基于深度學(xué)習(xí)的DR胸片智能質(zhì)控方法研究

王平，胡博奇，安東洪，劉蓄蕾，石張鎮(zhèn)，田中生，郝富德，劉景鑫

1. 吉林大學(xué)中日聯(lián)誼醫(yī)院 放射科，吉林 長(zhǎng)春 130033；2. 遼寧萬(wàn)象聯(lián)合醫(yī)療科技有限公司，遼寧 沈陽(yáng) 110000

引言

影像學(xué)檢查是當(dāng)今醫(yī)學(xué)檢查的重要組成部分，為臨床疾病診斷、癌癥的篩查、病灶的定位及定性、臨床治療方案的選擇、疾病的分期及預(yù)后等提供了重要依據(jù)。醫(yī)學(xué)影像診斷是指醫(yī)生通過(guò)非侵入性的方式取得內(nèi)部組織影像數(shù)據(jù)，再以定量和定性的形式進(jìn)行疾病診斷[1]。隨著X線攝影技術(shù)的發(fā)展與普及，越來(lái)越多的醫(yī)療機(jī)構(gòu)引進(jìn)了X線DR設(shè)備，且廣泛地應(yīng)用于各個(gè)醫(yī)療機(jī)構(gòu)的多種業(yè)務(wù)場(chǎng)景。X線胸片攝影是常規(guī)體檢的檢查項(xiàng)目之一。X線攝影的簡(jiǎn)便、快捷、經(jīng)濟(jì)、實(shí)用的優(yōu)勢(shì)日漸突出，成為胸部疾病檢查的優(yōu)先選擇。X線攝影利用人體各組織密度的不同，可觀察到密度和厚度差別較小的病變。X線胸片能清晰地記錄肺部的大體病變，如結(jié)核、腫塊、炎癥等。其中，正位胸片攝影和側(cè)位攝影最為常見(jiàn)，影像數(shù)量最多。因此，正側(cè)位胸片攝影的質(zhì)量控制工作量極大。目前，正側(cè)位胸片攝影的質(zhì)量控制主要以人工判定為主，容易受到多方面因素的干擾和限制，如主觀認(rèn)知水平、疲勞程度、工作經(jīng)驗(yàn)以及環(huán)境亮度等，難以滿足當(dāng)前的工作需求。

近年來(lái)計(jì)算機(jī)硬件性能顯著提升，尤其是GPU性能不斷突破，可以支撐大量數(shù)據(jù)的并行計(jì)算，提供更高的訪存速度和更高的浮點(diǎn)運(yùn)算能力。因此，云計(jì)算、大數(shù)據(jù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等領(lǐng)域發(fā)展迅速，為各領(lǐng)域提供了解決問(wèn)題的新方案。在醫(yī)學(xué)影像領(lǐng)域中，近年來(lái)提出了很多基于深度學(xué)習(xí)的醫(yī)學(xué)影像語(yǔ)義分析應(yīng)用[2-3]，基于深度學(xué)習(xí)技術(shù)自動(dòng)地提取醫(yī)療影像中的各種語(yǔ)義信息、綜合分析提取的語(yǔ)義信息，最終實(shí)現(xiàn)目標(biāo)區(qū)域的自動(dòng)分割[4-5]。本文將醫(yī)學(xué)業(yè)務(wù)知識(shí)與人工智能技術(shù)相結(jié)合，以醫(yī)療影像大數(shù)據(jù)為驅(qū)動(dòng)，提出了一種基于深度學(xué)習(xí)的DR胸片常規(guī)攝片質(zhì)量控制方法，解決了人工質(zhì)控效率低、誤差大等問(wèn)題。

1 研究方法

本文中質(zhì)控方法的醫(yī)學(xué)業(yè)務(wù)規(guī)則借鑒了國(guó)內(nèi)外放射科管理規(guī)范、質(zhì)控標(biāo)準(zhǔn)。針對(duì)DR正、側(cè)位胸片常規(guī)攝影，提出了總體完整、臟器完整、成像細(xì)節(jié)、位置細(xì)節(jié)四大類質(zhì)控規(guī)則，涵蓋了醫(yī)學(xué)影像質(zhì)控的主要評(píng)估標(biāo)準(zhǔn)。

