基于CNN和SVM融合的腦腫瘤檢測(cè)和分割

唐組閣 余曉江

（1.西華師范大學(xué) 四川省南充市 637002 2.德陽(yáng)市人民醫(yī)院 四川省德陽(yáng)市 618000）

1 引言

腦腫瘤是生長(zhǎng)在頭顱內(nèi)神經(jīng)性腫瘤的統(tǒng)稱，其危害性極大。腦腫瘤的前期存在一定的潛伏期，通過(guò)核磁共振圖像MRI(Magnetic Resonance Imaging)的判斷在一定程度上受醫(yī)學(xué)專家的知識(shí)經(jīng)驗(yàn)的影響或其他人為因素的影響，使得病情不易在前期發(fā)現(xiàn)。而后期的病發(fā)的狀態(tài)中，由于人腦的病變區(qū)域的多樣性，包括病變區(qū)域的大小、分散情況和形狀不規(guī)整等情況，對(duì)于腦腫瘤的藥物和放射治療帶了很大的干擾，使得病情不能有效的控制和治愈。兩者使得由腦腫瘤引發(fā)的死亡率增高，如何在前期對(duì)潛在的腦腫瘤的檢測(cè)和后期對(duì)腫瘤區(qū)域的分割在目前的醫(yī)學(xué)臨床領(lǐng)域是非常重要的。

目前對(duì)于MRI圖像判定是否存在病變的方法主要分為兩大類，即醫(yī)學(xué)專家和智能識(shí)別。但其局限于腦腫瘤的中后期，通過(guò)與正常組織區(qū)域?qū)傩詫?duì)比得出結(jié)果，其中包括了MRI 圖像中的T1、T2和FLAIR 提供的數(shù)據(jù)成像。而對(duì)于MRI 腦腫瘤的分割手段也包含了基于人工區(qū)域、基于聚類和基于卷集神經(jīng)網(wǎng)絡(luò)CNN(Convolution Neural Network)。例如文獻(xiàn)[1]結(jié)合了卷集神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)來(lái)對(duì)進(jìn)行分隔，雖然在分隔性能上有一定的提升。文獻(xiàn)[2]利用級(jí)聯(lián)的CNN，通過(guò)連續(xù)CNN 來(lái)實(shí)現(xiàn)對(duì)圖像信息的傳輸。文獻(xiàn)[3]利用卷積核提升速度和特征獲取。文獻(xiàn)[4]利用改進(jìn)的多模態(tài)的混合分割方法，提高實(shí)時(shí)性。文獻(xiàn)[5]利用三維CNN 結(jié)合空洞卷積通路，具有較高的集成性。文獻(xiàn)[6]利用條件隨機(jī)場(chǎng)結(jié)合CNN 來(lái)實(shí)現(xiàn)圖像邊緣的改善。文獻(xiàn)[7]利用模糊聚類實(shí)現(xiàn)檢測(cè)和分割等。但在上述的方法中，一部分方法存在沒有對(duì)腦腫瘤的檢測(cè)；一部分在最后的分割成像上的效果上不能較好的滿足臨床的需要，時(shí)間開銷和硬件開銷太大，不利于方法的實(shí)施。

針對(duì)上述存在的不足，提出了一種利用CNN 構(gòu)建出腦腫瘤和正常組織的分類器用于腦腫瘤的檢測(cè)。其次對(duì)檢測(cè)出的腦腫瘤圖片，然后對(duì)腦腫瘤區(qū)域?qū)崿F(xiàn)分割并勾畫對(duì)應(yīng)靶區(qū)。最后通過(guò)仿真實(shí)驗(yàn)對(duì)其檢測(cè)率和分割效果進(jìn)行測(cè)試。

2 卷積神經(jīng)網(wǎng)絡(luò)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)CNN 于20世紀(jì)80年代Fukushima[8]的一種深度學(xué)習(xí)的網(wǎng)絡(luò)，其層次為一個(gè)二維平面，平面上放置神經(jīng)元，CNN采用數(shù)據(jù)樣本自身屬性來(lái)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，即前饋性。卷積神經(jīng)網(wǎng)絡(luò)的前饋的機(jī)制體現(xiàn)在網(wǎng)絡(luò)內(nèi)部通過(guò)部分連接而非全連接，這樣保證了層次間的權(quán)重交流共享，減少了不必要時(shí)間開銷，方便了數(shù)據(jù)樣本特征提取和網(wǎng)絡(luò)訓(xùn)練。CNN 的組成為一個(gè)多層的網(wǎng)絡(luò)結(jié)構(gòu)，其組成包括輸入層、特征映射層（卷積層）、全連接層和輸出層。

