基于可變形卷積的小腸間質(zhì)瘤多模型聯(lián)合檢測(cè)

謝 飛,周 煬,管子玉,段 群

(1.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,陜西 西安 710129;2.西安電子科技大學(xué) 前沿交叉研究院，陜西 西安 710126;3.西北大學(xué) 信息科學(xué)與技術(shù)學(xué)院,陜西 西安 710127;4.咸陽(yáng)師范學(xué)院 計(jì)算機(jī)學(xué)院,陜西 咸陽(yáng) 712000)

小腸間質(zhì)瘤是原發(fā)于小腸的胃腸腫瘤之一,是最常見(jiàn)的胃腸道間葉源性腫瘤。傳統(tǒng)的診斷方法主要是依靠X線鋇劑小腸造影檢查。近年來(lái)隨著醫(yī)學(xué)影像的發(fā)展,CT和MR成為了小腸間質(zhì)瘤的主要檢測(cè)方法[1]。

過(guò)去對(duì)小腸間質(zhì)瘤的診斷往往是采用專家會(huì)診的方式進(jìn)行,通過(guò)對(duì)患者的CT影像切片進(jìn)行分析,從而確定間質(zhì)瘤的位置。但是，由于醫(yī)療資源的不平衡,不同級(jí)別醫(yī)院的醫(yī)療從業(yè)人員存在差異,導(dǎo)致一些患者無(wú)法得到及時(shí)有效的診斷，從而延誤病情。近年來(lái),隨著人工智能領(lǐng)域的快速發(fā)展,越來(lái)越多的基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)技術(shù)開(kāi)始逐漸應(yīng)用在醫(yī)療領(lǐng)域中。一方面基于此類(lèi)技術(shù)的醫(yī)療輔助診斷系統(tǒng)可以彌補(bǔ)一些基層醫(yī)院因?qū)I(yè)人才匱乏及人才培養(yǎng)滯后而導(dǎo)致的誤診或漏診,為患者提供更加精準(zhǔn)的治療。另一方面可以為醫(yī)生的培養(yǎng)提供可靠的輔助工具。

目前, 很少有研究將計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用到小腸間質(zhì)瘤的檢測(cè)任務(wù)中, 但已有將計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用在其他部位的腫瘤或相關(guān)病灶區(qū)域的檢測(cè)任務(wù)中。Yang等人通過(guò)普通的3D CNN來(lái)處理三組獨(dú)立的2D MRI切片來(lái)檢測(cè)股骨遠(yuǎn)端表面[2]。其中，檢測(cè)出的3D位置被定義為具有最高分類(lèi)概率輸出的3個(gè)2D切片的交點(diǎn)。Shin等人展示了SAE在學(xué)習(xí)視覺(jué)和時(shí)間特征方面的能力, 在3D動(dòng)態(tài)對(duì)比增強(qiáng)MRI影像序列中檢測(cè)多個(gè)器官組織[3]。Setio等人考慮了三組正交視圖,使用了3D Patch中的9個(gè)視圖, 并使用了融合方法來(lái)融合來(lái)自不同視圖的信息進(jìn)行肺結(jié)節(jié)檢測(cè)[4]。Shin等人通過(guò)對(duì)胸腹淋巴結(jié)構(gòu)數(shù)據(jù)集進(jìn)行檢測(cè)和肺間質(zhì)疾病分類(lèi), 探索CNN性能如何根據(jù)CNN架構(gòu)、數(shù)據(jù)集特征和遷移學(xué)習(xí)等因素發(fā)生變化[5], 他們考慮了CifarNet[6]、AlexNet[7]、Overfeat[8]、VGG-16[9]和GoogLeNet[10]等5個(gè)深度卷積模型。管子玉等人采用多任務(wù)學(xué)習(xí)的方法，在檢測(cè)算法的分支中添加分割子網(wǎng)絡(luò)，提取病灶高維特征進(jìn)行病變區(qū)域的檢測(cè)與識(shí)別[11]。Shao等人在FPN網(wǎng)絡(luò)中加入了MSB模塊, 模塊當(dāng)中引入了膨脹卷積和注意力關(guān)注機(jī)制, 提高了對(duì)病灶當(dāng)中小樣本的檢測(cè)能力[12]。謝飛等人在Mask R-CNN算法中添加空間注意力模塊，使模型能夠提取病灶區(qū)域空間信息，提高對(duì)病灶區(qū)域的檢測(cè)分割能力[13]。