本文中質(zhì)控方法以深度學(xué)習(xí)為技術(shù)核心，通過(guò)對(duì)語(yǔ)義分析技術(shù)進(jìn)行改進(jìn)，構(gòu)建深度學(xué)習(xí)質(zhì)控模型來(lái)對(duì)醫(yī)療影像進(jìn)行總體完整、臟器完整、成像細(xì)節(jié)、位置細(xì)節(jié)四大類質(zhì)控規(guī)則的評(píng)判。主要?jiǎng)?chuàng)新如下：① 綜合國(guó)內(nèi)外質(zhì)控標(biāo)準(zhǔn)，提出了人工智能可評(píng)估的DR正位胸片攝影和側(cè)位胸片攝影的質(zhì)控規(guī)則；② 首次提出了一種基于深度學(xué)習(xí)的DR正位胸片和側(cè)位胸片攝片的質(zhì)控方法。

1.1 醫(yī)學(xué)業(yè)務(wù)規(guī)則

關(guān)于X射線的質(zhì)量控制，國(guó)家頒布了一系列規(guī)章制度[6-9]，規(guī)定了醫(yī)用X射線的衛(wèi)生防護(hù)、影像質(zhì)量控制規(guī)范、放射防護(hù)要求、檢查操作規(guī)程等。在相關(guān)文獻(xiàn)中，給出了主要組織器官的X射線檢查操作規(guī)范、圖像質(zhì)控標(biāo)準(zhǔn)、影像診斷規(guī)范與質(zhì)控標(biāo)準(zhǔn)[10]。此外，有文獻(xiàn)介紹了對(duì)腹部、胸部、腰椎、顱骨、胸椎五個(gè)部位的照射方法與圖像質(zhì)量的研究，為X射線設(shè)備的質(zhì)量控制提供了參考[11]。Hobbs[12]對(duì)歐共體指南沒(méi)有進(jìn)一步描述的扭曲和傾斜誤差進(jìn)行了研究，通過(guò)檢查鎖骨頭與棘突的關(guān)系評(píng)估誤差的影響。Grewal等[13]通過(guò)對(duì)多種因素產(chǎn)生的不同影響進(jìn)行研究，得出綜合性數(shù)字胸片圖像質(zhì)量評(píng)估方案。

1.2 語(yǔ)義分析

全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）是采用全卷積網(wǎng)絡(luò)進(jìn)行語(yǔ)義分析的第一種方法，雖然其網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單，但是為語(yǔ)義分析提供了一種新的思路，后續(xù)提出了許多基于FCN的圖像語(yǔ)義分析方法，這些方法在圖像語(yǔ)義分析方面都取得了很大的進(jìn)展[14]。例如，實(shí)例敏感的FCN可以利用圖像的局部一致性來(lái)估計(jì)實(shí)例，通過(guò)在一組實(shí)例敏感的score map上添加一個(gè)簡(jiǎn)單的集成模塊來(lái)獲取相對(duì)于實(shí)例位置的像素級(jí)分類器的結(jié)果[15]。

鑒于計(jì)算機(jī)計(jì)算能力的大幅提升，語(yǔ)義分析模型的網(wǎng)絡(luò)結(jié)構(gòu)逐步向深度、寬度擴(kuò)展。其目的是為了獲取更多的語(yǔ)義信息、更好地?cái)M合目標(biāo)函數(shù)，提升模型的性能。深度模型的代表網(wǎng)絡(luò)結(jié)構(gòu)是VGG[16]，由牛津大學(xué)Visual Geometry Group提出的卷積神經(jīng)網(wǎng)絡(luò)模型，其變體之一的VGG-16在ILSVRC-2013競(jìng)賽中取得了top-5上92.7%的準(zhǔn)確率。VGG-16由16個(gè)權(quán)重層組成，第一層使用了大量的小尺寸卷積核，與使用少量的大尺寸卷積核相比，模型參數(shù)更少，非線性更強(qiáng)，決策函數(shù)更靈敏，更易于訓(xùn)練。GoogLeNet的網(wǎng)絡(luò)結(jié)構(gòu)在深度和寬度兩個(gè)維度上進(jìn)行了擴(kuò)展，在ILSVRC-2014競(jìng)賽上取得了top-5上93.3%的準(zhǔn)確率[17]。GoogLeNet的網(wǎng)絡(luò)結(jié)構(gòu)極其復(fù)雜，共有22個(gè)權(quán)重層，并且引入了inception模塊。該模型的網(wǎng)絡(luò)結(jié)構(gòu)證實(shí)了權(quán)重層可以有更多的堆疊方式，而不僅僅是標(biāo)準(zhǔn)的序列方式。繼此之后，深度學(xué)習(xí)模型能夠快速、準(zhǔn)確地對(duì)圖像語(yǔ)義進(jìn)行分析，進(jìn)而使其在醫(yī)學(xué)影像中得到了更為廣泛的應(yīng)用，尤其在智能輔助診斷等方面發(fā)揮了重要作用[18-21]。