輸入層是原始數(shù)據(jù)樣本的輸入接口，為了更好方便網(wǎng)絡(luò)訓(xùn)練和提升網(wǎng)絡(luò)分類效果，需要對(duì)數(shù)據(jù)樣本進(jìn)行尺寸大小的統(tǒng)一處理。

特征映射層（卷積層）用于對(duì)輸入層的數(shù)據(jù)樣本進(jìn)行特征提取，由卷積操作和池化操作組成。卷積操作的核心在于卷積核與輸入的數(shù)據(jù)之間的運(yùn)算，而卷積核的作用于特征提取，卷積核的數(shù)量和特征數(shù)成正相關(guān)，但其運(yùn)算所需的量也相應(yīng)成比例提升。池化的操作在于減少一定數(shù)量的特征提取帶來(lái)的運(yùn)算量，根據(jù)數(shù)據(jù)樣本固有的屬性來(lái)進(jìn)行聚和，能夠有效的優(yōu)化網(wǎng)絡(luò)性能。在特征映射層中，先進(jìn)行卷積操作，再進(jìn)行池化，其對(duì)應(yīng)的公式如下：

公式（1）對(duì)應(yīng)的卷積形式，其中f(x,y)、g(x,y)代表二維功能函數(shù)，公式（2）對(duì)應(yīng)池化，areaj代表最大區(qū)域值，f(n,1)代表卷積窗函數(shù)。數(shù)據(jù)樣本經(jīng)特征映射層的卷積和池化后輸出對(duì)應(yīng)的神經(jīng)元為：

公式（3）中，m 代表連接層，pi、qi代表卷積核值，ri代表輸入數(shù)據(jù)樣本的維度，boundij代表偏置（i 層j 個(gè)特征）。

全連接層[9]是用于相互連結(jié)，原理是利用多層感知的原理。通過(guò)前后神經(jīng)元節(jié)點(diǎn)間相互連接，但前后的神經(jīng)元結(jié)點(diǎn)內(nèi)部則相互獨(dú)立，通過(guò)加權(quán)組合來(lái)完成下一個(gè)節(jié)點(diǎn)的輸入，即實(shí)現(xiàn)前向傳播來(lái)完成權(quán)值變化。

輸出層是卷積神經(jīng)網(wǎng)絡(luò)輸出部分，原理是根據(jù)任務(wù)需求來(lái)設(shè)置輸出層的節(jié)點(diǎn)數(shù)。輸出層采用Softmax 進(jìn)行分類和利用交叉熵計(jì)算損失，Softmax 根據(jù)輸入的數(shù)據(jù)之間的相似度來(lái)進(jìn)行分類，例如本文的分類要求是區(qū)分出腦腫瘤和正常組織，常用sigmod 函數(shù)來(lái)實(shí)現(xiàn)，其對(duì)應(yīng)的圖像如圖1所示。

圖1：sigmod 函數(shù)

2.2 改進(jìn)的CNN網(wǎng)絡(luò)結(jié)構(gòu)

CNN 網(wǎng)絡(luò)輸出層采用sigmod 函數(shù)和交叉熵?fù)p失函數(shù)結(jié)合來(lái)實(shí)現(xiàn)分類器的實(shí)現(xiàn)，包含了對(duì)應(yīng)的輸入層、特征映射層、全連接層和輸出層，本文的采用的CNN 網(wǎng)絡(luò)結(jié)構(gòu)是kears 學(xué)習(xí)庫(kù)的CNN，采用了2 層特征映射層，其如圖2所示。

圖2：CNN 網(wǎng)絡(luò)結(jié)構(gòu)

圖2對(duì)應(yīng)的CNN網(wǎng)絡(luò)結(jié)構(gòu)，能夠處理一些較為復(fù)雜的圖像分類，但對(duì)于MRI 的腦腫瘤的檢測(cè)準(zhǔn)確率較低，不能滿足實(shí)際的醫(yī)學(xué)工作需要，需要對(duì)CNN 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)。由于采用的Softmax 來(lái)實(shí)現(xiàn)的分類器，參照?qǐng)D1 中的sigmod 函數(shù)，可以發(fā)現(xiàn)多重疊的網(wǎng)絡(luò)層增加，會(huì)導(dǎo)致出現(xiàn)梯度減小，甚至出現(xiàn)梯度消失。這需要一個(gè)能處理梯度的問(wèn)題，而支持向量機(jī)SVM(Support Vector network)[10]通過(guò)對(duì)超平面的分隔來(lái)實(shí)現(xiàn)分類，其對(duì)應(yīng)圖3所示。