本文借鑒目標(biāo)檢測(cè)算法在其他疾病輔助診斷的解決方案,針對(duì)單模型在小腸間質(zhì)瘤目標(biāo)檢測(cè)任務(wù)中容易陷入局部最優(yōu)的問(wèn)題,提出基于可變卷積的小腸間質(zhì)瘤多模型聯(lián)合檢測(cè)方案。由于訓(xùn)練數(shù)據(jù)較少,所以使用遷移學(xué)習(xí)的方法,訓(xùn)練過(guò)程中凍結(jié)淺層參數(shù)特征只對(duì)深層參數(shù)進(jìn)行調(diào)整，并在網(wǎng)絡(luò)中添加可變形卷積[14]提升對(duì)微小病灶區(qū)域的檢測(cè)精度。

1 相關(guān)工作

1.1 目標(biāo)檢測(cè)任務(wù)

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的主要任務(wù)之一,其主要內(nèi)容主要包括兩方面:一是確定目標(biāo)位置,并用矩形框表示其范圍;二是識(shí)別矩形框內(nèi)目標(biāo)的類(lèi)別。主流的檢測(cè)模型主要分為兩種類(lèi)型:一種為一階段方法,其主要思路是直接回歸目標(biāo)的類(lèi)別和位置坐標(biāo),如YOLO[15-17]系列和SSD[18];另一種為兩階段方法,其主要思路為先由算法生成一系列作為樣本的候選框,再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本分類(lèi),如Faster R-CNN[19]。上述舉例的算法均為anchor-based類(lèi)型,其主要是基于anchor進(jìn)行分類(lèi)和回歸。近年來(lái),隨著FPN[20]和Focal loss[21]等方法的提出,基于anchor-free的算法開(kāi)始出現(xiàn)，如CenterNet[22]和RepPoints[23]算法,其主要思路是確定目標(biāo)關(guān)鍵點(diǎn)和對(duì)邊界的預(yù)測(cè)進(jìn)行目標(biāo)檢測(cè)。不同類(lèi)型的算法在檢測(cè)精度及速度上各有優(yōu)劣,需要根據(jù)具體檢測(cè)任務(wù)對(duì)精度和速度的需求進(jìn)行模型選擇。

1.2 小腸CT影像數(shù)據(jù)處理

本文數(shù)據(jù)來(lái)源于上海瑞金醫(yī)院267名含有醫(yī)生標(biāo)注的小腸間質(zhì)瘤CT影像切片。每一位患者的CT影像文件是由相應(yīng)的設(shè)備對(duì)患者腹部進(jìn)行5 mm間隔逐層的斷面掃描得到的一系列沿z軸堆疊的三維影像數(shù)據(jù),數(shù)據(jù)格式為DICOM。每一位患者平均切片數(shù)量為70張左右,多的數(shù)量可以達(dá)到160張。這一系列切片中只有一部分是有醫(yī)生標(biāo)注的小腸間質(zhì)瘤的切片,數(shù)量為2～18張。我們需要把這一部分切片截取出來(lái),作為后續(xù)進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練的數(shù)據(jù)集。每例患者的切片以多個(gè)單張切片的形式儲(chǔ)存,醫(yī)生標(biāo)注后產(chǎn)生的標(biāo)注文件也為DICOM格式,以單個(gè)三維文件的形式儲(chǔ)存,每一個(gè)DICOM文件除了包含醫(yī)學(xué)影像信息外,還包含相應(yīng)的DICOM頭部信息,其中包括病患相關(guān)信息及切片信息。通過(guò)DICOM頭部信息中的切片信息建立原始切片與標(biāo)注切片的一對(duì)一映射關(guān)系,將標(biāo)注文件所對(duì)應(yīng)的原始切片從原始切片序列中提取出來(lái)。如圖1所示，展示了患者原始切片和醫(yī)生標(biāo)注后的切片。本文主要使用Pydicom庫(kù)來(lái)完成提取間質(zhì)瘤數(shù)據(jù)的工作,最終得到已標(biāo)注的間質(zhì)瘤數(shù)據(jù)4 993張。

