基于深度學(xué)習(xí)的橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的輔助診斷模型

胡小洋, 劉 穎, 倪春霞, 陳 淑, 董彬彬

(1.上海理工大學(xué)健康科學(xué)與工程學(xué)院, 上海 200093;2.上海伽瑪醫(yī)院放療科, 上海 200235;3.上海伽瑪醫(yī)院放射科, 上海 200235)

0 引言(Introduction)

橋小腦角區(qū)(Cerebellopontine Angle,CPA)是顱內(nèi)腫瘤好發(fā)的部位之一,發(fā)病率約占顱內(nèi)腫瘤的10%[1]。橋小腦角區(qū)的結(jié)構(gòu)復(fù)雜,病變的組織來(lái)源較多,常見(jiàn)的腫瘤有聽(tīng)神經(jīng)瘤和腦膜瘤。其中,聽(tīng)神經(jīng)瘤約占橋小腦角區(qū)腫瘤的80%,腦膜瘤占10%～15%[2]。磁共振影像(Magnetic Resonance Imaging,MRI)可以準(zhǔn)確地顯示解剖結(jié)構(gòu),反映組織病理學(xué)特征,并具有高軟組織對(duì)比度和無(wú)顱骨偽影影響的特點(diǎn),在橋小腦角區(qū)腫瘤診斷中發(fā)揮的作用尤為突出。橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的MRI表現(xiàn)和臨床表現(xiàn)相似,所以對(duì)病變的診斷有一定的難度,高度依賴(lài)臨床醫(yī)生的經(jīng)驗(yàn)和知識(shí)。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展,已有大量的基于醫(yī)學(xué)圖像的分析處理網(wǎng)絡(luò)模型[3-5]。VGG-net由牛津大學(xué)的Visual Geometry Group提出,表明增加網(wǎng)絡(luò)深度可以在一定程度上提升網(wǎng)絡(luò)性能,VGG-net是在圖像特征提取、分類(lèi)性能中表現(xiàn)良好的網(wǎng)絡(luò)結(jié)構(gòu)[6]。目前,對(duì)基于深度學(xué)習(xí)診斷橋小腦角區(qū)腫瘤的研究不多,利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)對(duì)橋小腦角區(qū)腫瘤的分類(lèi),可以為臨床診斷提供幫助,提升臨床診斷的準(zhǔn)確率和工作效率。本研究基于VGG-net的優(yōu)點(diǎn),構(gòu)建s-VGG深度學(xué)習(xí)分類(lèi)模型,采用橫斷位T1WI(T1 Weighted Imaging)增強(qiáng)圖像和T2WI(T2 Weighted Imaging)圖像,完成對(duì)橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的分類(lèi)任務(wù)。在分類(lèi)模型結(jié)果的基礎(chǔ)上,集合放射科及放療科臨床醫(yī)生的診斷結(jié)果,建立深度學(xué)習(xí)輔助臨床診斷模型;該診斷模型綜合深度學(xué)習(xí)與臨床的診斷結(jié)果,給出最終的腫瘤診斷,可以降低腫瘤誤診率,提升診斷的準(zhǔn)確率和臨床工作的效率。

1 深度學(xué)習(xí)分類(lèi)模型(Deep learning classification model)

1.1 設(shè)備和方法

本研究的腫瘤影像數(shù)據(jù)采集于上海某醫(yī)院放射科,回顧性地收集了2015—2018年的經(jīng)病理或臨床診斷確診為橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的病例,共收集聽(tīng)神經(jīng)瘤427例和腦膜瘤116例,本研究過(guò)程中遵守國(guó)家生物醫(yī)學(xué)研究倫理標(biāo)準(zhǔn)。