2 技術(shù)方案

在本章節(jié)，將介紹基于深度學(xué)習(xí)的DR正位胸片常規(guī)攝片和側(cè)位胸片常規(guī)攝片質(zhì)控方法的技術(shù)方案。首先，介紹如何提取醫(yī)療影像中不同維度的語(yǔ)義信息。其次，介紹基于深度學(xué)習(xí)的質(zhì)控方法框架。

2.1 醫(yī)療影像語(yǔ)義信息提取

在深度學(xué)習(xí)中，使用卷積層來(lái)提取圖像的語(yǔ)義信息。卷積層之所以能夠提取語(yǔ)義信息，在于其包含的卷積核，卷積層的原理如圖1所示。

圖1 卷積層原理

圖1中的卷積核尺寸為3×3，并且隨機(jī)分配了一組權(quán)重。卷積核在輸入圖像/中間語(yǔ)義信息上分別沿著寬度、高度兩個(gè)方向平移，在平移時(shí)與對(duì)應(yīng)位置上的輸入值做加權(quán)求和。平移結(jié)束時(shí)，得到的加權(quán)和組成了卷積結(jié)果，即語(yǔ)義信息。

為了獲取更多的語(yǔ)義信息，可以同時(shí)使用多個(gè)卷積核如圖2所示。

圖2 多卷積核卷積層

圖2中使用了4個(gè)3×3×3的卷積核，其中前兩個(gè)3表示卷積核的高度和寬度，最后一個(gè)3表示卷積核的通道數(shù)，應(yīng)與輸入數(shù)據(jù)的通道數(shù)一致。按照?qǐng)D1所示的卷積層工作原理，得到了7×7×4的輸出，其中輸出數(shù)據(jù)的通道數(shù)為4，與卷積核的個(gè)數(shù)一致。

為了獲取不同維度的語(yǔ)義信息，可以同時(shí)使用具有多個(gè)尺寸的卷積核，與圖2所示的原理一致，只是各個(gè)卷積核具有不同的高度和寬度。

通過(guò)上述的卷積層，可以提取出大量的、多個(gè)維度的語(yǔ)義信息。雖然這些語(yǔ)義信息有助于模型的訓(xùn)練，但是降低了計(jì)算速度、增加了過(guò)擬合的風(fēng)險(xiǎn)，因此引入了池化層。池化層通常分為最大池化層、平均池化層如圖3所示。

圖3 最大池化層、平均池化層原理

圖3中，輸入圖像/中間語(yǔ)義信息中每個(gè)底色對(duì)應(yīng)一次池化操作，池化區(qū)域的寬度和高度均為2。最大池化是選擇池化區(qū)域內(nèi)最大的值，平均池化是計(jì)算池化區(qū)域內(nèi)的平均值。池化區(qū)域也可以是其他尺寸，如3×3，5×5等。

通過(guò)池化層的處理，縮減了模型大小、提高了計(jì)算速度，以及所提取語(yǔ)義信息的魯棒性。

2.2 基于深度學(xué)習(xí)的質(zhì)控方法框架

基于深度學(xué)習(xí)的質(zhì)控方法是以深度學(xué)習(xí)為核心，輔以特征工程和結(jié)果可視化的完整技術(shù)解決方案，其方法框架如圖4所示。方法主要由三部分組成：特征工程，構(gòu)建、訓(xùn)練深度學(xué)習(xí)質(zhì)控模型，質(zhì)控結(jié)果可視化。

