基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的肺結(jié)節(jié)檢測

陳道爭，江 倩

(1.上海海事大學(xué) 信息化辦公室，上海 201306；2.上海海事大學(xué) 信息工程學(xué)院，上海 201306)

0 引 言

針對肺部病變的檢測，X光胸片仍是目前最常用的醫(yī)學(xué)影像診斷技術(shù)[1]。傳統(tǒng)的人工閱片方式主要存在兩點缺陷：一是放射科每天產(chǎn)生的海量圖像數(shù)據(jù)給醫(yī)生帶來了沉重的工作負(fù)擔(dān)，診斷效率亟待提升；二是診斷過程容易受到疲勞、經(jīng)驗不足等主觀因素的影響，進而導(dǎo)致較高的誤診、漏診率。由此，計算機輔助診斷(computer-aided diagnosis,CAD)技術(shù)應(yīng)運而生[2]?，F(xiàn)有的肺結(jié)節(jié)檢測CAD系統(tǒng)主要分為兩類：基于手動提取特征的機器學(xué)習(xí)方法[3-5]和基于自動提取特征的深度學(xué)習(xí)方法[6-8]。近年來，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在諸如圖像分類[9-11]、目標(biāo)檢測等任務(wù)中表現(xiàn)出色，成為醫(yī)學(xué)影像分析領(lǐng)域的研究熱點。將CNN應(yīng)用于醫(yī)學(xué)圖像肺結(jié)節(jié)檢測存在困難：出于對患者隱私和數(shù)據(jù)安全的考慮，難以獲取充足的訓(xùn)練數(shù)據(jù)；另外，對醫(yī)學(xué)圖像進行專業(yè)標(biāo)注是一項耗時費力的工作。遷移學(xué)習(xí)是指將從源域中學(xué)習(xí)到的知識作為先驗信息應(yīng)用到目標(biāo)域中，能夠有效解決小規(guī)模數(shù)據(jù)集的訓(xùn)練問題[12]。隨著越來越多的研究學(xué)者開始探究遷移學(xué)習(xí)策略的有效性，利用這一策略進一步改進算法性能是目前肺結(jié)節(jié)檢測CAD系統(tǒng)研究的重點。

1 相關(guān)工作

1.1 基于X光胸片的肺結(jié)節(jié)檢測

肺結(jié)節(jié)檢測CAD系統(tǒng)一般包含4個步驟：圖像預(yù)處理、肺區(qū)域分割、候選結(jié)節(jié)檢測和假陽性去除。Li等[13]針對傳統(tǒng)肺結(jié)節(jié)檢測方法存在的低敏感度、高假陽性率問題，提出一種基于集成卷積神經(jīng)網(wǎng)絡(luò)(ensemble of convolutional neural networks,E-CNNs)的算法框架，用于實現(xiàn)肺結(jié)節(jié)檢測中的假陽性去除。在JSRT數(shù)據(jù)集[14]上進行驗證，分別獲得了假陽性水平為5.0時94%的敏感度和假陽性水平為2.0時84%的敏感度，實現(xiàn)了當(dāng)時先進水平。Dai等[15]提出一種結(jié)構(gòu)校正對抗網(wǎng)絡(luò)(structure correcting adversa-rial network,SCAN)用于實現(xiàn)X光胸片肺區(qū)域分割。實驗結(jié)果表明，所提出的方法實現(xiàn)了較高的準(zhǔn)確度和比較自然的分割結(jié)果。同時，該方法并不依賴于網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計和數(shù)據(jù)集規(guī)模，在訓(xùn)練樣本有限的情況下，仍然可以獲得接近甚至達到人類的先進診斷水平。Wang等[16]通過對從非醫(yī)學(xué)圖像數(shù)據(jù)集中提取的特征和人工提取的醫(yī)學(xué)影像特征進行深度特征融合，實現(xiàn)肺結(jié)節(jié)檢測中的假陽性去除。實驗結(jié)果表明，基于深度特征融合的檢測方法比采用單一的人工提取特征的檢測方法獲得了更高的敏感度和特異度，同時有效降低了假陽性率。結(jié)合X光胸片中肺結(jié)節(jié)的孤立性特征，Li等[17]提出了一種新的肺結(jié)節(jié)檢測方法。通過采用平穩(wěn)小波變換和收斂指數(shù)濾波器提取肺結(jié)節(jié)的紋理特征，AdaBoost算法用于生成白色結(jié)節(jié)的相似性映射。在日本放射技術(shù)學(xué)會(Japanese society of radiological technology,JSRT)數(shù)據(jù)集上進行驗證，該方法分別實現(xiàn)了假陽性水平為2.0時80%的檢出率和假陽性水平為5.0時93%的檢出率，具有潛在的臨床應(yīng)用價值。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