所有病例的MRI圖像采集均使用美國(guó)GE公司的SignaHDxt 1.5 T磁共振掃描儀,采用單通道頭部線圈,T1WI增強(qiáng)序列的掃描參數(shù)如下:掃描層厚2 mm,層間距為0 mm,重復(fù)時(shí)間(Repetition Time,TR)為580 ms,回波時(shí)間(Echo Time,TE)為8 ms,矩陣大小為256×256,掃描視野(Field Of View,FOV)為280 mm×280 mm,激勵(lì)次數(shù)為2,回波鏈長(zhǎng)度(Echo Train Length,ETL)為3,帶寬(Bandwidth,BW)為25 kHz。對(duì)比劑使用釓噴酸葡胺注射液(北京北陸藥業(yè)股份有限公司生產(chǎn)),注射劑量為0.2 ml/kg,通過(guò)肘前靜脈以1.5 ml/s的速率注入。T2WI序列的掃描參數(shù)如下:掃描層厚2 mm,層間距為0 mm,TR為5 000 ms,TE為100 ms,矩陣大小為256×256,FOV為280 mm×280 mm,激勵(lì)次數(shù)為2,ETL為3,BW為25 kHz。

1.2 圖像預(yù)處理

收集的病例通過(guò)影像歸檔和通信系統(tǒng)(Picture Archiving and Communication System,PACS)中導(dǎo)出,利用MicroDicom軟件讀取病例圖像,剔除不含有病灶或顯示不清楚的圖像,篩選后導(dǎo)出并以JPG格式儲(chǔ)存。共收集聽(tīng)神經(jīng)瘤T1WI增強(qiáng)圖像、T2WI圖像各2 725張,腦膜瘤T1WI增強(qiáng)圖像、T2WI圖像各909張。

使用MATLAB軟件對(duì)圖像進(jìn)行預(yù)處理。根據(jù)圖像的旋轉(zhuǎn)不變性,對(duì)圖像進(jìn)行旋轉(zhuǎn)以擴(kuò)充數(shù)據(jù)集,采用imrotate函數(shù)對(duì)圖像進(jìn)行旋轉(zhuǎn)批處理,分別設(shè)置旋轉(zhuǎn)參數(shù)為90°、180°、270°,得到旋轉(zhuǎn)后的圖像。如圖1所示,圖1(a)為原圖像,圖1(b)為90°旋轉(zhuǎn)圖像,圖1(c)為180°旋轉(zhuǎn)圖像,圖1(d)為270°旋轉(zhuǎn)圖像。經(jīng)處理后,數(shù)據(jù)集共包含聽(tīng)神經(jīng)瘤T1WI增強(qiáng)圖像、T2WI圖像各10 900張,腦膜瘤T1WI增強(qiáng)圖像、T2WI圖像各3 636張。

(a)原圖像

(b)90°旋轉(zhuǎn)圖像

(c)180°旋轉(zhuǎn)圖像

(d)270°旋轉(zhuǎn)圖像

使用T1WI增強(qiáng)圖像和T2WI圖像制作深度學(xué)習(xí)數(shù)據(jù)集,共建立T1WI增強(qiáng)和T2WI兩個(gè)深度學(xué)習(xí)數(shù)據(jù)集,分別按照8∶1∶1的比例劃分為訓(xùn)練集(training set)、驗(yàn)證集(validation set)和測(cè)試集(test set)。對(duì)于T1WI增強(qiáng)數(shù)據(jù)集和T2WI數(shù)據(jù)集,訓(xùn)練集中有聽(tīng)神經(jīng)瘤圖像8 720張、腦膜瘤圖像2 910張,驗(yàn)證集中有聽(tīng)神經(jīng)瘤圖像1 090張、腦膜瘤圖像363張,測(cè)試集中有聽(tīng)神經(jīng)瘤圖像1 090張、腦膜瘤圖像363張。其中,training set的作用是訓(xùn)練模型,validation set的作用是在訓(xùn)練中驗(yàn)證模型,對(duì)模型參數(shù)進(jìn)行調(diào)整,test set的作用是在模型訓(xùn)練結(jié)束后,評(píng)估模型指標(biāo),測(cè)試模型性能。