A 患者原始切片 B 醫(yī)生標(biāo)注切片

1.3 模型預(yù)訓(xùn)練和遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法,是把一個(gè)領(lǐng)域(即源領(lǐng)域)的知識(shí),遷移到另外一個(gè)領(lǐng)域(即目標(biāo)領(lǐng)域),使得目標(biāo)領(lǐng)域能夠取得更好的學(xué)習(xí)效果。小腸間質(zhì)瘤目前沒(méi)有相關(guān)公開(kāi)數(shù)據(jù)集,只能通過(guò)與醫(yī)院合作進(jìn)行數(shù)據(jù)采集,并且數(shù)據(jù)涉及到病人隱私,數(shù)據(jù)獲取難度很大,無(wú)法獲取大量的數(shù)據(jù)。另外,由于小腸間質(zhì)瘤的大小和形狀不規(guī)則,并且與周?chē)＝M織相似,導(dǎo)致病灶去標(biāo)注難度高,耗費(fèi)醫(yī)生大量的時(shí)間和精力。使用遷移學(xué)習(xí)可以在數(shù)據(jù)量較少的情況下加快模型的收斂,提高模型檢測(cè)性能。ImageNet[24]是一個(gè)計(jì)算機(jī)視覺(jué)系統(tǒng)識(shí)別項(xiàng)目,是目前世界上圖像識(shí)別最大的數(shù)據(jù)庫(kù),使用這些數(shù)據(jù)訓(xùn)練出來(lái)的模型不僅使得分類(lèi)算法的改進(jìn)更加高效，且得益于出色的特征提取能力，使得其他數(shù)據(jù)集的特征提取獲益,作為預(yù)訓(xùn)練模型被廣泛地應(yīng)用于很多任務(wù)之中。但是,對(duì)于醫(yī)學(xué)影像數(shù)據(jù)而言,ImageNet圖像特征有著比較大的差異,使用ImageNet做遷移學(xué)習(xí)并不能得到良好的效果。DeepLesion[25]是NIHCC 臨床中心公布的多類(lèi)別、病灶級(jí)別標(biāo)注臨床醫(yī)療 CT 圖像開(kāi)放數(shù)據(jù)集，包含了32 735個(gè)帶標(biāo)記的病灶實(shí)例,928 020張CT橫切影像切片。本文使用Deep Lesion數(shù)據(jù)集作為預(yù)訓(xùn)練數(shù)據(jù),將得到的參數(shù)遷移到小腸間質(zhì)瘤檢測(cè)任務(wù)中,凍結(jié)淺層的參數(shù)并通過(guò)訓(xùn)練調(diào)節(jié)深層的參數(shù)。

2 模型結(jié)構(gòu)

2.1 多模型聯(lián)合檢測(cè)

小腸間質(zhì)瘤在醫(yī)學(xué)影像中紋理、形態(tài)等多個(gè)方面差異性較大,與正常組織器官邊界模糊,經(jīng)過(guò)大量實(shí)驗(yàn)表明,單個(gè)目標(biāo)檢測(cè)模型容易陷入局部最優(yōu)問(wèn)題,導(dǎo)致模型檢測(cè)性能不佳,在對(duì)不同網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)檢測(cè)模型的測(cè)試結(jié)果進(jìn)行分析后,本文采取多模型聯(lián)合檢測(cè)的方法進(jìn)行小腸間質(zhì)瘤檢測(cè)任務(wù)。方法基本結(jié)構(gòu)如圖2所示,模型主要分為兩個(gè)部分,第一部分為多模型檢測(cè)部分,主要任務(wù)是將待檢測(cè)患者切片分別輸入不同模型進(jìn)行目標(biāo)檢測(cè)任務(wù),得到多組檢測(cè)結(jié)果，文中采取3個(gè)結(jié)構(gòu)不同的檢測(cè)模型分別進(jìn)行小腸間質(zhì)瘤檢測(cè),分別是基于Cascade R-CNN[26]、RetinaNet和RepPoints模型,并在特征提取網(wǎng)絡(luò)中添加可變形卷積增強(qiáng)模型檢測(cè)性能。第二部分為檢測(cè)結(jié)果選擇部分,主要由NMS(非極大值抑制)和最大置信度選擇組成,通過(guò)將第一部分得到的多組檢測(cè)結(jié)果送入NMS中進(jìn)行篩選,再選擇篩選結(jié)果中置信度最高的結(jié)果作為模型的最終輸出結(jié)果,得到小腸間質(zhì)瘤檢測(cè)結(jié)果。

