卷積神經網絡的發展及其在腫瘤影像學中的應用

劉亞偉，郭辰婧，趙繪萍

(吉林醫藥學院附屬醫院，吉林 吉林 132013)

隨著人們生活環境和生活方式的改變，慢性病取代傳染病，成為威脅人類健康的首要因素。腫瘤是最常見的慢性病之一,部分腫瘤早期的臨床癥狀較為隱蔽，其診斷率低，嚴重影響了患者的治療與康復。腫瘤的傳統影像學篩查主要依靠于其成像片的密度、增強模式、腫瘤邊緣規律等定性特征診斷。但是，人類對影像圖片的解讀存在主觀性，存在漏診誤診的風險。計算機輔助診斷(computer aided diagnosis，CAD)旨在通過計算機對病人的影像學檢查結果進行分析并輔助醫生完成診斷，卷積神經網絡(convolutional neural network，CNN)便是其中最具代表性、發展最為迅猛的一種算法，它能夠自動提取圖像特征，快速找尋圖像的定性特征，其獨特的優越性體現在圖片識別、分類和計算領域。

1 CNN基礎內容

1.1 CNN的發展歷史

20世紀60年代，生理學家Hubel和Wiesel在貓的視覺神經系統中探索到視覺空間在視覺皮層中的組織原理，視覺皮層細胞從視網膜上獲取視覺信息，完成光電信息的轉換[1]。日本學者福島邦彥根據這一發現，模擬了視覺皮層對視覺空間的組織提出了neocognitron模型，并由此開啟了CNN的研究[2]。后來世界各地的計算機專家紛紛對這一模型進行改進推廣，誕生了用于醫學影像監測的平移不變人工神經網絡(SIANN)[3]。在20世紀90年代隨著以支持向量機為代表的核學習方法的興起，CNN的發展進入到停滯期。直至2006年深度學習理論被提及后，CNN受到關注并逐漸被使用，并成為圖像識別領域中必不可缺的重要算法。

1.2 CNN的基本原理

CNN是由可學習權重和偏置常量的神經元組成的一種包含卷積計算和具有深度結構的前饋控制神經網絡，特征提取層和特征映射層是其重要基本結構。特征提取層通過神經元進行定位提取，映射層權值共享使模型簡潔；卷積層、池化層、線性整流層和全連接層是CNN整體組成[4]，

卷積層利用卷積操作對輸入的圖像進行處理，提取圖片的有效特征；池化層是為了對圖像進行縮小，降低特征圖的數量；線性整流層使用的是線性整流激活函數，對于輸入圖像中的每個正值，它返回相同的值和全連接層在輸出層使用softmax激活函數，對處理好的圖像進行分類處理，最后將分類結果輸出[5]。

深度學習概念于2006年提出。CNN的表征學習算法模型被廣泛地應用于圖像識別、物體識別、行為認知、姿態估計等方面[6]。而在醫學領域，更是被應用在多種疾病的診斷和治療中。

2 CNN在腫瘤影像學中的應用

2.1 影像檢查乳腺癌的CNN應用

乳腺癌已成為影響全球女性生命健康的高危因素，在女性惡性腫瘤發病率中居首位，死亡率高達42%左右，并且近年來患病率持續升高[7]。目前臨床早期確診通常需要依靠放射科醫生判斷乳腺鉬靶圖像，由MRI和CT作為補充，活體組織檢查是乳腺癌最終確診的金標準[8]。對乳腺腫塊病理標志物的影像診斷研究仍在突破。由于自身個體及體內腫塊形態和密度具有差異性，使乳腺腫塊與周圍其他腺體組織分界不清，是篩查診斷的主要阻礙。

使用CNN診斷乳腺癌是由Sahiner首次提出。利用CNN可以快速提取某一特定區域的特點，并采用BP網絡分類，從而準確定位乳腺腫塊[9]。荷蘭Kooi等采用和OxfordNet類似的結構對獲得的4.5萬張標簽圖像進行訓練，并且在網絡中添加了幾個手動提取的特征信息參數來檢測乳腺腫塊和鈣化，最終在驗證集上的最佳AUC為90%。該方法結合深度學習模型和手動提取特征的優點，分類效果大大超過了傳統的計算機輔助診斷系統。