1.3 構(gòu)建s-VGG分類(lèi)模型

VGG-net相比以往的神經(jīng)網(wǎng)絡(luò),改進(jìn)之處在于使用了小卷積核,堆疊采用3×3的卷積核代替較大的卷積核,兩個(gè)3×3的卷積核串聯(lián)相當(dāng)于一個(gè)5×5的卷積核,三個(gè)3×3的卷積核串聯(lián)相當(dāng)于一個(gè)7×7的卷積核,串聯(lián)的3×3卷積核相比大卷積核使用了更小的參數(shù)量,并且擁有更多的非線性變化,使網(wǎng)絡(luò)對(duì)圖像的特征學(xué)習(xí)能力更強(qiáng);VGG-net使用了更小的2×2的池化層,小池化層更容易捕捉圖像中梯度的變化,能提升對(duì)局部信息差異性的感知,使模型能更好地學(xué)習(xí)圖像邊緣的細(xì)節(jié)信息。小卷積核增大了特征圖通道數(shù),小池化層縮小了特征圖的高和寬,使VGG-net可以建立更深層次的網(wǎng)絡(luò)模型,在一定程度上提升了模型性能;VGG-net采用了全連接層,并剔除了作用不明顯的局部響應(yīng)歸一化層(Local Response Normalization,LRN)。

圖2為VGG-net網(wǎng)絡(luò)示意圖。如圖2所示,VGG-net的數(shù)據(jù)處理流程如下:①輸入圖像先通過(guò)2層64×3×3卷積,經(jīng)過(guò)ReLU激活;②最大池化層,2層128×3×3卷積,ReLU激活;③最大池化層,3層256×3×3卷積,ReLU激活;④最大池化層,3層512×3×3卷積,ReLU激活;⑤最大池化層,3層512×3×3卷積,ReLU激活;⑥經(jīng)最大池化層后,2層1×1×4 096的全連接層,ReLU激活;⑦經(jīng)1×1×1 000的全連接層,由Softmax函數(shù)輸出1 000個(gè)分類(lèi)結(jié)果。

圖2 VGG-net網(wǎng)絡(luò)示意圖Fig.2 Sketch map of VGG-net network

VGG-net的缺點(diǎn)是參數(shù)量過(guò)大,導(dǎo)致計(jì)算資源耗費(fèi)大,模型訓(xùn)練時(shí)間長(zhǎng),參數(shù)調(diào)整難度大。因此,本文構(gòu)建了s-VGG網(wǎng)絡(luò)模型。

s-VGG模型借鑒VGG-net的優(yōu)點(diǎn),使用小卷積核和小池化層,減少計(jì)算量的同時(shí)增加了網(wǎng)絡(luò)深度。s-VGG添加了dropout層,參數(shù)為0.25,作用是隨機(jī)切斷當(dāng)前神經(jīng)網(wǎng)絡(luò)層節(jié)點(diǎn)與下一神經(jīng)網(wǎng)絡(luò)層節(jié)點(diǎn)間的連接,概率為25%,隨機(jī)切斷的過(guò)程幫助網(wǎng)絡(luò)降低了過(guò)擬合的可能性;使用Batch Normalization(BN)層對(duì)數(shù)據(jù)進(jìn)行批標(biāo)準(zhǔn)化處理,在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中使每一層的神經(jīng)網(wǎng)絡(luò)的輸入保持相同的分布,可以在一定程度上緩解深層網(wǎng)絡(luò)中“特征分布彌散”的問(wèn)題,提高模型訓(xùn)練速度并加快模型的收斂。BN層采用類(lèi)似正態(tài)分布?xì)w一化的方法對(duì)數(shù)據(jù)進(jìn)行批標(biāo)準(zhǔn)化處理,公式如下:

(1)

其中:X為原批處理數(shù)據(jù),X*為BN層處理后的數(shù)據(jù),μ為批處理數(shù)據(jù)的均值,σ2為批處理數(shù)據(jù)的方差,ε為避免除數(shù)為0而添加的微小正數(shù);因歸一化后的數(shù)據(jù)基本被限制在正態(tài)分布下,使網(wǎng)絡(luò)的表達(dá)能力下降,故引入?yún)?shù)γ和β解決上述問(wèn)題,γ為尺度因子,β為平移因子,這兩個(gè)參數(shù)由模型在訓(xùn)練中得到。

s-VGG采用Sigmoid函數(shù)輸出,訓(xùn)練中使用Binary cross entropy二元交叉熵?fù)p失函數(shù)Loss,公式如下:

