【www.zhangdahai.com--其他范文】
左 琳
(南开大学 附属第一中心医院， 天津 300192)
随着工业技术的快速发展，由此导致的空气污染问题也日益严重，因肺部病变导致的呼吸道疾病的发病率和致死率也呈现出逐年增加的趋势[6-7].然而，由于医疗资源分布的不均匀，导致在肺部疾病的诊断过程中有大量的疑难病症无法得到准确诊断[8].因此发展智能化、精确化的计算机辅助诊断技术，对于解决医疗资源分布不均问题、减少医生的诊断负担、提升诊断准确率和效率是十分必要的[9].
目前，针对肺部疾病诊断的计算机辅助诊断技术主要包括：传统的机器学习方法和基于深度学习的方法[10-11].其中，传统机器学习方法使用区域生长、阈值法和统计分析等方法分割出肺部区域，然后使用基于机器学习或基于规则的方法对分割出的区域进行统计分类并得到诊断结果.Deng等[11]提出了一种基于模糊阈值的CT图像分割算法，算法首先分割出肺部区域，然后使用加权支持向量机将分割出的区域分为结节区和非结节区.Tobias等[12]提出了一种基于主动轮廓模型的肺部区域分割算法，并提取出分割区域的三维解剖特征和二维随机特征对分割区域进行分类.这类方法通常需要人工参与设计特征的提取过程，而基于深度学习的方法直接使用深度神经网络提取输入图像的特征，不仅简化了特征提取过程，而且将肺部疾病诊断作为一个端到端图像分类的过程，具有更高的性能.Wang等[13]提出了一种基于三维卷积神经内网络的肺部结节检测方法，首先使用局部几何滤波器生成候选区域，然后使用三维卷积对候选区域进行分类.Zebin等[14]将反卷积操作引入到Faster R-CNN网络中，实现肺部疾病区域的检测.Imran等[15]基于U-Net的编解码结构和三维双路径网络实现肺部CT疾病的诊断，该方法将分割出的候选疾病区域分为良性和恶性两类.
虽然现有的方法均能获得较高的识别精度，但其忽略了肺部器官间的相对位置对诊断结果的影响[16].本文提出了一种基于位置信息的肺部疾病分类网络，该方法将位置信息应用于肺部疾病诊断中，实现位置导向的特征提取和疾病分类.在大规模数据上的仿真测试实验结果表明，所提出的方法能提取出更多有效特征，从而提升肺部疾病的诊断精度.
在传统的图像分类网络中，使用池化层增加网络的感受野，然而池化层的存在使得图像中像素点原始的位置被掩盖，这一信息的缺失对于场景更为复杂的自然图像分类并不会造成较大的影响.而医学图像的场景更为单一，器官和组织间的相对位置关系对于图像的分类具有重要意义，这一信息的缺失会直接影响图像的分类精度.因此本文将位置信息引入医学图像的分类问题中，提出了一种基于位置信息的肺部疾病诊断网络.
在自然语言处理任务中，通常使用余弦和正弦编码的方式对句子中的位置顺序进行编码，该方法在处理位置信息相对固定的图像时具有较优的精度，然而对于医学图像而言，人体组织间的差异以及拍摄时患者的不同姿势均会导致拍摄到的图像中器官间的位置发生变化.为了解决这一问题，本文中提出了一种相对距离编码的方式实现肺部器官的位置编码.该方法首先分割出肺部区域和心脏区域，然后根据分割结果计算出器官间的相对距离，最终将生成的相对距离作为肺部疾病分类网络的条件输入，实现肺部疾病的诊断.
1.1 基于U-net的肺部组织分割网络
为了实现器官和组织间的相对距离编码，本文首先使用U-net网络提取出输入肺部CT图像的肺部与心脏区域，实现器官的预分割.不同于传统的全卷积网络，U-net网络能有效利用高层语义特征的空间信息实现不同尺度的特征融合，从而减少细节信息的丢失.使用卷积层提取图像的特征，利用下采样层缩小图像尺寸，再通过上采样层恢复到原始分辨率.网络包括一个编码部分和一个对称的解码部分，其中，编码网络的设计类似于传统的分类网络，使用一系列卷积操作和降采样操作提取出图像的语义信息；
而解码网络与编码网络对称，使用卷积操作和上采样操作逐渐恢复出原始的空间信息.该设计网络的输出和输入具有相同的分辨率，实现了点到点的像素预测，同时，该网络可以兼顾图像的空间与语义信息.
为了训练该网络，本文提出的损失目标函数为
2.1 两组患者术后2年临床治疗效果比较 观察组治疗总有效率显著高于对照组，差异有统计学意义(χ2=5.996，P=0.014)。见表1。
(1)
式中：pi与gi分别为像素i的预测概率和真实类别；
N为图像的总像素数；
ε=0.000 1为平滑参数.但由于医学图像标注样本数量有限，故对数据标注较为困难，这使得网络使用随机初始化的参数时无法提取出有效的语义信息，因此本文使用ImageNet数据集上预训练的ResNet50网络代替原始的编码网络，而解码网络则使用随机初始化的参数.
1.2 区域分割精确化处理
上述分割网络只能得到比较粗糙的分割结果，无法保证分割区域的完整性.为了实现更精确的相对位置编码，本文对上述分割结果进一步处理以减少预测误差.具体处理步骤为：
1) 定义处理输入，M为网络分割结果，q=0.5为分割阈值.E为最大保留区域数量，对于肺部区域E取2，对于心脏区域E取1.
3) 使用连通域分析法得到图像中独立前景区域，然后统计每个区域的像素数量，并根据数量的排名将前n个区域作为目标区域的预分割结果.