圖4 基于深度學(xué)習(xí)的DR正位胸片常規(guī)攝片質(zhì)控方法

特征工程：通過(guò)值域轉(zhuǎn)換將醫(yī)療影像的醫(yī)學(xué)值域轉(zhuǎn)換至統(tǒng)一的量綱；通過(guò)空間歸一化來(lái)規(guī)范醫(yī)療影像的各個(gè)空間特征；通過(guò)數(shù)據(jù)增強(qiáng)豐富了數(shù)據(jù)集，增加了數(shù)據(jù)的多樣性，提升了數(shù)據(jù)的魯棒性。

構(gòu)建、訓(xùn)練深度學(xué)習(xí)質(zhì)控模型：基于卷積層、池化層、輔助層構(gòu)建質(zhì)控模型。在深度上通過(guò)多層卷積層逐層地提取語(yǔ)義信息，增加語(yǔ)義信息的數(shù)量。在寬度上采用多個(gè)不同尺寸的卷積核獨(dú)立地提取語(yǔ)義信息，增加語(yǔ)義信息的維度。將最終提取的語(yǔ)義信息送入池化層，實(shí)現(xiàn)語(yǔ)義信息的靜態(tài)分析。靜態(tài)分析后的結(jié)果通過(guò)輔助層（如softmax）變換為數(shù)字化質(zhì)控結(jié)果。

訓(xùn)練模型所使用的數(shù)據(jù)集包括以下內(nèi)容：醫(yī)學(xué)影像，對(duì)應(yīng)的臟器、組織結(jié)構(gòu)掩碼。依據(jù)該數(shù)據(jù)集從語(yǔ)義提取、語(yǔ)義描述、語(yǔ)義匹配三個(gè)角度來(lái)訓(xùn)練模型，使模型能夠在醫(yī)學(xué)影像中分割出質(zhì)控所需的臟器、組織結(jié)構(gòu)，并在3.1節(jié)和3.2節(jié)給出了模型分割臟器、組織結(jié)構(gòu)的示例說(shuō)明。分割所需的臟器、組織結(jié)構(gòu)，是為了將其語(yǔ)義信息傳遞給總體完整、臟器完整、成像細(xì)節(jié)、位置細(xì)節(jié)模塊進(jìn)行質(zhì)控判定。

（1）語(yǔ)義提取。尋找易于追蹤和對(duì)比的語(yǔ)義；語(yǔ)義描述：對(duì)提取的語(yǔ)義用張量進(jìn)行描述，使其能夠在其他圖像中尋找到相似的語(yǔ)義；語(yǔ)義匹配：根據(jù)語(yǔ)義描述，在其他圖像中尋找所有相同的語(yǔ)義區(qū)域，根據(jù)尋找結(jié)果給出最終判定。

（2）總體完整?；诟髋K器、組織結(jié)構(gòu)語(yǔ)義信息中的空間信息計(jì)算各臟器、組織結(jié)構(gòu)相對(duì)于影像坐標(biāo)系的位置。當(dāng)各臟器、組織結(jié)構(gòu)的位置在質(zhì)控標(biāo)準(zhǔn)規(guī)定的合理范圍內(nèi)時(shí)，則總體完整這一項(xiàng)合格；反之，不合格。

（3）臟器完整。模型分割出的臟器與質(zhì)控標(biāo)準(zhǔn)中醫(yī)學(xué)影像應(yīng)包含的臟器類別個(gè)數(shù)一致，并且各個(gè)臟器完整，則臟器完整這一項(xiàng)合格；反之，不合格。

（4）成像細(xì)節(jié)?；诟髋K器、組織結(jié)構(gòu)語(yǔ)義信息，計(jì)算各臟器、組織結(jié)構(gòu)在醫(yī)學(xué)影像中的灰度值分布、對(duì)比度等信息。當(dāng)其符合質(zhì)控標(biāo)準(zhǔn)規(guī)定的合理范圍時(shí)，則成像細(xì)節(jié)這一項(xiàng)合格；反之，不合格。

（5）位置細(xì)節(jié)?；诟髋K器、組織結(jié)構(gòu)語(yǔ)義信息中的空間信息計(jì)算各臟器、組織結(jié)構(gòu)之間的相對(duì)位置，并基于圖像坐標(biāo)系進(jìn)行表示。當(dāng)各臟器、組織結(jié)構(gòu)之間的相對(duì)位置符合質(zhì)控標(biāo)準(zhǔn)規(guī)定的合理范圍時(shí)，則成像細(xì)節(jié)這一項(xiàng)合格；反之，不合格。