其中:yi表示二元標(biāo)簽0或1,p(yi)表示輸出屬于yi的概率。

本研究構(gòu)建的s-VGG的網(wǎng)絡(luò)示意圖如圖3所示。網(wǎng)絡(luò)在每個(gè)卷積層后增加一個(gè)BN層進(jìn)行數(shù)據(jù)的批標(biāo)準(zhǔn)化處理。在池化層后添加Dropout層,按照25%的概率隨機(jī)切斷神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的連接。

圖3 s-VGG網(wǎng)絡(luò)示意圖Fig.3 Sketch map of s-VGG network

本研究模型環(huán)境為Windows 10操作系統(tǒng),Intel(R) Core(TM) i5-9400F CPU,32.0 GB內(nèi)存,編譯軟件為PyCharm,編譯環(huán)境為Python 3.7。使用s-VGG網(wǎng)絡(luò)分別訓(xùn)練橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的T1WI增強(qiáng)數(shù)據(jù)集和T2WI數(shù)據(jù)集。將訓(xùn)練得到的模型記為s-VGG-T1、s-VGG-T2。

1.4 分類(lèi)模型評(píng)價(jià)指標(biāo)

為驗(yàn)證s-VGG-T1、s-VGG-T2兩個(gè)分類(lèi)模型的精度,采用精確率(precision,P)、召回率(recall,R)、特異性(specificity,S)三個(gè)指標(biāo)進(jìn)行評(píng)估。

在測(cè)試集中對(duì)兩個(gè)分類(lèi)模型進(jìn)行評(píng)估。設(shè)定以聽(tīng)神經(jīng)瘤為正樣本,腦膜瘤為負(fù)樣本。TP(True Positive)為聽(tīng)神經(jīng)瘤分類(lèi)正確,TN(True Negative)為腦膜瘤分類(lèi)正確,FP(False Positive)為腦膜瘤被分類(lèi)為聽(tīng)神經(jīng)瘤,FN(False Negative)為聽(tīng)神經(jīng)瘤被分類(lèi)為腦膜瘤。

P、R、S的計(jì)算公式如下:

(3)

(4)

(5)

1.5 分類(lèi)模型結(jié)果

s-VGG-T1和s-VGG-T2分類(lèi)模型訓(xùn)練的epochs為100,學(xué)習(xí)率(Learning Rate,LR)為1e-3。如圖4所示,圖4(a)為s-VGG-T1模型訓(xùn)練中train set和validation set的loss曲線,圖4(b)為s-VGG-T2模型訓(xùn)練中train set和validation set的loss曲線,train set和validation set的loss曲線在圖4中表示為train_loss和val_loss。兩個(gè)模型的loss曲線均收斂良好。

(a)s-VGG-T1模型loss曲線

(b)s-VGG-T2模型loss曲線圖4 兩個(gè)模型的loss曲線Fig.4 Loss curve of two models

表1中的數(shù)據(jù)為s-VGG-T1和s-VGG-T2兩個(gè)分類(lèi)模型的評(píng)價(jià)指標(biāo),可以看到s-VGG-T1的P、R、S指標(biāo)分別為0.937、0.839、0.829,s-VGG-T2的P、R、S指標(biāo)分別為0.925、0.810、0.802,兩個(gè)模型均具有較好的分類(lèi)指標(biāo)。

表1 兩個(gè)模型的評(píng)價(jià)指標(biāo)

s-VGG-T1和s-VGG-T2兩個(gè)分類(lèi)模型的橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的分類(lèi)結(jié)果如圖5所示。其中:圖5(a)為s-VGG-T1分類(lèi)的聽(tīng)神經(jīng)瘤,圖5(b)為s-VGG-T1分類(lèi)的腦膜瘤,圖5(c)為s-VGG-T2分類(lèi)的聽(tīng)神經(jīng)瘤,圖5(d)為s-VGG-T2分類(lèi)的腦膜瘤。標(biāo)簽an表示聽(tīng)神經(jīng)瘤(Acoustic Neuroma),標(biāo)簽mg表示腦膜瘤(Meningioma),數(shù)值表示此標(biāo)簽出現(xiàn)的概率。