相較于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，CNN的主要優(yōu)勢在于允許將經(jīng)過預(yù)處理的圖像數(shù)據(jù)直接作為網(wǎng)絡(luò)輸入，省去了手動提取特征的步驟。同時，權(quán)值共享和反向傳播算法保證了模型的泛化能力并得到概率上的全局最優(yōu)。經(jīng)典的CNN模型主要包括1998年的LeNet、2012年的AlexNet、2014年的VGG-Net以及2015年的GoogLeNet和ResNet[18]。LeNet包含了CNN模型的所有基本層結(jié)構(gòu)，即卷積層、池化層和全連接層，但由于其網(wǎng)絡(luò)層數(shù)較少，在運算效率和算法性能方面有一定的局限性。AlexNet取得成功的關(guān)鍵原因主要有4點：一是使用非線性激活函數(shù)ReLU，不僅能夠加快模型收斂速度，同時可以降低計算成本；二是在池化層中引入了Dropout正則化技術(shù)，可以有效防止過擬合；三是采用了數(shù)據(jù)增強技術(shù)和局部響應(yīng)歸一化(local response normalization,LPN)層，能夠提高模型對未知數(shù)據(jù)的預(yù)測能力；四是基于雙GPU并行訓(xùn)練，進一步縮短了訓(xùn)練時間。VGG-Net在繼承了LeNet和AlexNet部分網(wǎng)絡(luò)框架的基礎(chǔ)上，繼續(xù)增加其網(wǎng)絡(luò)深度。隨著網(wǎng)絡(luò)深度的增加，可以保證模型處理更復(fù)雜問題的能力。GoogLeNet的創(chuàng)新之處在于提出了批量歸一化(batch normalization,BN)層，即通過歸一化網(wǎng)絡(luò)輸出的均值和標(biāo)準(zhǔn)差來減少模型訓(xùn)練過程中產(chǎn)生的數(shù)據(jù)偏移問題。ResNet中殘差模塊的提出使得訓(xùn)練一個具有152個網(wǎng)絡(luò)層的深度神經(jīng)網(wǎng)絡(luò)模型成為可能。

近年來，一些新的CNN模型相繼被提出并應(yīng)用于醫(yī)學(xué)圖像肺結(jié)節(jié)檢測。朱翔宇等[19]開創(chuàng)性地提出了一種基于U-Net模型的肺結(jié)節(jié)檢測CAD系統(tǒng)，由圖像預(yù)處理、肺部分割、模型訓(xùn)練、結(jié)節(jié)檢測共4個部分組成。其中，肺部分割分別基于一般形態(tài)學(xué)方法和基于分水嶺算法實現(xiàn)，能夠有效提高肺結(jié)節(jié)檢測的準(zhǔn)確率。朱國策等[20]提出了一種新的基于深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN)的肺結(jié)節(jié)檢測方法用于降低假陽性率。首先采用USM銳化方法對X光胸片進行預(yù)處理，以突出顯示結(jié)節(jié)信息；然后訓(xùn)練模型，基于滑動窗口方法提取出候選結(jié)節(jié)；最后，根據(jù)候選結(jié)節(jié)的區(qū)域面積大小實現(xiàn)假陽性結(jié)節(jié)的篩除。

1.3 遷移學(xué)習(xí)