（6）質(zhì)控結(jié)果可視化。根據(jù)質(zhì)控模型返回的數(shù)字化質(zhì)控結(jié)果進(jìn)行可視化，提供圖示說(shuō)明、文字說(shuō)明、統(tǒng)計(jì)分析。供不同機(jī)構(gòu)、業(yè)務(wù)領(lǐng)域的用戶使用。

3 深度學(xué)習(xí)質(zhì)控模型結(jié)構(gòu)與工作原理

質(zhì)控模型通過(guò)訓(xùn)練，獲取了一組卷積層、池化層、輔助層的參數(shù)。模型中的參數(shù)能夠逐級(jí)地提取醫(yī)療影像的語(yǔ)義信息，并對(duì)語(yǔ)義信息進(jìn)行靜態(tài)分析和動(dòng)態(tài)整合，形成張量化的語(yǔ)義描述?；趶埩炕恼Z(yǔ)義描述在醫(yī)療影像中尋找相同的語(yǔ)義區(qū)域，實(shí)現(xiàn)語(yǔ)義匹配。模型通過(guò)卷積層提取語(yǔ)義的過(guò)程是對(duì)輸入影像進(jìn)行編碼，模型通過(guò)卷積層將提取的語(yǔ)義還原為影像的過(guò)程是對(duì)輸入影像的語(yǔ)義進(jìn)行解碼。當(dāng)解碼過(guò)程的輸出的尺寸與模型的輸入影像的尺寸一致時(shí)，解碼過(guò)程結(jié)束，并將該輸出作為模型的輸出。該操作的目的是為了將模型輸出的語(yǔ)義結(jié)果與輸入至模型的影像對(duì)應(yīng)，便于獲取模型輸出的語(yǔ)義在影像中所對(duì)應(yīng)的區(qū)域、組織、器官。本文中的DR正位胸片常規(guī)攝片質(zhì)控模型和DR側(cè)位胸片常規(guī)攝片質(zhì)控模型均使用了編碼過(guò)程和解碼過(guò)程，其結(jié)構(gòu)稱為編碼器—解碼器結(jié)構(gòu)，并且可以具有不同的深度和寬度，結(jié)構(gòu)示意圖如圖5所示。

圖5 采用編碼器-解碼器結(jié)構(gòu)的質(zhì)控模型結(jié)構(gòu)

通過(guò)改變圖5中編碼模塊或解碼模塊的個(gè)數(shù)來(lái)改變模型的寬度，通過(guò)改變圖5中編碼層或解碼層的個(gè)數(shù)來(lái)改變模型的深度。在后文的質(zhì)控模型統(tǒng)計(jì)表中，將卷積層和反卷積層統(tǒng)稱為2D卷積層。

3.1 DR正位胸片常規(guī)攝片質(zhì)控模型

DR正位胸片常規(guī)攝片質(zhì)控模型采用了編碼器-解碼器的結(jié)構(gòu)，模型的基礎(chǔ)結(jié)構(gòu)為2D卷積層、池化層、BN層、激活層等。該模型中，2D卷積層304個(gè)、池化層12個(gè)、BN層280個(gè)。

DR正位胸片常規(guī)攝片質(zhì)控模型通過(guò)深度學(xué)習(xí)模型對(duì)影像中的語(yǔ)義進(jìn)行提取、描述、匹配。基于語(yǔ)義的處理結(jié)果，匹配出判定各個(gè)質(zhì)控指標(biāo)所需的語(yǔ)義，通過(guò)對(duì)語(yǔ)義進(jìn)行轉(zhuǎn)化得到質(zhì)控指標(biāo)在影像中對(duì)應(yīng)的區(qū)域，并以此得到最終的質(zhì)控判定結(jié)果。以DR正位胸片常規(guī)攝片肺部相關(guān)的質(zhì)控指標(biāo)為例，圖6給出了深度學(xué)習(xí)質(zhì)控模型的輸入數(shù)據(jù)，肺部語(yǔ)義信息提取、描述、匹配的中間過(guò)程的可視化結(jié)果，顯式地說(shuō)明了DR正位胸片常規(guī)攝片質(zhì)控模型的工作原理。