(a)s-VGG-T1分類(lèi)的聽(tīng)神經(jīng)瘤

(b)s-VGG-T1分類(lèi)的腦膜瘤

(c)s-VGG-T2分類(lèi)的聽(tīng)神經(jīng)瘤

(d)s-VGG-T2分類(lèi)的腦膜瘤

2 基于深度學(xué)習(xí)的輔助臨床診斷模型(Aided clinical diagnosis model based on deep learning)

2.1 構(gòu)建深度學(xué)習(xí)輔助診斷模型

醫(yī)學(xué)影像的臨床診斷工作中,主要的診斷方法仍是依賴(lài)臨床醫(yī)生人工閱片,并不能滿(mǎn)足當(dāng)前影像數(shù)據(jù)的增長(zhǎng)速度。在面對(duì)大量的影像數(shù)據(jù)時(shí),人工判斷方式很可能出現(xiàn)偏差,得出錯(cuò)誤的結(jié)論。

聽(tīng)神經(jīng)瘤的治療方式中,立體定向放射治療(Stereotactic Radiosurgery,SRS)目前已成為聽(tīng)神經(jīng)瘤的有效治療方式,表現(xiàn)出良好的腫瘤控制率和較低的副作用,可以作為手術(shù)的替代治療技術(shù),表現(xiàn)出巨大的優(yōu)勢(shì)和潛力[7]。腦膜瘤的最佳治療方式是顯微手術(shù)治療(Microsurgery,MS),但在臨床中,橋小腦角區(qū)腦膜瘤毗鄰重要組織結(jié)構(gòu)而難以手術(shù),所以對(duì)聽(tīng)神經(jīng)瘤和腦膜瘤的治療,會(huì)有放射治療(Radiotherapy,RT)的參與,放療科醫(yī)生對(duì)兩種腫瘤的診斷意見(jiàn)也比較重要。

多學(xué)科診療(Multi-Disciplinary Team,MDT)是由多學(xué)科資深醫(yī)生以共同討論的方式,為患者診療提出個(gè)體化方案[8]。傳統(tǒng)對(duì)于腫瘤患者的診療受限于臨床各科室的專(zhuān)業(yè)分工,科室間的聯(lián)系不足,患者的綜合治療難以實(shí)施或綜合治療的效果難以保證。多學(xué)科診療模式可以聚合各科室專(zhuān)家討論患者的診療方向,為患者提供規(guī)范化、個(gè)體化的綜合腫瘤治療方案。MDT模式的優(yōu)勢(shì)在于集中各科室專(zhuān)家討論診斷結(jié)果,提高了診斷的準(zhǔn)確性,并降低醫(yī)生誤診的可能性,有利于各科室間資源整合,實(shí)現(xiàn)資源共享。

本研究基于深度學(xué)習(xí)結(jié)果,仿照MDT模式構(gòu)建深度學(xué)習(xí)輔助診斷模型DL-MDT(Deep Learning based Multi-Disciplinary Team)。診斷模型中集合了s-VGG-T1分類(lèi)結(jié)果、s-VGG-T2分類(lèi)結(jié)果、放射科醫(yī)生診斷意見(jiàn)、放療科醫(yī)生診斷意見(jiàn)。分類(lèi)模型的結(jié)果由腫瘤識(shí)別圖得出,腫瘤識(shí)別圖對(duì)某一類(lèi)別的識(shí)別概率大于等于50%時(shí),即為分類(lèi)模型的結(jié)果。臨床醫(yī)生的診斷意見(jiàn)基于腫瘤的T1WI增強(qiáng)圖像、T2WI圖像和臨床癥狀,通過(guò)對(duì)MRI圖像多方位的閱片并結(jié)合臨床表現(xiàn),給出當(dāng)前圖像的腫瘤診斷。DL-MDT模型流程如圖6所示。