圖2 多模型檢測(cè)結(jié)構(gòu)圖

Cascade R-CNN網(wǎng)絡(luò)是兩階段檢測(cè)模型,其主要思路是使用不同的IoU閾值劃分正負(fù)樣本,讓每一個(gè)階段的檢測(cè)器都專注于檢測(cè)IoU在某一范圍內(nèi)的候選框,因?yàn)檩敵鯥oU普遍大于輸入IoU,因此檢測(cè)效果會(huì)越來(lái)越好。RetinaNet網(wǎng)絡(luò)是一階段檢測(cè)模型,其主干網(wǎng)絡(luò)是由ResNet+FPN構(gòu)成，并引入Focal loss損失函數(shù),目的是解決易分類(lèi)樣本和難分類(lèi)樣本之間的均衡問(wèn)題,不僅僅是解決樣本數(shù)量不均衡的問(wèn)題。上述兩個(gè)模型都屬于anchor-based型檢測(cè)方法,而RepPoints模型屬于anchor-free檢測(cè)方法,其將可變形卷積與關(guān)鍵點(diǎn)檢測(cè)結(jié)合,通過(guò)定位和分類(lèi)的監(jiān)督來(lái)學(xué)習(xí)可變形卷積的偏移量,使得偏移量具有可解釋性,并且通過(guò)采樣點(diǎn)來(lái)生成邊界框。

NMS(非極大值抑制),即抑制不是極大值的元素,用于在目標(biāo)檢測(cè)中提取置信度高的目標(biāo)檢測(cè)框,而抑制置信度低的誤檢框。在當(dāng)解析模型輸出到目標(biāo)框時(shí),目標(biāo)框會(huì)非常多,具體數(shù)量由anchor數(shù)量決定,其中有很多重復(fù)的候選框定位到同一個(gè)目標(biāo),NMS用來(lái)去除這些重復(fù)的框,獲得真正的目標(biāo)框。第一部分中多模型產(chǎn)生的多組檢測(cè)結(jié)果先輸入到NMS中進(jìn)行篩選,最終在NMS篩選結(jié)果中,選擇置信度最高的目標(biāo)框作為最終輸出結(jié)果,可以有效降低假陽(yáng)率,即將正常組織誤判為病灶區(qū)。

2.2 可變形卷積

傳統(tǒng)卷積網(wǎng)絡(luò)CNN對(duì)大型、未知形狀變換的建模存在固有的缺陷,這種缺陷來(lái)源于CNN模塊固有的幾何結(jié)構(gòu):卷積單元對(duì)輸入特征圖的固定位置進(jìn)行采樣?？勺冃尉矸e模塊基于一個(gè)平行網(wǎng)絡(luò)學(xué)習(xí)偏移量offset,使得卷積核在輸入特征圖的采樣點(diǎn)發(fā)生偏移,集中于我們感興趣的區(qū)域或目標(biāo)。為了解決標(biāo)準(zhǔn)卷積中的規(guī)則格點(diǎn)采樣導(dǎo)致網(wǎng)絡(luò)難以適應(yīng)幾何形變的問(wèn)題,可變形卷積對(duì)卷積核中的每個(gè)采樣點(diǎn)的位置都增加了一個(gè)偏移量,可以實(shí)現(xiàn)在當(dāng)前位置附近隨意采樣而不局限于之前的規(guī)則格點(diǎn)。如圖3所示,是常用的采樣點(diǎn)和可變形卷積采樣的對(duì)比,圖3A是標(biāo)準(zhǔn)的3×3卷積核采樣位置,圖3B是可變形卷積的采樣位置,添加偏移量之后采樣點(diǎn)的變化,圖3C和3D是圖3B的特殊情況,表明可變形卷積包括了各種尺度變換、縱橫比和旋轉(zhuǎn)。

圖3 3×3標(biāo)準(zhǔn)卷積和可變形卷積采樣位置

通過(guò)式(1)計(jì)算輸出特征圖的每個(gè)位置p0，

y(p0)=∑pn∈Rw(pn)·x(p0+pn)。

(1)

其中：R是標(biāo)準(zhǔn)卷積中采樣網(wǎng)格大小和擴(kuò)張；pn是對(duì)R中所列位置的枚舉。在可變形卷積中,常規(guī)的采樣網(wǎng)格R通過(guò)增加一個(gè)偏移量Δpn進(jìn)行擴(kuò)展,同樣的位置p0通過(guò)式(2)變化，

y(p0)=∑pn∈Rw(pn)·x(p0+pn+Δpn)。

(2)

2.3 損失函數(shù)

