基于CT影像構(gòu)建的ResNet-18模型在非酒精性脂肪性肝病分級中的應(yīng)用

雷立存，杜亞強，周琦，高天姿，楊爽，王哲

1.河北醫(yī)科大學第一醫(yī)院放射科，河北 石家莊 050031；2.河北醫(yī)科大學第四醫(yī)院體檢部，河北 石家莊 050011；*通信作者 杜亞強 halixundong@126.com

非酒精性脂肪性肝?。╪onalcoholic fatty liver disease，NAFLD）是一種世界范圍內(nèi)的慢性疾病，發(fā)病原因主要有肥胖、2型糖尿病、高脂血癥與代謝性疾病等，近年NAFLD患病率呈逐年上升趨勢[1-2]。肝臟脂肪性病變是由于肝臟細胞脂肪液滴的積累，進而可能導致肝炎、纖維化、肝硬化，最后進展為肝細胞癌[3-4]。NAFLD發(fā)生纖維化的概率約為25%，1.5%～8.0%可進展為肝硬化[5]。因此，早期診斷與提前干預(yù)可能阻止其發(fā)病歷程[4]。

目前肝臟活檢是診斷NAFLD的重要參考標準，但因其有創(chuàng)性、價格昂貴，不適合大范圍篩查。肝臟超聲檢查的缺點是分辨率低，依賴超聲設(shè)備與操作醫(yī)師的個人經(jīng)驗手法[6]。肝臟CT平掃雖然有電離輻射，但成像快速，且分辨率較高，可以顯示更多的信息，廣泛應(yīng)用于臨床，并且聯(lián)合肝/脾CT值分析有助于診斷NAFLD[7-8]。隨著近年深度學習技術(shù)的興起，其在計算機視覺與自然語言處理領(lǐng)域已取得突破性成果[9]。自2012年以來，基于卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN）的圖像識別網(wǎng)絡(luò)每年均提高識別準確率[10-11]。目前各學科交叉促使將優(yōu)異的深度學習圖像識別網(wǎng)絡(luò)應(yīng)用于醫(yī)學圖像輔助醫(yī)務(wù)人員診斷變得切實可行。本文挑選ResNet-18圖像識別網(wǎng)絡(luò)，采用遷移學習的方式[12-13]，基于肝臟CT平掃圖像，驗證深度學習診斷NAFLD的可行性。

1 資料與方法

1.1 研究對象 回顧性分析2020年5—12月河北醫(yī)科大學第一醫(yī)院收治的164例經(jīng)CT掃描檢查診斷為NAFLD的影像資料，共1 801層CT平掃圖像，其中男101例，女63例；年齡9～86歲，平均（46.1±16.3）歲；輕度脂肪肝53例共577層圖像，中度脂肪肝54例共590層圖像，重度脂肪肝57例共634層圖像。一般資料見表1。將20例行上腹部CT平掃未見明顯異?；颊呒{入對照組，共200層圖像，其中男13例，女7例，年齡13～73歲，平均（36.6±18.7）歲。共收集2 001層圖像。納入標準為所有患者均在CT檢查中未發(fā)現(xiàn)其他明顯肝臟疾病，且無重大肝臟疾病史和手術(shù)史。本研究經(jīng)河北醫(yī)科大學第一醫(yī)院倫理委員會批準（審批號：20200425），并獲得患者知情同意。

表1 輕度、中度、重度NAFLD患者一般資料（例）

1.2 數(shù)據(jù)集 NAFLD分級標準參考《中國非酒精性脂肪性肝病診療指南》[14]，CT診斷脂肪肝的依據(jù)為肝臟密度普遍降低，肝/脾CT值＜1.0，其中0.7＜肝/脾CT值＜1.0為輕度脂肪肝，0.5＜肝/脾CT值≤0.7為中度脂肪肝，肝/脾CT值≤0.5為重度脂肪肝。首先收集研究所用病例影像數(shù)據(jù)，進行相應(yīng)預(yù)處理，然后隨機劃分訓練集、驗證集、測試集，訓練集與驗證集用于訓練參數(shù)建立模型，測試集用于模型最后評估，最后進行模型評估指標分析（圖1）。