3.2 DR側(cè)位胸片常規(guī)攝片質(zhì)控模型

DR側(cè)位胸片常規(guī)攝片質(zhì)控模型同樣采用了編碼器-解碼器的結(jié)構(gòu)，模型的基礎(chǔ)結(jié)構(gòu)為2D卷積層、池化層、BN層、激活層等。但是，由于側(cè)位胸片常規(guī)攝片的質(zhì)控需求相對(duì)于正位胸片常規(guī)攝片的質(zhì)控需求較少，所以模型中的基礎(chǔ)結(jié)構(gòu)也較少。該模型中：2D卷積層231個(gè)、池化層8個(gè)、BN層數(shù)目176個(gè)。

DR側(cè)位胸片常規(guī)攝片質(zhì)控模型的工作原理與DR正位胸片常規(guī)攝片質(zhì)控模型的工作原理一致，同樣包含語(yǔ)義提取、語(yǔ)義描述、語(yǔ)義匹配。并且基于語(yǔ)義處理結(jié)果進(jìn)行質(zhì)控指標(biāo)判定。以DR側(cè)位胸片常規(guī)攝片肺部相關(guān)的質(zhì)控指標(biāo)為例，圖7給出了深度學(xué)習(xí)質(zhì)控模型的輸入數(shù)據(jù)，肺部語(yǔ)義信息提取、描述、匹配的中間過(guò)程的可視化結(jié)果，顯式地說(shuō)明了DR側(cè)位胸片常規(guī)攝片質(zhì)控模型的工作原理。

通過(guò)正位胸片和側(cè)位胸片的肺部語(yǔ)義信息提取、描述、匹配可視化結(jié)果可以看出在模型最后的若干卷積層中，利用語(yǔ)義提取、語(yǔ)義描述、語(yǔ)義匹配的結(jié)果，以及對(duì)應(yīng)質(zhì)控規(guī)則的標(biāo)記，學(xué)習(xí)如何給出最終的質(zhì)控評(píng)定結(jié)果。

4 實(shí)驗(yàn)及結(jié)果

4.1 數(shù)據(jù)與模型

實(shí)驗(yàn)使用了去隱私的真實(shí)醫(yī)療DR正位胸片DICOM數(shù)據(jù)和DR側(cè)位胸片DICOM數(shù)據(jù)，各7000例。分別將兩種數(shù)據(jù)中的5000例作為訓(xùn)練數(shù)據(jù)使用，余下2000例作為測(cè)試數(shù)據(jù)使用。

圖6 肺部語(yǔ)義信息提取、描述、匹配可視化結(jié)果

圖7 側(cè)位胸片肺部語(yǔ)義信息提取、描述、匹配可視化結(jié)果

本文實(shí)驗(yàn)中針對(duì)DR正位胸片和DR側(cè)位胸片分別設(shè)計(jì)了六種網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)卷積層、池化層、輔助層的多樣化組合，構(gòu)建了不同深度和寬度的網(wǎng)絡(luò)結(jié)構(gòu)，分別為：ChestPAQC_10_1、ChestPAQC_10_3、ChestPAQC_15_1、ChestPAQC_15_3、ChestPAQC_20_1、ChestPAQC_20_3；C h e s t 2 Vi e w Q C_8_1、C h e s t 2 Vi e w Q C_8_3、Chest2ViewQC_12_1、Chest2ViewQC_12_3、Chest2ViewQC_15_1、Chest2ViewQC_15_3。 名 字 中ChestPAQC表示DR正位胸片質(zhì)控模型，Chest2ViewQC表示DR側(cè)位胸片質(zhì)控模型，第一個(gè)數(shù)字表示深度、第二個(gè)數(shù)字表示寬度。在各自的數(shù)據(jù)集上對(duì)上述兩組模型進(jìn)行訓(xùn)練、測(cè)試，根據(jù)準(zhǔn)確率、計(jì)算耗時(shí)對(duì)各個(gè)模型進(jìn)行性能評(píng)估。

4.2 結(jié)果統(tǒng)計(jì)與分析

表1和表2分別給出了上述兩組模型的消融實(shí)驗(yàn)結(jié)果，列出了兩組模型內(nèi)，每個(gè)模型的平均準(zhǔn)確率和平均質(zhì)控時(shí)間。

