以深度學(xué)習(xí)方法為載體的醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)算法分析

羅琪

摘要：文章將以深度學(xué)習(xí)方法為裁體，分析醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)算法，使用這種方法可以省去濾波和差異圖構(gòu)造操作，從而提高檢測(cè)效率。文章首選對(duì)檢測(cè)流程進(jìn)行分析，主要包含四步，即構(gòu)建深度神經(jīng)網(wǎng)絡(luò)、構(gòu)建合適樣本、訓(xùn)練網(wǎng)絡(luò)和檢測(cè)。通過實(shí)驗(yàn)結(jié)果表明，該算法應(yīng)用于醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)中具有較好的效果，能夠提高檢測(cè)準(zhǔn)確率和效率。

關(guān)鍵詞：深度學(xué)習(xí);醫(yī)學(xué)影像;變化檢測(cè)

中圖分類號(hào)：TP753

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-5922（2020）12-0132-04

在醫(yī)學(xué)領(lǐng)域，影像實(shí)時(shí)變化檢測(cè)技術(shù)有助于分析人體器官和病變組織變化區(qū)域，屬于當(dāng)前最為重要的圖像處理方式之一[1]。深度學(xué)習(xí)方法的優(yōu)勢(shì)較多，主要利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析問題，對(duì)特征進(jìn)行提取和分類，能夠具有比較廣泛的應(yīng)用，于是受到廣大研究者的青睞[2-3]。于是文章將以深度學(xué)習(xí)方法為載體，研究醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)算法，文章提供的醫(yī)學(xué)影像為腦白質(zhì)疏松癥MRI圖像，能夠進(jìn)行醫(yī)學(xué)輔助診斷。

1 以深度學(xué)習(xí)方法為載體的變化檢測(cè)算法流程

在醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)中，只要是兩幅原始影像之間就會(huì)存在較為復(fù)雜的關(guān)系，所以獲得變化檢測(cè)會(huì)相當(dāng)困難，但是通過使用深度學(xué)習(xí)方法能夠表達(dá)復(fù)雜抽象的關(guān)系，于是將其應(yīng)用到醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)中，通過算法的應(yīng)用能夠分析出兩幅影像未變化類和變化類，這種方式不僅能夠獲得變化檢測(cè)結(jié)果，而且還省去了濾波和差異圖構(gòu)造過程，這樣就可以提高工作效率[4-5]。

變化檢測(cè)技術(shù)往往在災(zāi)害風(fēng)險(xiǎn)評(píng)估和醫(yī)療中進(jìn)行應(yīng)用，由于這些領(lǐng)域中特點(diǎn)，沒有先驗(yàn)知識(shí)，于是對(duì)其進(jìn)行檢測(cè)所使用的方式就是深度神經(jīng)網(wǎng)絡(luò)[6]。于是文章將以深度學(xué)習(xí)方法為載體，分析醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)算法，其主要分析步驟包含四步，分別為構(gòu)建深度神經(jīng)網(wǎng)絡(luò)、構(gòu)建合適樣本、訓(xùn)練網(wǎng)絡(luò)，最后一個(gè)步驟就是將訓(xùn)練好的算法進(jìn)行分類然后獲取檢測(cè)結(jié)果。以深度學(xué)習(xí)方法為載體的實(shí)時(shí)變化檢測(cè)算法流程如圖1所示。

2 深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建

2.1 RBM能量模型

構(gòu)建深度神經(jīng)網(wǎng)絡(luò)需要對(duì)其分類器進(jìn)行訓(xùn)練，目的在于優(yōu)化權(quán)值和偏重，為了得到滿意度較高的權(quán)重，需要對(duì)每一層進(jìn)行計(jì)算和分析，于是使用RMB能夠完成該步驟。

在RBM能量模型中存在可見層和隱含層，其之間存在的能量函數(shù)如下所示[7]：

當(dāng)能量越小時(shí)，系統(tǒng)的穩(wěn)定性將會(huì)越好，所以文章進(jìn)行預(yù)訓(xùn)練的主要作用是使得能量函數(shù)達(dá)到最小值，于是就可以時(shí)系統(tǒng)穩(wěn)定性達(dá)到最大化。

2.2 DBN網(wǎng)絡(luò)的訓(xùn)練

對(duì)DBN網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)必須要有幾個(gè)RBM作為基礎(chǔ)，訓(xùn)練過程中所使用到的初始值是由RBM預(yù)訓(xùn)練所得到的權(quán)重，其公式在建立過程中涉及到的損失函數(shù)為交叉熵，然后還需要對(duì)函數(shù)進(jìn)行微調(diào)，使用到方式為反向傳播策略，于是得到如下所示[8]：

DBN的訓(xùn)練過程如下：

1）首先需要將每個(gè)位置的鄰域特征進(jìn)行輸入，然后再對(duì)兩個(gè)影像對(duì)應(yīng)位置所涉及到的鄰域進(jìn)行矢量化處理，然后再將其進(jìn)行連接，將其作為神經(jīng)網(wǎng)絡(luò)的輸入。