遷移學(xué)習(xí)能否應(yīng)用于醫(yī)學(xué)影像分析領(lǐng)域主要取決于兩個方面的因素：一是源數(shù)據(jù)集與目標(biāo)數(shù)據(jù)集的相似性；二是目標(biāo)數(shù)據(jù)集的大小。根據(jù)實際應(yīng)用場景的不同，需要采取不同的實現(xiàn)方案：若二者相似且目標(biāo)數(shù)據(jù)集較小，則可以考慮將所有卷積層的權(quán)重參數(shù)遷移到目標(biāo)域中，并設(shè)置這部分網(wǎng)絡(luò)結(jié)構(gòu)不參與訓(xùn)練，只需訓(xùn)練重新定義的頂部層結(jié)構(gòu)即可；若二者相似且目標(biāo)數(shù)據(jù)集較大，由于有充足的訓(xùn)練數(shù)據(jù)，即使微調(diào)整個預(yù)訓(xùn)練模型也不會出現(xiàn)過擬合的問題；若二者不相似且目標(biāo)數(shù)據(jù)集較小，則可以考慮重新訓(xùn)練部分卷積層，以充分提取目標(biāo)數(shù)據(jù)集上的特征信息；若二者不相似且目標(biāo)數(shù)據(jù)集較大，則不建議使用遷移學(xué)習(xí)，重新訓(xùn)練一個網(wǎng)絡(luò)可能更有效。

近年來，遷移學(xué)習(xí)在醫(yī)學(xué)影像分析領(lǐng)域的應(yīng)用方向大致可以分為兩類：一是將預(yù)訓(xùn)練模型作為特征提取器，在此基礎(chǔ)上訓(xùn)練一個新的分類模型；二是更改網(wǎng)絡(luò)結(jié)構(gòu)，例如將頂部的全連接層替換為邏輯回歸層，使得在新的數(shù)據(jù)集上只需訓(xùn)練自定義的頂部層結(jié)構(gòu)。Shin等[21]將遷移學(xué)習(xí)應(yīng)用于兩個特定的計算機輔助診斷任務(wù)，即腹腔淋巴結(jié)檢測和間質(zhì)性肺病分類，并在腹腔淋巴結(jié)檢測任務(wù)中取得了當(dāng)時先進水平，進一步驗證了遷移學(xué)習(xí)的有效性。Rajpurkar等[22]通過固定網(wǎng)絡(luò)的卷積層參數(shù)，將X光胸片直接輸入預(yù)訓(xùn)練模型，僅對全連接層進行參數(shù)微調(diào)。賀智超等[23]提出一種通過迭代競爭的方式找到最佳微調(diào)深度的方法，稱之為“自適應(yīng)微調(diào)深度的遷移學(xué)習(xí)方法”，并在多任務(wù)圖像分類中獲得了比較理想的實驗結(jié)果。楊涵方等[24]建立了稀疏辨別性遷移模型(sparse discriminating transfer model,SDTM)及其對應(yīng)的跨領(lǐng)域DCNN模型。實驗結(jié)果表明，所提出的方法實現(xiàn)了較高的圖像分類精度和較好的跨領(lǐng)域?qū)W習(xí)能力。張弛名等[25]提出一種基于深度遷移學(xué)習(xí)的肺結(jié)節(jié)良惡性輔助診斷方法，在LIDC(lung image database consortium)數(shù)據(jù)集[26]上進行驗證，獲得了91.44%的準(zhǔn)確度和96.21%的AUC值。

2 方 法

本文提出的X光胸片肺結(jié)節(jié)檢測方法主要包括4個步驟：圖像預(yù)處理、肺區(qū)域分割、模型訓(xùn)練、肺結(jié)節(jié)檢測，具體實現(xiàn)流程如圖1所示。

圖1 系統(tǒng)實現(xiàn)流程

2.1 圖像預(yù)處理

圖像預(yù)處理旨在通過一系列像素級別的操作來改善圖像質(zhì)量，例如去噪和圖像增強。為了突出顯示結(jié)節(jié)信息，本文對原始胸片進行直方圖均衡化處理，如圖2所示?？梢钥闯?，經(jīng)過增強處理的圖像可以明顯提高結(jié)節(jié)與周圍組織結(jié)構(gòu)的對比度。

圖2 圖像預(yù)處理

2.2 肺區(qū)域分割

肺結(jié)節(jié)多見于肺實質(zhì)內(nèi)。肺區(qū)域分割是指將肺實質(zhì)從肺部醫(yī)學(xué)圖像中分離開來，以避免無關(guān)背景區(qū)域?qū)罄m(xù)實驗步驟的干擾。本文根據(jù)文獻[27]中提出的方法，基于U-Net網(wǎng)絡(luò)模型實現(xiàn)X光胸片的肺區(qū)域分割，如圖3所示。

