基于深度神經(jīng)網(wǎng)絡(luò)的乳腺癌病灶分割系統(tǒng)的研究開發(fā)

徐夏俊 姜雨凱

摘要：病灶分割是一種常應用于醫(yī)療圖像中針對病灶區(qū)域的識別技術(shù)。圖像分割技術(shù)在早期主要采用的是傳統(tǒng)方式，但是識別不夠準確，且效率較低，不能夠滿足當前醫(yī)療上的要求。該文利用基于V-Net技術(shù)設(shè)計一套磁共振圖像乳腺癌病灶的分割系統(tǒng)，通過上傳三維圖像，自動檢測腫瘤區(qū)域，用來作為輔助醫(yī)生判斷的一種手段，滿足當前醫(yī)學領(lǐng)域的實際要求。

關(guān)鍵詞：深度學習;圖像分割;醫(yī)學圖像;乳腺癌;V-Net網(wǎng)絡(luò)

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2020）10-0208-02

隨著醫(yī)療技術(shù)的不斷發(fā)展，采用圖像分割找出病灶區(qū)域已經(jīng)成為一個非常值得關(guān)注的話題。目前國內(nèi)患乳腺癌病人人數(shù)每天都在不斷地增加，并且呈年輕化趨勢發(fā)展，為了減少醫(yī)生的負擔，提高診斷效率，需要一種高效率、全天候、穩(wěn)定的輔助醫(yī)生診斷的技術(shù)。

近年來深度學習被廣泛應用，并在圖像分割上有著不錯的發(fā)展。全卷積網(wǎng)絡(luò)FCN的提出，打開了端到端模型的先河;Ronneberger等人將FCN和ResNet結(jié)合，提出了U-Net網(wǎng)絡(luò)框架，提高了在醫(yī)學領(lǐng)域上的病灶分割效果;Milletari等人提出了改進型U-Net，名為V-Net，使用了Dice損失函數(shù)，更適用于醫(yī)學圖像上的病灶分割。

本文以V-Net神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)來實現(xiàn)一套磁共振圖像乳腺癌病灶分割系統(tǒng)。從實驗得出證明，該系統(tǒng)可以滿足實際需要。

1基于V-Net的MRI乳腺癌病灶分割系統(tǒng)設(shè)計

在乳腺癌病灶分割系統(tǒng)中主要包括圖像采集和標記、三維圖像預處理、病灶區(qū)域特征提取和病灶區(qū)域預測這四個過程。系統(tǒng)的大致思路流程如圖1所示：

1.1圖像采集和標記

從某醫(yī)院獲取相應的病人MR圖像，并與醫(yī)生配合，對病人圖像進行精準分割。根據(jù)醫(yī)生的經(jīng)驗判斷，使用ITK-SNAP工具對病灶區(qū)域進行定點標記。

1.2三維圖像的預處理

首先需要局部切割，從原三維圖像中找到標記的病灶區(qū)域，計算其病灶區(qū)域的中心位置，再以中心點向外制作一個大小為128x128x64的三維矩陣，保證病灶區(qū)域完整的覆蓋，然后將其進行裁剪，最后在此基礎(chǔ)上將其縮放至符合V-Net網(wǎng)絡(luò)的標準。針對測試圖像，則是利用乳腺的對稱性選取符合的中心點作為切割的中心位置來進行切割。

1.3病灶區(qū)域特征提取

三維圖像經(jīng)過預處理后的規(guī)格為64x64x32，將其送入V-Net模型中提取特征。整個V-Net的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

使用V-Net模型作為該實驗研究的基礎(chǔ)算法模型，原因在于它有著非常成熟的分割架構(gòu)，加入了跳層思想，摒棄了全連接層，且采用三維卷積核處理3D圖像。

V-Net網(wǎng)絡(luò)主要采用的均是5x5x5的卷積核，并且在卷積層內(nèi)部使用級聯(lián)操作，彌補特征不足，緩解梯度消失。池化層使用2x2x2的卷積核、步長為2進行縮放，摒棄了全連接層，反卷積通過矩陣轉(zhuǎn)置運算操作將特征圖進行擴大，最后利用soft-max層將體素轉(zhuǎn)換為前景區(qū)域和背景區(qū)域的概率分割圖達到端到端的效果。

整個網(wǎng)絡(luò)模型的訓練使用的是Dice損失函數(shù)，在針對二分類的問題上有著很好的效果。Dice系數(shù)計算公式如下：

式（1）中：N表示體素塊的數(shù)量，pi表示網(wǎng)絡(luò)的預測結(jié)果，毋表示對應數(shù)據(jù)的真實結(jié)果。

1.4病灶區(qū)域預測

三維醫(yī)學圖像在經(jīng)過V-Net網(wǎng)絡(luò)提取特征后，得到了包含乳腺癌病灶區(qū)域特征的模型，利用訓練好的模型對測試樣本進行分割。

在得出分割的三維預測圖像后，查看乳腺癌病灶區(qū)域分割位置，計算真實圖像和預測圖像之間的相似度，并根據(jù)不同的評價指標來判斷預測效果。

2實驗結(jié)果評估和分析

2.1實驗數(shù)據(jù)

實驗中采集了30個病人的圖像數(shù)據(jù)，每位病人挑選了1期、2期、4期和6期，1期為未增強的圖像數(shù)據(jù)，2期、4期和6期分別是在打藥增強后的每隔一分鐘掃描的圖像數(shù)據(jù)，其中18位病人為訓練集，12位病人為測試集。

2.2評估指標

為了評估分割效果，采用四種常見的評價指標，分別是Dice相似性系數(shù)（DsC）、Hausdorff距離系數(shù)、VOE系數(shù)和RVD系數(shù)。評價指標公式如下：

2.3結(jié)果與分析

圖3是乳腺癌病灶分割的結(jié)果，從圖中可以看出，V-Net的自動分割的結(jié)果和ground truth之間相似度很高。

為了使用數(shù)據(jù)結(jié)果來對比，表1中給出了不同序列下預測圖像和真實圖像之間的評價結(jié)果，發(fā)現(xiàn)增強后的圖像準確率上要更好，主要原因在于增強后的圖像在細節(jié)和紋路上比較清晰，特征明顯。

從不同維度的分割進行比較，表2分別將常見的以二維卷積為基礎(chǔ)的U-Net、SegNet和三維卷積的V-Net網(wǎng)絡(luò)進行比較，得出結(jié)論：在三維卷積下醫(yī)學圖像的分割準確率要高，主要學習了不同維度上的特征，豐富了信息，使得分割效果變好。

3結(jié)束語

本文設(shè)計的乳腺癌病灶分割系統(tǒng)，使用V-Net網(wǎng)絡(luò)對乳腺癌病灶區(qū)域進行分割。經(jīng)過實驗證明，通過使用V-Net網(wǎng)絡(luò)能夠很好地對病灶區(qū)域進行分割，操作簡單，且有著良好的準確率、魯棒性，能夠滿足醫(yī)學圖像領(lǐng)域的實際需求。