2）完成上述步驟之后，就需要將RBM進(jìn)行預(yù)訓(xùn)練處理，目的在于獲取初始化權(quán)重和偏移量。

3）預(yù)處理完成之后，再將RBM進(jìn)行展開處理，從而形成一個(gè)多層神經(jīng)網(wǎng)絡(luò)，即深度置信網(wǎng)絡(luò)。

4）最后就是對(duì)深度置信網(wǎng)絡(luò)進(jìn)行優(yōu)化和微調(diào)，其中使用的方法為反向傳播算法。

3 構(gòu)造樣本集

完成上述工作之后即可以得到神經(jīng)網(wǎng)絡(luò)，然后再構(gòu)造合適的樣本，目的在于對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。首先需要對(duì)原始MRI圖像使用歸一化方式進(jìn)行處理，由于文章是以兩張腦白質(zhì)MRI作為研究影像，將10%和90%作為灰度值的最小和最大值，然后歸一化處理之后得到0-255。

然后通過預(yù)分類方式選擇合適的標(biāo)簽，使用FGFCM聯(lián)合分類算法進(jìn)行聚類，給方式更加適合于醫(yī)學(xué)影像變化檢測(cè)研究。聯(lián)合分類算法的具體流程如圖2所示。

3.3特征的篩選

上述所獲得的結(jié)果比不是最終結(jié)果，準(zhǔn)確率比較低，于是再對(duì)其進(jìn)一步處理，從而得到精度更高的結(jié)果，其中使用的算法為JFCM，作用就是對(duì)特征進(jìn)行過濾。特征的篩選主要流程如圖3所示。

3.4快速?gòu)V義FCM算法

傳統(tǒng)的FCM算法不利于醫(yī)院影像研究，因?yàn)槠鋵?duì)偽影和噪聲比較敏感，所以研究誤差會(huì)比較大。于是文章使用快速?gòu)V義FCM，即FCFCM進(jìn)行研究。FC-FCM的計(jì)算流程圖如圖4所示。

4 實(shí)驗(yàn)結(jié)果

為了檢驗(yàn)算法的有效應(yīng)，將其應(yīng)用到腦白質(zhì)疏松癥腦部MRI圖像處理上。實(shí)驗(yàn)數(shù)據(jù)來(lái)源與15為病人樣本，通過分析樣本之后選擇兩組樣本作為測(cè)試對(duì)象，每一組中都包含三個(gè)部分，第一部分和第二部分分別為治療之前和之后的MRI影像，第三部分為人工檢測(cè)結(jié)構(gòu)。

圖5和圖6即為兩組檢測(cè)結(jié)果，為了突出本文算法的優(yōu)勢(shì)，將改進(jìn)后的NSST算法作為對(duì)比試驗(yàn)。表1和表2即為檢測(cè)結(jié)果定量分析。從圖表中可以看出，相比于RNSST算法，本文所研究的算法能夠降低漏檢率和錯(cuò)檢率，而且得到的圖像更加與真實(shí)圖像類似，從而有助于找到病變區(qū)域的變化部分，從而提高醫(yī)學(xué)檢測(cè)結(jié)果。

5 結(jié)語(yǔ)

文章對(duì)以深度學(xué)習(xí)方法為載體，研究醫(yī)學(xué)影像實(shí)時(shí)在線檢測(cè)算法，通過將其應(yīng)用實(shí)際醫(yī)學(xué)圖像中，具有較好的應(yīng)用效果，能夠準(zhǔn)確的檢測(cè)出變化部分，從而有助于醫(yī)學(xué)影像分析，能夠?yàn)榕R床治療提供更過的參考依據(jù)，將會(huì)具有較好的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]劉芬，基于變化檢測(cè)技術(shù)的腦瘤計(jì)算機(jī)輔助診斷方法應(yīng)用研究[D].濟(jì)南：山東大學(xué)，2010.

[2]孫志軍，薛磊，許陽(yáng)明，等.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2012，29（08）：2806-2810.

[3]呂樂，吳山東.深度學(xué)習(xí)和醫(yī)學(xué)影像在預(yù)防醫(yī)學(xué)中的機(jī)會(huì)[J]放射學(xué)實(shí)踐，2018，33（10）：24-26.

[4]龐浩，王樅，用于糖尿病視網(wǎng)膜病變檢測(cè)的深度學(xué)習(xí)模型[J].軟件學(xué)報(bào)，2017，28（11）：3018-3029.

[5]夏黎明，沈堅(jiān)，張榮國(guó)，等.深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用[J].協(xié)和醫(yī)學(xué)雜志，2018，9（01）：10-14.

[6]周林浩.基于深度神經(jīng)網(wǎng)絡(luò)的SAR圖像變化檢測(cè)[D].西安：西安電子科技大學(xué)，2018.

[7]張浩，吳秀娟.深度學(xué)習(xí)的內(nèi)涵及認(rèn)知理論基礎(chǔ)探析[J].中國(guó)電化教育，2012（10）：7-11+21.

[8]郭楊.癌癥放療影像變化檢測(cè)算法研究[D].太原：中北大學(xué)，2018.