文中分別采用Cross Entropy(交叉熵)和Focal loss作為多模型網(wǎng)絡(luò)損失函數(shù)。其中交叉熵?fù)p失刻畫(huà)了兩個(gè)概率分布之間的距離,它是分類(lèi)問(wèn)題中使用比較廣的一種損失函數(shù),其在二分類(lèi)任務(wù)中的表達(dá)式如式(3)所示，

(1-yi)·log(1-pi)]。

(3)

其中：pi表示樣本i預(yù)測(cè)為正的概率；yi表示樣本i的標(biāo)簽,正類(lèi)為1,負(fù)類(lèi)為0。

Focal loss可以解決醫(yī)學(xué)影像數(shù)據(jù)中困難樣本訓(xùn)練以及正負(fù)樣本比例不平衡的問(wèn)題。其公式如式(4)所示，

(4)

其中:y′γ表示模型預(yù)測(cè)的概率得分；α和γ表示相應(yīng)的平衡因子，α用來(lái)平衡正負(fù)樣本的重要性，γ可以降低易于分類(lèi)樣本的損失,使模型可以更加關(guān)注于較難分類(lèi)的樣本。

總體損失函數(shù)如式(5)所示，

Loss=Lf1+Lf2+βLf3。

(5)

損失由3部分構(gòu)成：Lf1代表模型在局部切片的分類(lèi)損失；Lf2代表模型的回歸損失；Lf3代表模型對(duì)整張切片的分類(lèi)損失。β代表平衡因子,用于平衡不同損失之間的權(quán)重。

3 實(shí)驗(yàn)與分析

通過(guò)對(duì)小腸間質(zhì)瘤原始數(shù)據(jù)進(jìn)行分析,并使用這些數(shù)據(jù)對(duì)現(xiàn)有檢測(cè)模型以及本文提出的檢測(cè)方案進(jìn)行訓(xùn)練和測(cè)試。本文實(shí)驗(yàn)運(yùn)行的硬件配置為:Intel(R)Core(TM)i7-7800X CPU@3.50GHz,NVIDIA RTX 2080 Ti 11GB,64GB運(yùn)行內(nèi)存,操作系統(tǒng)為Ubuntu 16.04 LTS。

3.1 數(shù)據(jù)集

我們從醫(yī)院獲取小腸間質(zhì)瘤數(shù)據(jù)共267例病例,標(biāo)注切片共計(jì)4 993張,其中229例作為訓(xùn)練和驗(yàn)證樣本,包含標(biāo)注切片4 349張,38例作為測(cè)試樣本,包含切片644張。其中病灶區(qū)域標(biāo)注由專業(yè)醫(yī)生使用3D Slicer醫(yī)學(xué)圖像處理和分析應(yīng)用平臺(tái)對(duì)每一張切片上的病灶區(qū)進(jìn)行標(biāo)注,最終以病例為單位生成一個(gè)DICOM格式的標(biāo)注文件,使用SimpleITK和Opencv轉(zhuǎn)換標(biāo)注文件格式,并對(duì)標(biāo)注掩碼進(jìn)行外接矩形計(jì)算,生成對(duì)應(yīng)的Annotation標(biāo)注文件,制作成目標(biāo)檢測(cè)數(shù)據(jù)集,訓(xùn)練中采取0.5概率水平翻轉(zhuǎn)。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

本文針對(duì)小腸間質(zhì)瘤目標(biāo)檢測(cè)人物,引入了3個(gè)評(píng)價(jià)指標(biāo)：交并比(IoU),召回率(recall)和平均精準(zhǔn)度(average precision,AP)。

交并比衡量的是兩個(gè)區(qū)域,即模型預(yù)測(cè)區(qū)域和醫(yī)生標(biāo)注區(qū)域的重疊程度,是兩個(gè)區(qū)域重疊部分面積占兩者總面積的比例,其計(jì)算公式為

(6)

其中，A和B分別表示兩個(gè)區(qū)域,本文取平均IoU來(lái)評(píng)估模型檢測(cè)的精準(zhǔn)度。

召回率表示樣本中正例(間質(zhì)瘤)被正確預(yù)測(cè)的比例,主要是用于評(píng)價(jià)模型對(duì)間質(zhì)瘤的敏感程度,間質(zhì)瘤置信度設(shè)置為0.5,IoU設(shè)置為0.5,即置信度與IoU均高于0.5的都被認(rèn)定為是間質(zhì)瘤,召回率計(jì)算公式為

(7)