圖3：SVM 結(jié)構(gòu)

在SVM 中的平面求解方程如下：

公式（4）中w 和b 分別代表向量和標(biāo)量，二者確定了平面所處在位置。由于平面求解的方式能夠有效的減少梯度減小所帶來(lái)的對(duì)網(wǎng)絡(luò)的影響。

通過(guò)SVM 來(lái)實(shí)現(xiàn)對(duì)CNN 網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，優(yōu)化后的單個(gè)CNN 網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4：優(yōu)化后的CNN 網(wǎng)絡(luò)結(jié)構(gòu)

優(yōu)化后的CNN 網(wǎng)絡(luò)結(jié)構(gòu)的圖像數(shù)樣本輸入的是128*128*3RGB，特征映射層中為2 個(gè)32*(3*3)卷積層，池化為2*2 的最大面積，輸出層采用SVM 做為二分類輸出。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

為了有效的驗(yàn)證本文的方法，需要采用真實(shí)數(shù)據(jù)樣本測(cè)試。實(shí)驗(yàn)采用的MRI 在線庫(kù)圖片BRATS[11]和一些正常的腦組織圖片，其中包括了腦腫瘤T1、T2 和FLAIR 等圖例。從中隨機(jī)選擇100 種圖例對(duì)模型進(jìn)行訓(xùn)練，然后選擇30 種進(jìn)行測(cè)試。

3.2 實(shí)驗(yàn)環(huán)境

本文的實(shí)驗(yàn)環(huán)境的構(gòu)成分兩部分，環(huán)境和平臺(tái)的詳細(xì)信息如表1所示。

表1：實(shí)驗(yàn)環(huán)境

3.3 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)結(jié)果分為三類，其對(duì)應(yīng)如下：

第一類是對(duì)于腦腫瘤和正常腦組織的檢測(cè)率，其對(duì)應(yīng)的檢測(cè)率結(jié)果見表2。

表2：分類結(jié)果

從表2 可以看出，本文的方法能夠有效的區(qū)分出腦腫瘤和正常腦組織。

第二類是對(duì)于腦腫瘤的分割評(píng)估，將采用通用的相似性系數(shù)DSC、靈敏度Sensitivity 和陽(yáng)性預(yù)測(cè)率PPV 和分割時(shí)間進(jìn)行分隔評(píng)估，用單個(gè)完整的腦腫瘤圖片，將實(shí)驗(yàn)結(jié)果與文獻(xiàn)[1]、文獻(xiàn)[2]、文獻(xiàn)[3]進(jìn)行比較，其結(jié)果見表3所示。

表3：分割性能評(píng)估

從表2 的結(jié)果，可以看出本文提出的方法，在DSC 上的提升均高于文獻(xiàn)[1]、文獻(xiàn)[2]、文獻(xiàn)[3]，在靈敏度Sensitivity 和陽(yáng)性預(yù)測(cè)率PPV 與文獻(xiàn)[1]持平，但高于文獻(xiàn)[2]、文獻(xiàn)[3]。分割時(shí)間低于文獻(xiàn)[3]，高于文獻(xiàn)[1]、文獻(xiàn)[2]。

第三類是自動(dòng)檢測(cè)和分割主觀評(píng)估，其對(duì)應(yīng)如圖5所示。

圖5：自動(dòng)檢測(cè)和主觀評(píng)估

從圖5 能看出，本文提出的方法雖然在時(shí)間上存在不足，但能滿足實(shí)際臨床工作的需求。

4 總結(jié)

本文提出的一種改進(jìn)CNN 網(wǎng)絡(luò)的分類器，對(duì)Softmax 分類器用線性SVM 來(lái)代替，來(lái)實(shí)現(xiàn)對(duì)自動(dòng)對(duì)腦腫瘤的檢測(cè)和分割，并通過(guò)仿真實(shí)驗(yàn)來(lái)驗(yàn)證了方法的可行性，但在分隔時(shí)間上還存在一定的不足，在下一步工作，將通過(guò)自動(dòng)編碼器和圖像分布式分割來(lái)減少分割時(shí)間。