基于Ad-BN 自適應深度卷積神經(jīng)網(wǎng)絡的肝臟纖維化超聲診斷技術(shù)的研究

惠 冉，師 琳，房勤茂（通訊作者）

（1 河北醫(yī)科大學第三醫(yī)院超聲科 河北 石家莊 050051）

（2 石家莊市第一醫(yī)院消化內(nèi)一科 河北 石家莊 050011）

肝纖維化是對各種原因引起的肝損傷的代償性修復反應，并且是各種慢性肝病的常見病理過程。這是一個慢性、漸進性過程，其特征在于增生和肝臟中纖維結(jié)締組織的沉積。隨著科技的發(fā)展進步，細胞和分子生物學技術(shù)更加成熟，人們對肝纖維化發(fā)展的分子和細胞機制有了更進一步的了解。目前，肝纖維化被認為是在存在肝損傷的組織修復過程中，ECM 的合成和降解不平衡引起的一系列病理變化。

1 組織學診斷方法

1.1 常規(guī)和廣義組織學檢查

肝纖維診斷的金標準為常規(guī)組織病理學檢查。通過連續(xù)的肝活檢標本切片，常規(guī)蘇木精-伊紅、網(wǎng)狀纖維和（或）Masson 三色染色確定肝小葉的結(jié)構(gòu)，炎癥范圍和纖維化程度的變化[1]。

1.2 組織學半定量評估系統(tǒng)

基于肝纖維化的分布范圍、形式和數(shù)量的定量分析，目前seheuer、METAVIR、Ishak 和Knodell 是四種廣泛使用的、用于評估肝纖維化的分期的半定量的積分系統(tǒng)。因為它們都重視纖維間隔的形成判斷和橋接纖維化的發(fā)生，所以彼此之間有很好的相關(guān)性。近年來，臨床和病理學聯(lián)系中一般都注重在分期診斷中區(qū)分是否存在明顯纖維化的重要性，用S0 ～S1 表示無明顯纖維化，而Scheuer ≥2或METAVIR ≥2 或Ishak ≥3 被定義為臨床上顯著的肝纖維化，即纖維隔膜或橋接纖維化的出現(xiàn)。因此，在評估S2 和S3 之間的纖維化進展與S1 和S2 之間的纖維化進展相比之下，前者更重要，特征圖如圖1，圖2 所示。

圖1

圖2

2 主要研究內(nèi)容

卷積神經(jīng)網(wǎng)絡是多級神經(jīng)網(wǎng)絡。它包含了用來提取輸入信號的特征的濾波級（Filtering Stage）與對學習到的特征進行分類的分類級（Classification Stage）。其中，濾波級和分類級的網(wǎng)絡參數(shù)是共同訓練得到的。濾波級包括三個基本單元：卷積層、池化層和激活層；分類級別通常由完全連接的層組成。

該項目針對一維信號的特征提出了 “具有大尺度卷積核深度卷積神經(jīng)網(wǎng)絡” 模型，該結(jié)構(gòu)特征是基層是一個大尺度的卷積核。之后卷積層都是3*1 的小卷積核[2]。WFKCNN 算法的研究的目的是提取短時特征，作用類似于短時傅里葉變換，基層是大尺度卷積核。

3 采用的技術(shù)路線

3.1 批量歸一化層（BN）

在該項目中，將在卷積層與活動層之間以及完全連接的層與活動層中，添加批量歸一化層。主要步驟：

（1）從卷積層或完全連接層的輸入中減去Mini-Batch 的平均值；

（2）除以標準差；

這類似于標準化操作，以加快訓練速度[3]。批量歸一化操作的描述如下式（1）：

當BN 作用在卷積層時，令第l 個BN 層的輸入為

yl=（yl(i,1),…,yl(i,j),yl(i,ρ)）批量歸一化操作的描述如下式（2）所示：

3.2 WFK-CNN 超參數(shù)設(shè)計原則

選擇基層卷積核的大小、步長和卷積層數(shù)。感受野作為卷積神經(jīng)網(wǎng)絡的設(shè)計核心，是神經(jīng)元在其基礎(chǔ)網(wǎng)絡中感知范圍。如圖3 所示，在神經(jīng)元的最后合并層中的黑色神經(jīng)元，也就是輸入信號中的感受野。

圖3 神經(jīng)元感受野示意圖

3.3 WFK-CNN 圖像判別診斷試驗

為驗證WFK-CNN 模型及其Ad-BN 領(lǐng)域自適應處理后的抗噪性能，即在SNR 值從-4dB 到10dB 的環(huán)境中的識別率。同時，為了驗證該模型中的基層大尺度卷積核的必要性，試驗當基層卷積核大小從16 變化到128 時，測試WFK-CNN及WFK-CNN（Ad-BN）在不同強度帶噪聲信號上的診斷率。

可視化WFK-CNN 基層16 個卷積核，通過對時域波形的觀察，可以了解到學習后獲得的波形完全不同，其中的第6個、第11個卷積核的形狀（由上而下，從左到右）接近于正弦函數(shù)，并且周期非常大。所以，兩個卷積核提取了被卷積區(qū)域的低頻特征。從頻域表達式中可以看出，卷積核頻域的峰值在中頻帶占大部分，在低頻帶也存在一部分。由上可得，卷積核提取了中低頻特性。從而可知，基層卷積核可以視為低通濾波器，這對于在嘈雜環(huán)境中診斷模型是非常有利的。另外，卷積核一次僅提取幾個頻域特征，并且提取位置相對集中。使用卷積核進行特征提取的方法與FFT 提取所有頻帶的特二者進行對比，前者更有針對性，更有效。