圖3 肺區(qū)域分割實現(xiàn)流程

2.3 肺結(jié)節(jié)檢測網(wǎng)絡(luò)

2.3.1 ResNet

ResNet的提出，使得在沒有引入額外參數(shù)且不增加網(wǎng)絡(luò)計算復(fù)雜度的前提下，仍可利用梯度下降算法訓(xùn)練深度網(wǎng)絡(luò)模型。因此，相比較已有的CNN模型，ResNet在參數(shù)、深度、寬度以及計算成本上都更具優(yōu)勢。本文實驗中使用的ResNet50是在現(xiàn)有訓(xùn)練深度網(wǎng)絡(luò)模型的基礎(chǔ)上，提出的一種具有易優(yōu)化、計算負(fù)擔(dān)小等優(yōu)點的深度殘差網(wǎng)絡(luò)。ResNet50網(wǎng)絡(luò)結(jié)構(gòu)中包含跨層連接和短連接：通過短連接實現(xiàn)輸入數(shù)據(jù)的跨層傳遞，然后與經(jīng)過卷積后的輸出疊加，從而達到充分訓(xùn)練淺層網(wǎng)絡(luò)的效果。

2.3.2 VGG-Net

VGG-Net通過使用多個較小尺寸的卷積核來代替較大尺寸的卷積核(使用3個3×3的卷積核代替7×7的卷積核，使用兩個3×3的卷積核代替5×5的卷積核)，以保證在具有相同感受野的條件下可以繼續(xù)增加網(wǎng)絡(luò)深度。通過探究CNN深度與模型性能之間的聯(lián)系得出結(jié)論：增加網(wǎng)絡(luò)層數(shù)可以得到更好的訓(xùn)練結(jié)果。本文實驗中使用的兩種具有不同網(wǎng)絡(luò)結(jié)構(gòu)的VGG-Net，即VGG16和VGG19，分別具有16個隱藏層(13個卷積層和3個全連接層)和19個隱藏層(16個卷積層和3個全連接層)，也是Keras深度學(xué)習(xí)框架中適用于圖像分類的兩種比較常用的經(jīng)典CNN模型。

2.4 模型訓(xùn)練

本文設(shè)計實現(xiàn)的模型訓(xùn)練過程主要包含3個階段：加載預(yù)訓(xùn)練模型、遷移學(xué)習(xí)、超參數(shù)微調(diào)，具體實現(xiàn)流程如圖4所示。

圖4 模型訓(xùn)練過程

本文選用的3種預(yù)訓(xùn)練模型，即VGG16、VGG19和ResNet50，其權(quán)重參數(shù)均來自于大型圖像數(shù)據(jù)集ImageNet的訓(xùn)練結(jié)果，已經(jīng)具備一定的圖像識別能力。通過將預(yù)訓(xùn)練模型的中低層作為特征提取器、將模型的頂層或接近頂層的部分作為分類器，計算機視覺領(lǐng)域的圖像分類、目標(biāo)定位、目標(biāo)檢測等研究工作大多都是基于ImageNet數(shù)據(jù)集展開。

所謂遷移學(xué)習(xí)，具體可以分為凍結(jié)全部卷積層和微調(diào)部分網(wǎng)絡(luò)層兩種實現(xiàn)策略。凍結(jié)全部卷積層是指僅允許預(yù)訓(xùn)練模型的頂層部分參與訓(xùn)練，而中低層的全部卷積層不參與訓(xùn)練。頂層是指神經(jīng)網(wǎng)絡(luò)模型中鄰近輸出層的幾個隱藏層以及輸出層，在CNN模型中，頂層一般由一個或多個全連接層構(gòu)成。微調(diào)部分網(wǎng)絡(luò)層是指允許預(yù)訓(xùn)練模型的部分卷積層(一般指接近頂層的幾個卷積塊)和頂層同時參與訓(xùn)練過程。根據(jù)自定義頂層結(jié)構(gòu)的不同，本文共設(shè)計實現(xiàn)了4種情況用于分析遷移學(xué)習(xí)的有效性：①直接輸出，記為D1；②輸出層和一個含有64個神經(jīng)元的全連接層，記為D64；③輸出層和一個含有512個神經(jīng)元的全連接層，記為D512；④輸出層和一個含有1024個神經(jīng)元的全連接層，記為D1024。