針對乳腺核磁共振圖像的特點，李靜提出將傳統的CNN進行升級，把傳統的二維CNN升級成三維CNN[10]。三維卷積是由多個連續的切片堆疊而成，利用該三維立體中三維過濾器，用來獲取相鄰層之間的空間信息和變化信息。結果顯示，與二維CNN相比，三維CNN能夠利用病灶不同切片之間的三維空間信息，分類結果有明顯提高(15%)。

2.2 影像檢查肺癌的CNN應用

肺癌是全球發病率和死亡率最高的癌癥。放射科醫生可進行大規模低劑量螺旋CT篩查，根據肺部結節的生長狀況和密度等因素分析肺癌高發人群的患癌風險，然后做出臨床干預，患者死亡率降低了20%至43%[11]。醫學影像學和人工智能合作，有望通過區分良性和惡性結節，在提高肺癌的早期發現和定性方面發揮重要作用。

肺結節診斷和定性需要依據肺部CT圖像。肺結節輔助檢查系統是基于多視角CNN構建的。Seio等利用來自美國國家肺癌篩查試驗計劃[12]的1萬多個病人的4萬多張CT圖像數據，訓練了一個基于三維CNN的網絡結構，研究人員隨后在測試集上獲得了高達94.4%的可信區間[13]。本實驗的對比實驗中，安排多名擁有多年臨床經驗的放射科診斷醫生對同一數據進行肺癌患病風險評估。醫生在CT圖像之外同時還擁有病人的身份信息及臨床歷史信息的情況下，發現他們的表現均差于深度學習網絡算法。因此，通過大數據訓練的人工智能模型在早期肺癌風險預測這一任務上表現出了優于人類專家的性能。結果有力地證實了神經網絡對肺癌預測的結果穩健性。

2.3 影像檢查膠質瘤的CNN應用

膠質瘤是顱腦中常見的惡性腫瘤之一，所占比重約45%，多好發于中樞神經系統。腦膠質瘤不僅會引起惡心、嘔吐、頭痛等癥狀，且及有可能引起精神異常、視力下降甚至失明等癥狀[14]。目前檢査腦膠質瘤的影像手段主要有MRI和CT。MRI提供的圖像組織對比度高，對腫瘤的大小、位置判斷，術中圖像引導及后續治療具有重大意義，是診斷腦膠質瘤的重要輔助手段之一。目前在腦膠質瘤影像上的難題主要集中在腫瘤的精準分割和分級上。

Zikic利用傳統的二維CNN結構，開發了一種通過將輸入的4種模態三維尺寸的MRI圖像信息轉化為二維尺寸的解釋性方法，實現了腫瘤的分割[15]。羅蔓將多模態的三維CNN特征提取技術與支持向量機中的自適應加權混合核函數相結合，對MRI不同模態下產生的多余干擾信息去除，縮小原始特征，明顯區分同一病人在不同圖像層面的腫瘤大小，使MRI對腫瘤的分割精度有了明顯提升[16]。同時自適應的加權混合核函數保證了模型的學習能力和泛化性能。此外，吳聰設計的三層卷積層的CNN模型在腦膠質瘤的分級中也取得了良好的效果，分類的準確性達到了83.79%[17]。

3 總 結

大部分CAD研究是在機器學習算法的基本結構上完成的[18]。近些年來隨著深度學習算法的不斷發展，使得計算機能夠自動從海量的數據中學習獲得更深層次、更為抽象的特征，同時能夠有效排除人為因素的干擾，從而提高癌癥診斷的準確性[19]。CNN是機器學習的一個子集，它可以從樣本圖像中自動學習特征表示，并且在特定任務的應用中已經顯示出與人類的表現相匹配甚至超過人類的表現。盡管需要大量的數據集進行訓練，深度學習已經證明了對在腫瘤的成像模式中具有更大的普遍應用性、減少誤差的發生,最終實現早期臨床干預和診斷效果的顯著改善。

總之，CNN在腫瘤影像學中的應用研究中通過對超大數據集的運用，對CT、MRI等影像圖像全局和局部特征的同時識別和提取，以及對不同時間點影像圖像的綜合分析，實現了人工智能預測腫瘤風險的現有最高精度，且被證明顯著優于醫生表現[13,18,20]。公眾建立的開源CNN和醫療影像分析平臺NiftyNet[21]，能夠共享網絡架構和預訓練模型，被越來越多的臨床實踐用于醫療影像分析和影像導向治療。目前提出的網絡結構具有較強的延展性和靈活的適應性，能夠被運用至多種基于三維圖像的病理狀態分析任務中，在未來可預期成為病理分析的常規手段。