1.3 數(shù)據(jù)預(yù)處理 為了將圖像數(shù)據(jù)送到網(wǎng)絡(luò)中便于訓練且節(jié)省計算機內(nèi)存，統(tǒng)一將肝臟CT圖像數(shù)據(jù)調(diào)整為512×512像素、JPG格式，采用后處理工作站實現(xiàn)（圖2）。然后將數(shù)據(jù)集按照60%、20%、20%劃分訓練集、驗證集、測試集；且隨機打亂，保證泛化性；其中訓練集1 201層圖像，用于訓練網(wǎng)絡(luò)模型參數(shù)；驗證集400層圖像，用于防止網(wǎng)絡(luò)過擬合，調(diào)節(jié)模型超參數(shù)；測試集401層圖像，用于評估模型真實效果。

1.4 深度學習模型 使用ResNet-18圖像識別網(wǎng)絡(luò)，較以往傳統(tǒng)基于CNN的圖像識別網(wǎng)絡(luò)（如VGG網(wǎng)絡(luò)[10]）不同，ResNet類型的網(wǎng)絡(luò)增加了“短接”機制[11]（圖3）。

公式：xi=F（xi-1）+xi-1（xi代表第i層的圖像特征信息，F(xiàn)代表由卷積層、BN層、池化層等組成的基本單元），前向傳播過程中，將之前提取過的特征信息也考慮在內(nèi)。

ResNet類型的網(wǎng)絡(luò)加入“短接”機制，即將原始圖像特征數(shù)據(jù)通過1×1卷積的作用，調(diào)整為與由基本單元提取后的特征數(shù)據(jù)一致的尺寸大小，便于特征的融合，即將特征信息相加。在前向傳播過程中，每一層均考慮了之前由基本單元提取過的特征信息，解決了傳統(tǒng)的圖像識別網(wǎng)絡(luò)，因網(wǎng)絡(luò)層數(shù)堆疊很深時，模型難以收斂的問題。結(jié)尾的數(shù)字18，僅代表基本單元數(shù)量不同，結(jié)構(gòu)上無差異。

本研究采用遷移學習方法，即不使用較小的數(shù)據(jù)樣本量直接訓練模型巨大的隨機初始化的參數(shù)，而是在裝載了預(yù)訓練參數(shù)的模型上，在模型輸出端更換適合本研究分類情況的全連接層，然后再使用本研究數(shù)據(jù)訓練網(wǎng)絡(luò)，進行參數(shù)微調(diào)，避免因數(shù)據(jù)量與算力的不足導致模型不收斂。代碼實現(xiàn)基于深度學習框架Pytorch，采用Python 3.7語言編寫，代碼運行環(huán)境為Windows 10系統(tǒng)，GPU為Nvidia Geforce RTX 2080Ti 11GB，epoch設(shè)置為500，學習率設(shè)置為0.001，batchsize設(shè)置為64，訓練過程中，運行完所有的epoch，保存其中在驗證集上準確率表現(xiàn)最好的那一次的模型參數(shù)。

1.5 統(tǒng)計學方法 入選病例臨床一般資料性別和年齡段行χ2檢驗。針對評估模型的表現(xiàn)，采用受試者工作特征（ROC）曲線與曲線下面積（AUC）評估準確度、敏感度、特異度對ResNet-18圖像識別網(wǎng)絡(luò)在NAFLD分級中的價值。

2 結(jié)果

ResNet-18圖像識別網(wǎng)絡(luò)在測試集中的總體準確率為95%，識別正常肝臟、輕度脂肪肝、中度脂肪肝和重度脂肪肝的CT平掃圖像敏感度、特異度及AUC值見表2，ROC曲線見圖4。