從表1和表2可以得出，模型深度一致時(shí)，增加模型的寬度可以提升模型的準(zhǔn)確率；模型寬度一致時(shí)，增加模型的深度可以提升模型的準(zhǔn)確率。隨著模型深度、寬度的增加，模型的計(jì)算時(shí)間也隨之增加。實(shí)際應(yīng)用時(shí)，可以根據(jù)具體業(yè)務(wù)需求，權(quán)衡準(zhǔn)確率和質(zhì)控時(shí)間的重要性，構(gòu)建符合業(yè)務(wù)需求的模型。

4.3 人工質(zhì)控

人工質(zhì)控完全基于醫(yī)師的業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)進(jìn)行質(zhì)控，項(xiàng)目如下：

（1）總體完整。醫(yī)師觀察醫(yī)學(xué)影像中的各臟器、組織結(jié)構(gòu)，根據(jù)業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)判斷總體完整這一項(xiàng)是否合格。

（2）臟器完整。醫(yī)師觀察醫(yī)學(xué)影像中各臟器的類別和個(gè)數(shù)，根據(jù)業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)判斷臟器完整這一項(xiàng)是否合格。

（3）成像細(xì)節(jié)。醫(yī)師觀察醫(yī)學(xué)影像中的各臟器、組織結(jié)構(gòu)，根據(jù)業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)判斷成像細(xì)節(jié)這一項(xiàng)是否合格。

（4）位置細(xì)節(jié)。醫(yī)師觀察醫(yī)學(xué)影像中的各臟器、組織結(jié)構(gòu)，根據(jù)業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)判斷位置細(xì)節(jié)這一項(xiàng)是否合格。

醫(yī)師將上述結(jié)果錄入質(zhì)控系統(tǒng)，至此，完成1例醫(yī)學(xué)影像的質(zhì)控工作，其平均質(zhì)控時(shí)間為10 min，表1～2中所列出的模型的平均質(zhì)控時(shí)間最長(zhǎng)為83 ms，遠(yuǎn)小于人工質(zhì)控的平均質(zhì)控時(shí)間。

通過(guò)對(duì)比本文提出的質(zhì)控方法和人工質(zhì)控方法，可以明顯地發(fā)現(xiàn)人工質(zhì)控方法存在大量的人工操作，這大大降低了質(zhì)控效率。并且，各醫(yī)師之間的業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)具有差異性，導(dǎo)致了質(zhì)控結(jié)果具有主觀偏差，降低了質(zhì)控結(jié)果的可信度。

表1 DR正位胸片質(zhì)控模型平均準(zhǔn)確率、平均質(zhì)控時(shí)間

表2 DR側(cè)位胸片質(zhì)控模型平均準(zhǔn)確率、平均質(zhì)控時(shí)間

本文提出的質(zhì)控方法無(wú)需人工參與，大大提高了質(zhì)控效率。并且，通過(guò)算法量化各個(gè)質(zhì)控標(biāo)準(zhǔn)，去除主觀偏差，提升了質(zhì)控結(jié)果的可信度。

本文質(zhì)控方法在DR正位胸片測(cè)試集和DR側(cè)位胸片測(cè)試集上的質(zhì)控結(jié)果如表3～4所示。表中給出了智能質(zhì)控模型在測(cè)試集上的總體完整、臟器完整、成像細(xì)節(jié)、位置細(xì)節(jié)質(zhì)控規(guī)則的不合格率，其不合格率與人工質(zhì)控結(jié)果的平均差異為1.25%，在合理范圍內(nèi)，符合各醫(yī)療機(jī)構(gòu)在日常診療工作中出現(xiàn)的影像不合格率。

?

?

5 結(jié)論

在本文中，提出了一種基于深度學(xué)習(xí)的DR正位胸片攝影和DR側(cè)位胸片攝影質(zhì)控方法。該方法根據(jù)醫(yī)學(xué)影像質(zhì)控規(guī)范，通過(guò)深度學(xué)習(xí)技術(shù)構(gòu)建質(zhì)控模型，利用大量醫(yī)學(xué)影像數(shù)據(jù)訓(xùn)練得到了高性能的質(zhì)控模型，輔以結(jié)果可視化技術(shù)提供了總體完整、臟器完整、成像細(xì)節(jié)、位置細(xì)節(jié)四大類可視化質(zhì)控結(jié)果。該方法提升了質(zhì)控工作的速率和準(zhǔn)確率，釋放了質(zhì)控工作占用的衛(wèi)生資源，從而減輕影像診斷工作者的工作負(fù)擔(dān)，使衛(wèi)生資源得到更合理地利用。