超參數(shù)微調(diào)是深度學(xué)習(xí)中的一項必備技能。本文主要研究以下3個超參數(shù)對模型分類性能的影響：優(yōu)化器、批處理大小和迭代次數(shù)。常見的優(yōu)化器如SGD、Adam和RMSprop：SGD雖然收斂速度偏慢，但加入動量后可加快收斂，同時帶動量的SGD可以得到更好的最優(yōu)解；RMSprop適用于帶有循環(huán)結(jié)構(gòu)的深度網(wǎng)絡(luò)模型；Adam同時結(jié)合了Adagrad善于處理稀疏梯度和RMSprop善于處理非平穩(wěn)目標(biāo)的優(yōu)勢，對內(nèi)存需求較小。批處理大小是指每一次訓(xùn)練時輸入模型的樣本數(shù)，通常取值為8的倍數(shù)，例如8、16、32、64、128、256等。較大的批處理數(shù)量通常可以加快模型收斂速度，但由于受到計算機內(nèi)存資源的限制，批處理數(shù)量太大可能會導(dǎo)致內(nèi)存溢出或程序內(nèi)核崩潰。迭代次數(shù)是指在一次訓(xùn)練過程中整個訓(xùn)練集輸入模型的次數(shù)。當(dāng)訓(xùn)練誤差和測試誤差相差較小時，可以認(rèn)為當(dāng)前迭代次數(shù)的設(shè)置比較合理；當(dāng)測試誤差先變小后變大，說明迭代次數(shù)過大，需要相應(yīng)地減小，否則容易出現(xiàn)過擬合問題。

2.5 數(shù)據(jù)增強

數(shù)據(jù)增強是指通過平移、旋轉(zhuǎn)、垂直翻轉(zhuǎn)、水平翻轉(zhuǎn)、縮放等操作，對原始數(shù)據(jù)進行擴充。本文實驗中采用水平翻轉(zhuǎn)、旋轉(zhuǎn)等操作對訓(xùn)練樣本進行數(shù)據(jù)增強，如圖5所示。經(jīng)過數(shù)據(jù)增強處理，可以在一定程度上解決訓(xùn)練樣本不足的問題，同時也有助于提高模型的泛化能力。

圖5 數(shù)據(jù)增強處理

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)集

本文采用由日本放射技術(shù)學(xué)會提供的JSRT數(shù)據(jù)集用于X光胸片肺結(jié)節(jié)檢測。該數(shù)據(jù)集包含247張胸片，收集自世界上14家不同的醫(yī)療機構(gòu)，包括154例含有結(jié)節(jié)的樣本和93例不含結(jié)節(jié)的樣本，所有結(jié)節(jié)均經(jīng)過3位放射科醫(yī)生的一致確認(rèn)。每張胸片的尺寸大小為2048像素×2048像素，像素深度為12位，每個像素對應(yīng)的實際分辨率為0.175 mm。通過將數(shù)據(jù)集中所有胸片從2048像素×2048像素降采樣至1024像素×1024像素，像素深度由12位處理為8位，以此來減少肺區(qū)域分割所需的時間，同時不會影響分割效果。

3.2 評價指標(biāo)

在肺結(jié)節(jié)檢測方面，通常采用準(zhǔn)確度(accuracy)、敏感度(sensitivity)、特異度(specificity)、ROC曲線和AUC值作為分類性能的評價指標(biāo)。其中，準(zhǔn)確度、敏感度和特異度的計算方法如式(1)所示

(1)

其中，TP表示真陽性，即結(jié)節(jié)被正確識別為結(jié)節(jié)；TN表示真陰性，即非結(jié)節(jié)被正確識別為非結(jié)節(jié)；FP表示假陽性，即非結(jié)節(jié)被錯誤識別為結(jié)節(jié)；FN表示假陰性，即結(jié)節(jié)被錯誤識別為非結(jié)節(jié)。ROC曲線越靠近坐標(biāo)軸左上角，AUC值越大，說明模型的分類性能更好。