4) 使用二值填充算法对提取出的预分割结果进行填充，并得到最终的分割结果.
经过上述步骤处理之后，可以明显减少孔洞区域，实现异常目标的过滤，使分割出的结果更符合预期目标.
1.3 相对距离编码
为了解决传统位置编码方法无法充分利用位置信息，且提取容易受噪声影响的问题，本文提出了一种相对距离编码的方法.其中，相对距离计算表达式为
dr(i，j)=min{(x-i)2+(y-j)2，0≤x (2) 为了提取出相对距离信息，本文使用距离变换的方式实现相对距离编码.对于一张给定的二值图像I∈RW×H，假定图像的边界即二值图中标记为1的像素点集合为B，则距离图与原图有相同的宽和高，本文通过迭代计算的方式得到距离图，然后，使用模板匹配的方法对模板位(xp，yp)所在的像素值进行更新，即 H(t)(xp，yp)=min{H(t-1)(xp+k，yp+l)+ D(k，l)} (3) 式中：H(t)(xp，yp)为距离图在第t次迭代时位于坐标(xp，yp)处的值； 为了提升肺部疾病的诊断精度，本文提出了一种基于注意力网络的肺部疾病分类网络.该网络使用SeNet网络作为主干网络，使用两层网络提取相对位置编码的特征，并使用该特征指导后续主干网络的特征提取和肺部疾病分类.基于注意力网络的肺部疾病诊断网络结构如图1所示，图1主要由Conv+ReLU+BN模块构成，提取图像特征.该网络使用注意力网络和一个全连接层，将输入的肺部图像划分为对应的类别. 图1 疾病诊断网络Fig.1 Disease diagnosis network 为了实现距离特征的引导，本文设计了距离导向模块，具体结构如图2所示.该模块以残差连接的方式实现图像特征和相对距离特征的融合，即 H(x)=[1+F(x)]T(x) (4) 式中：F(x)为图像特征； 图2 距离导向特征提取模块Fig.2 Distance-oriented feature extraction module 为了验证所提出算法的有效性，本文在ChestX-ray14数据集上进行了仿真测试与分析.该数据集包括肺不张、心脏肥大、胸膜积液、肺浸润、肿块、结节、肺炎、气胸、肺实质、肺水肿、肺气肿、纤维化、胸膜增厚和肺痛14种常见肺部疾病，共112 120张图片.实验数据首先缩放到224×224大小，然后进行归一化操作以提升模型的泛化性能，同时文中使用随机偏移、旋转和缩放进行数据增强.训练时，使用初始学习率为0.001的Adam优化器对网络进行优化.文中U-net网络包含6个下采样结构和6个对称的上采样结构，疾病诊断网络包含4个特征提取结构和一个如图2所示的距离导向特征提取结构. 为了验证算法的有效性，本文将基于U-net的肺部区域分割与其他两种文献算法进行精确度对比，结果如表1所示，其中精确度使用通用的交并比计算得到.相比于文献[10]和[11]的结果，基于U-net的肺部区域分割方法具有更高的精度.同时，图3给出了对分割结果精确化处理前后的结果对比，从图3中可以看出，处理后的图像可以明显减少孔洞区域，实现异常目标的过滤，使分割出的结果更符合预期目标. 表1 肺部区域分割结果精确度对比Tab.1 Accuracy comparison of results of lung region segmentation 图4为本文使用相对距离编码时得到的内部相对距离和外部相对距离的结果.从图4中可以看出，使用内部相对距离编码能够更加关注肺部组织内部的元素，使用外部相对距离编码会消除胸腔内组织密度变化所导致的影响. 由于不同特征嵌入方法也会对网络分类结果产生影响，文中对距离导向的特征提取模块进行对比研究.表2为使用不同方法得到的分类结果，表2中分类精度由正确分类的数量除以总测试样本数量得到.使用通道级特征串接和元素级特征相乘的方式只能得到次优结果，而使用本文方法能够得到更优结果，相比传统方法，其精度至少可以提升0.022. 将本文算法与文献[13]、[14]进行不同类型疾病的分类精确度对比，结果如表3所示.本文算法对14种疾病的分类精度结果优于其他算法，表明本文算法能够有效提升肺部疾病诊断的精度. 图3 算法精确化处理前后对比图Fig.3 Comparison of algorithms before and after post-processing 图4 内部相对距离和外部相对距离结果Fig.4 Results of internal and external relative distances 表2 不同特征融合方法的结果Tab.2 Results of different feature fusion methods 表3 14种疾病分类精度Tab.3 Classification accuracy of 14 diseases 本文提出了一种基于位置信息的肺部疾病诊断网络来解决位置有关的肺部疾病分类和诊断问题.将位置编码嵌入到语义分割网络中实现肺部组织的分割，提升了分割的精度，结合位置信息可以提取出针对特定位置的肺部疾病分类特征，并提升所提取特征的有效性.对14种常见肺部疾病的分类实验结果表明，通过位置嵌入的方法能够指导网络提取出更加有效的数据特征，实现位置相关的特征增强和抑制，从而有效提高肺部疾病的诊断精度.
D(k，l)为模板中(k，l)点相对于匹配点的距离，本文使用欧式距离计算匹配点间的距离.1.4 基于注意力网络的肺部疾病分类
T(x)为相对距离提取的特征；
H(x)为融合后的特征.该特征融合模块可以实现距离导向的特征提取，且这种特征融合方式不会对后续的特征提取产生较大的影响，对于位置相关的疾病诊断具有较为重要的意义，本文疾病分类网络使用交叉熵损失作为目标函数.
