（R）、綠（G）、藍(lán)（B）真彩色圖像，上傳至計算機(jī)診斷系統(tǒng)中進(jìn)行圖像特征提取和識別，具體流程見圖1所示。

人工神經(jīng)網(wǎng)絡(luò)模仿大腦神經(jīng)網(wǎng)絡(luò)和功能而建立，通過采集數(shù)據(jù)并進(jìn)行學(xué)習(xí)的方法為數(shù)據(jù)系統(tǒng)提供樣本，再依靠樣本不斷學(xué)習(xí)和訓(xùn)練，得到計算模型，建立網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以用大量樣本不斷學(xué)習(xí)和訓(xùn)練實現(xiàn)對肺癌細(xì)胞圖像特征的識別，并最大程度的減少錯誤識別，而這一系統(tǒng)需要基于肺癌細(xì)胞病理電腦診斷系統(tǒng)實現(xiàn)。肺癌細(xì)胞病理電腦診斷系統(tǒng)通過圖形采集選擇高質(zhì)量的肺癌細(xì)胞涂片的原始圖像，進(jìn)行預(yù)處理和灰度轉(zhuǎn)換。采應(yīng)用直方圖和雙閾值對圖像進(jìn)行分割，將質(zhì)量不合格的細(xì)胞區(qū)域篩除。將已經(jīng)錄入專家?guī)斓恼＜?xì)胞和肺癌細(xì)胞的核、漿進(jìn)行對比和排列，應(yīng)用八鏈碼表示法提取肺癌細(xì)胞的圖像特征作為參照，從形態(tài)和色度方面對肺癌細(xì)胞進(jìn)行初步識別，對肺癌細(xì)胞和非肺癌細(xì)胞進(jìn)行判斷。然后應(yīng)用計算機(jī)專家系統(tǒng)對判定為肺癌的細(xì)胞的形態(tài)、位置、染色質(zhì)分布進(jìn)行推理診斷，進(jìn)一步對肺癌細(xì)胞和非肺癌細(xì)胞進(jìn)行判斷。最后應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模擬人腦結(jié)構(gòu)和大腦的信息傳導(dǎo)方式，建立數(shù)據(jù)分析模型，通過特征提取有效待檢細(xì)胞的14個特征向量，其中包括6個形態(tài)特征、6個色度特征和整幅圖像的細(xì)胞區(qū)域灰度平均值和紅色分量平均值，模擬人腦思維，對樣本進(jìn)行學(xué)習(xí)和訓(xùn)練。本系統(tǒng)的診斷程序為先進(jìn)行全片掃描，通常每次檢查100～200個細(xì)胞，然后對細(xì)胞進(jìn)行形態(tài)學(xué)和色度學(xué)檢查，應(yīng)用專家系統(tǒng)識別肺癌細(xì)胞和非肺癌細(xì)胞，再通過人工神經(jīng)網(wǎng)絡(luò)識別和判斷肺癌細(xì)胞類型，經(jīng)過層層識別和判斷，得出最終診斷結(jié)果。本系統(tǒng)識別診斷的工作程序見圖2所示。

圖1 肺癌細(xì)胞病理電腦診斷系統(tǒng)診斷流程圖

圖2 肺癌細(xì)胞病理電腦診斷系統(tǒng)識別診斷的工作程序

1.3 觀察指標(biāo)

本研究觀察基于人工神經(jīng)網(wǎng)絡(luò)和計算機(jī)圖像處理的肺癌細(xì)胞病理電腦診斷系統(tǒng)的肺癌診斷結(jié)果與患者術(shù)后病理組織診斷結(jié)果的符合率以及該系統(tǒng)診斷肺癌的敏感性和特異性。

2.結(jié)果

運用肺癌細(xì)胞病理電腦診斷系統(tǒng)診斷肺癌主要病理類型鱗狀細(xì)胞癌、腺癌、未分化癌、小細(xì)胞癌的結(jié)果與術(shù)后病理組織診斷結(jié)果的總符合率93.33%，具體研究數(shù)據(jù)見表1所示。

表1 肺癌細(xì)胞病理電腦診斷系統(tǒng)的肺癌診斷結(jié)果與患者術(shù)后病理組織診斷結(jié)果的符合率統(tǒng)計

3.討論

肺癌是全球范圍內(nèi)發(fā)病率和病死率增長最快的惡性腫瘤疾病。近50年來，世界范圍內(nèi)多個國家的肺癌發(fā)病率和病死率均呈現(xiàn)出逐年上升的趨勢，現(xiàn)階段該疾病已成為威脅人類生命健康最常見的惡性腫瘤疾病[5]。長期觀察發(fā)現(xiàn)，肺癌具有起病隱匿的特點，多數(shù)患者在疾病中晚期時確診，治療難度明顯增大，預(yù)后較差。因此，實現(xiàn)肺癌的早期診斷、及時治療十分必要[6]?？偨Y(jié)我國臨床的肺癌診治經(jīng)驗發(fā)現(xiàn)，該疾病早期診斷的誤診率較高，如何提高肺癌的早期診斷準(zhǔn)確率已成為我國醫(yī)療領(lǐng)域近年來的熱點研究內(nèi)容[7]。國內(nèi)外研究學(xué)者認(rèn)為任何惡性腫瘤疾病的早期診斷均不能依靠一種診斷方法，肺癌的早期診斷也是如此，需要多種診斷方法的相互輔助實現(xiàn)[8]。