圖6 DL-MDT模型流程圖Fig.6 Flow chart of DL-MDT model

針對(duì)分類(lèi)模型和臨床醫(yī)生的診斷結(jié)果,將診斷為聽(tīng)神經(jīng)瘤的結(jié)果記為1、診斷為腦膜瘤的結(jié)果記為0,最終模型的輸出是兩個(gè)分類(lèi)模型結(jié)果和放射科、放療科醫(yī)生診斷結(jié)果的加權(quán)求和結(jié)果,各個(gè)診斷結(jié)果的權(quán)重值之和為1,所以最終的輸出結(jié)果是0～1的一個(gè)值。若最終結(jié)果大于等于0.5,則認(rèn)為模型最終診斷為聽(tīng)神經(jīng)瘤,反之為腦膜瘤。加權(quán)求和公式如下:

Result=RT1×wT1+RT2×wT2+Rro×wro+Rrt×wrt

(6)

RT1表示s-VGG-T1的分類(lèi)結(jié)果,RT2表示s-VGG-T2的分類(lèi)結(jié)果,Rro表示放射科醫(yī)生的診斷結(jié)果,Rrt表示放療科醫(yī)生的診斷結(jié)果;w為各結(jié)果對(duì)應(yīng)的權(quán)重值,經(jīng)與臨床醫(yī)生的綜合決定,將wT1、wT2、wro、wrt的權(quán)重值均定為0.25。

2.2 DL-MDT模型診斷結(jié)果

DL-MDT模型對(duì)10例腫瘤病例進(jìn)行診斷,結(jié)果見(jiàn)表2。從表2中結(jié)果可知,病例2和病例6中s-VGG-T2的分類(lèi)出現(xiàn)錯(cuò)誤,病例5和病例7中臨床醫(yī)生的診斷出現(xiàn)錯(cuò)誤,但DL-MDT模型最終給出的診斷正確率為100%,表明DL-MDT模型可以輔助臨床診斷,降低誤診率。

表2 DL-MDT模型診斷結(jié)果

3 實(shí)驗(yàn)結(jié)果討論(Discussion of experimental results)

橋小腦角區(qū)是顱內(nèi)腫瘤的好發(fā)部位之一,其中聽(tīng)神經(jīng)瘤和腦膜瘤是常見(jiàn)的兩種腫瘤。聽(tīng)神經(jīng)瘤和腦膜瘤患者會(huì)患有橋小腦角區(qū)綜合征,出現(xiàn)頭痛、耳鳴、聽(tīng)力下降、走路不穩(wěn)等臨床表現(xiàn)。兩種腫瘤的MRI表現(xiàn)和臨床癥狀類(lèi)似,對(duì)腫瘤的診斷有一定的難度,易導(dǎo)致誤診。

基于深度學(xué)習(xí)的醫(yī)學(xué)影像是當(dāng)下的熱點(diǎn)研究領(lǐng)域。HERENT等[9]基于深度學(xué)習(xí)對(duì)乳腺M(fèi)RI中的腫塊進(jìn)行分類(lèi)評(píng)估,共分為乳腺、良性病變、浸潤(rùn)性導(dǎo)管癌和其他惡行病變四類(lèi),模型評(píng)估結(jié)果AUC值為0.816,表現(xiàn)出良好的分類(lèi)能力。趙尚義等[10]提出3D CNN網(wǎng)絡(luò)對(duì)MRI圖像的膠質(zhì)瘤進(jìn)行分類(lèi),在BraTS 2018數(shù)據(jù)集中的低級(jí)別膠質(zhì)瘤和高級(jí)別膠質(zhì)瘤的分類(lèi)準(zhǔn)確率達(dá)到91.67%,說(shuō)明此模型在低級(jí)別膠質(zhì)瘤和高級(jí)別膠質(zhì)瘤分類(lèi)領(lǐng)域取得了良好的成果。本文構(gòu)建的s-VGG網(wǎng)絡(luò),在借鑒VGG-net網(wǎng)絡(luò)優(yōu)點(diǎn)的同時(shí)增加了Dropout層和BN層,降低了訓(xùn)練過(guò)程中過(guò)擬合現(xiàn)象的發(fā)生,提升了模型訓(xùn)練速度及收斂速度。對(duì)T1WI增強(qiáng)數(shù)據(jù)集和T2WI數(shù)據(jù)集的訓(xùn)練得到s-VGG-T1和s-VGG-T2兩個(gè)分類(lèi)模型,在測(cè)試集的評(píng)估中,s-VGG-T1的P、R、S值分別為0.937、0.839、0.829,s-VGG-T2的P、R、S值分別為0.925、0.810、0.802,對(duì)橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的分類(lèi)達(dá)到了較好的效果。