3.3 實驗環(huán)境

本文所有實驗均基于Windows 7操作系統(tǒng)、Anaconda Navigator 4.3.30開發(fā)平臺設(shè)計實現(xiàn)。Anaconda Navigator開發(fā)平臺允許用戶根據(jù)需要搭建一個或多個開發(fā)環(huán)境，不同開發(fā)環(huán)境之間可以自由切換，同時提供下載功能，用戶可以直接通過該平臺下載開發(fā)環(huán)境所需的文件。針對CNN模型的訓(xùn)練過程，本文采用以TensorFlow-GPU作為后端的Keras深度學(xué)習(xí)框架實現(xiàn)。采用基于GPU加速的TensorFlow庫作為后端，可以調(diào)用計算機的顯卡資源，進而加速深度網(wǎng)絡(luò)模型的計算過程。同時，需要安裝對應(yīng)版本的CUDA驅(qū)動，例如本文安裝的驅(qū)動版本為CUDA 10.0.140，對應(yīng)的顯卡驅(qū)動版本為Geforce GTX 950M。

3.4 結(jié)果與分析

3.4.1 不同網(wǎng)絡(luò)模型對實驗結(jié)果的影響

本文首先對比分析了不同網(wǎng)絡(luò)模型對實驗結(jié)果的影響，如圖6所示?？梢钥闯觯孩?種模型都實現(xiàn)了較高的準(zhǔn)確度、敏感度和AUC值，適用于X光胸片的自動分類；②3種模型對應(yīng)的特異度都不是很高，有待進一步改進或優(yōu)化；③僅根據(jù)一次實驗結(jié)果，難以直接判斷哪種模型的分類性能更優(yōu)。

圖6 不同網(wǎng)絡(luò)模型對實驗結(jié)果的影響

3.4.2 不同遷移學(xué)習(xí)策略對實驗結(jié)果的影響

本文通過設(shè)計實現(xiàn)兩種不同的遷移學(xué)習(xí)策略，從定量的角度，充分論證遷移學(xué)習(xí)的有效性。凍結(jié)全部卷積層是指僅允許預(yù)訓(xùn)練模型的頂層部分參與訓(xùn)練，而中低層的全部卷積層不參與，實驗結(jié)果見表1?？梢钥闯觯孩偈欠駜鼋Y(jié)全部卷積層對實驗結(jié)果確有一定的影響，整體而言，允許部分卷積層參與訓(xùn)練過程可以獲得更好的實驗結(jié)果；②遷移學(xué)習(xí)方法的提出，使得以較低的成本實現(xiàn)深度網(wǎng)絡(luò)模型的訓(xùn)練成為可能，由于模型已經(jīng)在ImageNet數(shù)據(jù)集上進行了預(yù)訓(xùn)練，再次應(yīng)用到目標(biāo)數(shù)據(jù)集上時，訓(xùn)練時長明顯縮短，一般僅需0.5小時～2小時；③相比較而言，VGG19的綜合分類性能更好。

表1 是否凍結(jié)全部卷積層對實驗結(jié)果的影響

微調(diào)部分網(wǎng)絡(luò)層是指允許預(yù)訓(xùn)練模型的部分卷積層(一般指接近頂層的幾個卷積塊)和頂層部分同時參與訓(xùn)練，基于VGG19模型進一步探究，實驗結(jié)果見表2。所示?？梢钥闯觯孩俨煌Y(jié)構(gòu)的自定義頂層設(shè)計對實驗結(jié)果確有一定的影響，隨著全連接層神經(jīng)元個數(shù)的增加，模型的分類性能逐漸得到改善；②在醫(yī)學(xué)圖像肺結(jié)節(jié)檢測方面，研究學(xué)者普遍關(guān)注的評價指標(biāo)主要有準(zhǔn)確度、敏感度和特異度，較高的敏感度和特異度意味著較低的漏診率和誤診率。通過綜合分析，設(shè)置全連接層的神經(jīng)元個數(shù)為1024時，可以獲得比較理想的實驗結(jié)果。