本研究對基于人工神經(jīng)網(wǎng)絡(luò)的肺癌細(xì)胞圖像特征的提取與識別進(jìn)行探討，并分析該系統(tǒng)在肺癌患者臨床診斷中的應(yīng)用價值。研究過程中應(yīng)用計算機(jī)系統(tǒng)對肺癌細(xì)胞學(xué)涂片的圖像信息進(jìn)行提取和識別，該種圖像特征分析方法在速度和準(zhǔn)確性方面均明顯優(yōu)于肺癌病理學(xué)專家的肉眼識別。統(tǒng)計得出肺癌細(xì)胞病理電腦診斷系統(tǒng)的肺癌診斷結(jié)果與患者術(shù)后病理組織診斷結(jié)果的符合率為93.33%，120例肺癌患者共包括鱗狀細(xì)胞癌、腺癌、未分化癌、小細(xì)胞癌四種肺癌病理類型，表明通過應(yīng)用肺癌細(xì)胞病理電腦診斷系統(tǒng)獲取的肺癌圖像信息進(jìn)行肺癌診斷，能夠?qū)Σ煌±眍愋偷姆伟┻M(jìn)行判斷。國外研究學(xué)者D. Jude[9]等基于人工神經(jīng)網(wǎng)絡(luò)提取和識別肺癌細(xì)胞圖像的特征，并根據(jù)圖像特征對患者實施診斷，診斷準(zhǔn)確率高于80%。本文研究結(jié)果與國外研究學(xué)者D. Jude等的研究結(jié)果具有較大程度的相似性。分析能夠得到上述研究結(jié)果的原因為：細(xì)胞核的大小、形態(tài)等特征是鑒別細(xì)胞良惡性的重要參考指標(biāo)，在定性診斷中應(yīng)用的描述方法，往往存在一定程度的描述誤差，缺乏嚴(yán)格的數(shù)據(jù)參考。而基于人工神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)對肺癌細(xì)胞圖像特征進(jìn)行提取、識別，采用的人工智能和圖像處理技術(shù)，能夠有效克服傳統(tǒng)描述方法在直接處理、結(jié)構(gòu)性信息描述方面存在的弊端。

對上述研究內(nèi)容及結(jié)果進(jìn)行總結(jié)性分析，本研究認(rèn)為基于人工神經(jīng)網(wǎng)絡(luò)和計算機(jī)圖像處理對肺癌細(xì)胞的圖像特征進(jìn)行提取和識別，對肺癌患者實施診斷，準(zhǔn)確率高，能夠為肺癌的早期診斷提供客觀參考依據(jù)，具有推廣應(yīng)用價值。但由于本次研究所選取樣本量較少，研究過程有待進(jìn)一步規(guī)范，且現(xiàn)階段臨床上關(guān)于該方面的課題研究較少，因此本研究所得研究的客觀性仍需通過后續(xù)進(jìn)行大量的實踐研究進(jìn)行驗證。

[1]龔平,郭華雄,王文清等.基于人工神經(jīng)網(wǎng)絡(luò)的肺癌細(xì)胞形態(tài)學(xué)診斷模型的建立及應(yīng)用[J].中華生物醫(yī)學(xué)工程雜志,2012,18(1):73-76.

[2]C.Iglesias,J.Martinez Torres,P.J.Garcia Nieto et al.Turbidity Prediction in a River Basin by Using Artificial Neural Networks:A Case Study in Northern Spain[J].Water resources management,2014,28(2):319-331.

[3]黃利娟,梁學(xué)柱,查君敬等.基于BP神經(jīng)網(wǎng)絡(luò)的肺癌手術(shù)患者住院費用影響因素分析[J].中國病案,2014,15(6):53-55.

[4]田剛,周明術(shù),杭永倫等.腫瘤標(biāo)志對肺癌診斷價值PLS-DA和ANN-MPL模型評估[J].中華腫瘤防治雜志,2014,21(5):380-383,392.

[5]Jose Miguel Flores-Fernandez,Enrique J. Herrera-Lopez,Francisco Sanchez-Llamas et al.Development of an optimized multi-biomarker panel for the detection of lung cancer based on principal component analysis and artificial neural network modeling[J].Expert Systems with Applicati on,2012,39(12):10851-10856.

[6]王威,段曉冉,譚善娟等.基于3種基因啟動子甲基化聯(lián)合端粒長度構(gòu)建肺癌篩查神經(jīng)網(wǎng)絡(luò)模型[J].鄭州大學(xué)學(xué)報(醫(yī)學(xué)版),2014,13(2):176-179.

[7]李學(xué)滄,賈識楨.基于卷積神經(jīng)網(wǎng)絡(luò)的小細(xì)胞型肺癌輔助檢測方法[J].中國數(shù)字醫(yī)學(xué),2013,7(10):65-67,72.

[8]Feng,F.,Wu,Y.,Nie,G.et al.The effect of artificial neural network model combined with six tumor markers in auxiliary diagnosis of lung cancer.[J].Journal of medical systems,2012,36(5):2973-2980.

[9]D.Jude Hemanth,C.Kezi Selva Vijila,A.Immanuel Selvakumar et al.Performance Improved Iteration-Free Artificial Neural Networks for Abnormal Magnetic Resonance Brain Image Classification[J].Neurocomp uting,2014,130(Apr.23):98-107.

本文受內(nèi)蒙古自治區(qū)自然科學(xué)基金項目（項目編號:2016 MS0601），包頭醫(yī)學(xué)院科學(xué)研究基金項目（項目編號：BYJJ-QM 201637）資助。

唐思源（1981－），女，碩士，副教授，主要研究方向為：醫(yī)學(xué)圖像處理。