在分類(lèi)模型結(jié)果的基礎(chǔ)上,本文依照MDT的模式構(gòu)建了橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的深度學(xué)習(xí)輔助診斷模型DL-MDT,在對(duì)10例腫瘤的診斷中,診斷模型的準(zhǔn)確率為100%。在病例2和病例6中,s-VGG-T2的分類(lèi)結(jié)果錯(cuò)誤,可能是腫瘤T2WI圖像的特征不如T1WI增強(qiáng)圖像明顯,導(dǎo)致s-VGG-T2的性能低于s-VGG-T1,分類(lèi)錯(cuò)誤率高。在病例5、病例7中,臨床醫(yī)生的診斷出現(xiàn)錯(cuò)誤。聽(tīng)神經(jīng)瘤患側(cè)的聽(tīng)神經(jīng)束相比健側(cè)會(huì)明顯增粗并與腫瘤相連,聽(tīng)神經(jīng)束的改變是聽(tīng)神經(jīng)瘤的特征性表現(xiàn),有研究表明此改變約占聽(tīng)神經(jīng)瘤的96%[11];腦膜瘤在MRI增強(qiáng)后,T1WI增強(qiáng)會(huì)出現(xiàn)腦膜尾征,產(chǎn)生的機(jī)制是腦膜瘤細(xì)胞侵入硬腦膜,致使鄰近的腫瘤充血、血管增生擴(kuò)張及結(jié)締組織增生[12];腦膜瘤內(nèi)鈣化的發(fā)生率較高,聽(tīng)神經(jīng)瘤內(nèi)鈣化的發(fā)生率較低。病例5、病例7中,聽(tīng)神經(jīng)瘤和腦膜瘤的MRI圖像特征性表現(xiàn)不明顯,致使臨床醫(yī)生出現(xiàn)不同程度的誤診。但是,分類(lèi)模型s-VGG-T1、s-VGG-T2的分類(lèi)結(jié)果正確,證明通過(guò)DL-MDT給出的診斷結(jié)果正確。以上結(jié)果表明,深度學(xué)習(xí)輔助臨床診斷,可以降低臨床工作中出現(xiàn)誤診、漏診的概率。本文提出的深度學(xué)習(xí)輔助診斷模型DL-MDT具有良好的診斷性能,可提升臨床診斷的準(zhǔn)確性和臨床工作的效率。

4 結(jié)論(Conclusion)

本文在對(duì)VGG-net網(wǎng)絡(luò)進(jìn)行優(yōu)化和改進(jìn)的基礎(chǔ)上構(gòu)建s-VGG網(wǎng)絡(luò),采用橋小腦角區(qū)聽(tīng)神經(jīng)瘤和腦膜瘤的T1WI增強(qiáng)圖像和T2WI圖像,分別訓(xùn)練s-VGG-T1和s-VGG-T2模型。測(cè)試集中s-VGG-T1與s-VGG-T2的P、R、S指標(biāo)分別達(dá)到0.937、0.839、0.829與0.925、0.810、0.802,證明模型具有良好的分類(lèi)性能。在分類(lèi)模型結(jié)果的基礎(chǔ)上,結(jié)合放射科與放療科的臨床診斷結(jié)果,構(gòu)建深度學(xué)習(xí)輔助臨床診斷模型DL-MDT,該診斷模型在10例腫瘤中的診斷準(zhǔn)確率為100%,表明了本文構(gòu)建的DL-MDT模型具有良好的診斷性能,可以在臨床工作中提升診斷的準(zhǔn)確性和臨床工作的效率。