平均精準(zhǔn)度(AP)可以通過(guò)對(duì)PR(precision-recall)曲線求均值來(lái)綜合判定目標(biāo)檢測(cè)模型的性能,其計(jì)算公式為

(8)

其中：R代表召回率；p表示精準(zhǔn)度。本文采取AP50和AP75兩個(gè)指標(biāo),即設(shè)置IoU閾值為0.5和0.75,分別對(duì)模型性能進(jìn)行評(píng)估。

3.3 實(shí)驗(yàn)細(xì)節(jié)

在Pytorch深度學(xué)習(xí)框架的基礎(chǔ)下,構(gòu)建以Cascade R-CNN、RetinaNet和RepPoints網(wǎng)絡(luò)為基礎(chǔ),并將可變形卷積DCN加入到各模型中的多模型檢測(cè)模型,主干網(wǎng)絡(luò)為ResNet101,輸入病人切片大小為512×512,學(xué)習(xí)率為0.01,學(xué)習(xí)動(dòng)量為0.9,權(quán)重衰減為0.000 1,優(yōu)化器為SGD,訓(xùn)練24個(gè)epoch。并分別用ImageNet和DeepLesion作預(yù)訓(xùn)練以及是否添加DCN進(jìn)行對(duì)比試驗(yàn)。

3.4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)結(jié)果如表1所示,其中：ImgN代表使用ImageNet預(yù)訓(xùn)練模型做遷移學(xué)習(xí)；DeepL代表使用DeepLesion數(shù)據(jù)集作為預(yù)訓(xùn)練數(shù)據(jù),并進(jìn)行遷移學(xué)習(xí)；DCN代表網(wǎng)絡(luò)中加入了可變形卷積。

表1 實(shí)驗(yàn)結(jié)果

從結(jié)果上看,縱向比較可以看出使用DeepLesion數(shù)據(jù)集做預(yù)訓(xùn)練要優(yōu)于使用ImageNet數(shù)據(jù)集做預(yù)訓(xùn)練,因?yàn)镈eepLesion數(shù)據(jù)與小腸間質(zhì)瘤數(shù)據(jù)相似度更高。模型中加入可變形卷積后,各模型性能都有所提升,說(shuō)明可變形卷積可以提高模型的特征提取能力。在使用DeepLesion預(yù)訓(xùn)練+可變形卷積DCN后,模型性能提升較大。橫向比較可以明顯看出,表中單個(gè)模型性能差距不大,但是使用多模型聯(lián)合檢測(cè)算法的性能明顯高于單個(gè)模型性能。

圖4為單模型檢測(cè)與多模型檢測(cè)在小腸間質(zhì)瘤患者切片上的對(duì)比圖。藍(lán)色矩形框?yàn)槟Ｐ皖A(yù)測(cè)的結(jié)果,紅色矩形框?yàn)獒t(yī)生標(biāo)注。

圖4 單模型與多模型檢測(cè)實(shí)驗(yàn)結(jié)果對(duì)比圖

通過(guò)對(duì)比可以看出，采用多模型檢測(cè)方法得到的結(jié)果相比單個(gè)模型,其檢測(cè)結(jié)果與醫(yī)生標(biāo)注重疊度更高。

4 結(jié)語(yǔ)

本文提出了小腸間質(zhì)瘤多模型聯(lián)合檢測(cè)方案,該檢測(cè)模型通過(guò)結(jié)合多個(gè)網(wǎng)絡(luò)結(jié)構(gòu)不同的檢測(cè)模型,對(duì)多模型產(chǎn)生的多組檢測(cè)結(jié)果進(jìn)行非極大值抑制并且選取置信度最高的作為檢測(cè)結(jié)果,不僅可以提高對(duì)小腸間質(zhì)瘤病灶區(qū)的檢測(cè)準(zhǔn)確度,還能夠有效降低模型的假陽(yáng)率。本文采用更加貼近間質(zhì)瘤數(shù)據(jù)的DeepLesion數(shù)據(jù)做預(yù)訓(xùn)練并進(jìn)行遷移學(xué)習(xí),可以加快模型收斂,提高模型檢測(cè)能力。為解決間質(zhì)瘤形態(tài)大小差異較大的問(wèn)題,本文在原有模型的基礎(chǔ)上添加可變形卷積,通過(guò)對(duì)卷積核內(nèi)的采樣點(diǎn)添加偏移量，使網(wǎng)絡(luò)更好地提取病灶區(qū)特征,實(shí)驗(yàn)表明本文的方案可以達(dá)到良好的效果。