表2 ResNet-18圖像識別網(wǎng)絡(luò)測試集評估

3 討論

NAFLD是指除酒精和其他明確的肝損傷因素所致肝細胞內(nèi)脂肪過度沉積為主要特征的臨床病理綜合征，NAFLD包括非酒精性脂肪肝、非酒精性脂肪性肝炎、肝硬化和肝細胞癌[15-16]。NAFLD在全球的發(fā)病率為10%～30%，亞洲國家為11%～16%，中國的發(fā)病率約為15%[17]。隨著近年醫(yī)工結(jié)合的不斷發(fā)展，人們對醫(yī)療質(zhì)量和效能提出了更高的要求。傳統(tǒng)基于醫(yī)學影像對NAFLD分級的方法雖有一定效果，但其效率不高、圖像信息不全面。深度學習可以自動獲取原始圖像的一系列特征，可以為NAFLD分級診斷提供新的方向。

深度學習技術(shù)目前已滲入醫(yī)學影像領(lǐng)域的諸多方面，如心血管疾病的CT/MRI影像的分割與量化、視網(wǎng)膜眼底影像分析、胸部X線影像的深度學習輔助診療以及對顱內(nèi)出血與顱內(nèi)腫瘤影像的語義分割[18-21]。在肝臟影像領(lǐng)域，此類報道較多，F(xiàn)orlano等[22]利用CNN技術(shù)將收集的NAFLD患者資料建立模型，與人工組對比結(jié)果一致；Heinemann等[23]用CNN系統(tǒng)建模，量化了NAFLD和非酒精性肝炎的病理圖片，并建立了相應(yīng)的區(qū)分系統(tǒng)，其準確性與病理診斷正確率接近一致。余文林等[24]研究發(fā)現(xiàn)，使用T1RHO-FA參數(shù)采集的MR影像和采用VGGNet-11模型更能提高肝纖維化分期的診斷準確率。茹仙古麗·艾爾西丁等[25]利用圖像識別網(wǎng)絡(luò)Inception-v3在肝癌病理切片圖像中區(qū)分正常與病變兩種類型，最終平均準確率達到99.2%。

傳統(tǒng)的圖像識別網(wǎng)絡(luò)，單純通過堆疊由卷積層、激活函數(shù)層、BatchNormalization層（BN層）、池化層組成的基本單元，進行對圖像數(shù)據(jù)的單一向前逐層提取特征。本研究采用遷移學習方式，利用深度學習框架Pytorch搭建已預(yù)訓練的ResNet-18圖像識別網(wǎng)絡(luò)，避免因數(shù)據(jù)量與算力的不足導致最終模型不收斂的情況，同時也在一定程度上降低了模型過擬合的風險。另外數(shù)據(jù)預(yù)處理過程相對簡單，無需過多復(fù)雜的圖像處理相關(guān)操作，網(wǎng)絡(luò)模型可以直接讀取原始JPG格式的數(shù)據(jù)，也為將來實際應(yīng)用降低了難度。

本研究結(jié)果發(fā)現(xiàn)，測試集共401層圖像中，正常圖像32層，網(wǎng)絡(luò)可以全部識別正確，準確辨別正常圖像與NAFLD圖像，而在NAFLD圖像中分級的輕、中、重度圖像中，網(wǎng)絡(luò)表現(xiàn)出較高的敏感性，但也有識別分類錯誤的圖像，其原因可能是由于當前數(shù)據(jù)規(guī)模較小，不可能將所有NAFLD圖像特征包含在內(nèi)，并且NAFLD的CT平掃表現(xiàn)也因人而異。此外，盡管大量研究表明通過測量肝/脾CT值定量診斷NAFLD與病理活檢肝脂肪含量有較高的相關(guān)性，但由于CT值除受肝臟脂肪含量影響外，還存在鐵、銅、纖維化、水腫等多方面的干擾因素，因而需要進一步研究加以證實。

隨著深度學習等相關(guān)計算機技術(shù)的不斷更新發(fā)展，實現(xiàn)全自動化自動診療繼續(xù)向前邁進，本文進行基礎(chǔ)性探索，使計算機自動化進行NAFLD的分級得以實現(xiàn)，可以預(yù)期，深度學習有望在將來為肝病診斷提供更多的方法。