表2 微調(diào)部分網(wǎng)絡(luò)層對實驗結(jié)果的影響

綜上所述，采用微調(diào)部分網(wǎng)絡(luò)層的遷移學(xué)習(xí)策略可以有效改善CNN模型的分類性能，有助于解決醫(yī)學(xué)影像分析領(lǐng)域普遍存在的訓(xùn)練樣本不足的問題，而凍結(jié)全部卷積層則會獲得相對較差的實驗結(jié)果。

3.4.3 超參數(shù)微調(diào)對實驗結(jié)果的影響

為了進一步改進實驗結(jié)果，本文對影響模型分類性能的3個主要超參數(shù)進行微調(diào)。其中，不同優(yōu)化器對實驗結(jié)果的影響見表3?？梢钥闯觯孩?種優(yōu)化器分別對應(yīng)的準(zhǔn)確度、敏感度、特異度、AUC值和訓(xùn)練時長并沒有顯著區(qū)別，說明不同的優(yōu)化器對實驗結(jié)果的影響較??；②整體而言，采用SGD可以實現(xiàn)比較穩(wěn)定的算法性能。

表3 不同優(yōu)化器對實驗結(jié)果的影響

由于受到計算機硬件資源的限制，本文僅設(shè)計了3組對比實驗用于分析不同批處理大小對實驗結(jié)果的影響，見表4?？梢钥闯觯翰煌呐幚泶笮嶒灲Y(jié)果沒有明顯的影響。一般來說，批處理大小的設(shè)置主要取決于數(shù)據(jù)集規(guī)模和圖像分類的類別數(shù)，并且批處理大小的值越大，模型的分類性能越好。但批處理大小是否與模型的分類性能近似呈正相關(guān)，有待進一步探究。

表4 不同批處理大小對實驗結(jié)果的影響

從表5中可以看出，迭代次數(shù)主要影響的是模型的訓(xùn)練時長，迭代次數(shù)越多，訓(xùn)練時間越長，而對分類準(zhǔn)確度、敏感度、特異度和AUC值則沒有顯著影響。整體而言，設(shè)置迭代次數(shù)等于16時可以獲得較好的實驗結(jié)果，猜測可能與本文使用的數(shù)據(jù)集規(guī)模偏小有關(guān)。

表5 不同迭代次數(shù)對實驗結(jié)果的影響

JSRT數(shù)據(jù)集中的每張胸片僅含有一個肺結(jié)節(jié)，采用本文提出的算法進行模型預(yù)測，如圖7所示。分析得出，模型預(yù)測結(jié)果與該數(shù)據(jù)集提供的樣本標(biāo)注信息基本一致，進一步論證了本文算法的正確性和有效性。

圖7 模型預(yù)測結(jié)果可視化

3.4.4 與其它算法結(jié)果的對比

當(dāng)前，大多數(shù)關(guān)于肺結(jié)節(jié)檢測方法的研究都是基于計算機斷層掃描(computed tomography, CT)圖像展開。相較于CT篩查，X光胸片具有無創(chuàng)性、放射性低、成本低等優(yōu)勢。為了對實驗結(jié)果進行客觀評價，將本文算法與已有的同類型研究進行對比，見表6?？梢钥闯?，本文提出的肺結(jié)節(jié)檢測方法實現(xiàn)了最高的敏感度和較低的假陽性率。

表6 算法性能對比

4 結(jié)束語

針對醫(yī)學(xué)影像分析領(lǐng)域普遍存在的訓(xùn)練樣本不足的問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的X光胸片肺結(jié)節(jié)檢測算法。在公開的JSRT數(shù)據(jù)集上進行驗證，得出微調(diào)部分網(wǎng)絡(luò)層有助于提升模型分類性能的結(jié)論，驗證了遷移學(xué)習(xí)的有效性。通過逐步調(diào)整模型的超參數(shù)設(shè)置，算法性能得到進一步改進。與已有的其它研究進行對比，本文提出的算法實現(xiàn)了最高的敏感度和較少的假陽性數(shù)。研究結(jié)果表明，肋骨抑制處理有助于提高X光胸片中肺結(jié)節(jié)的檢出率。本文將在接下來的研究中重點分析肋骨抑制對于X光胸片肺結(jié)節(jié)檢測的影響，以期獲得更優(yōu)的實驗結(jié)果。