陈星宇
摘 要：肺结节检测技术目前是医学图像处理领域中的一个热门研究课题。该文旨在探讨如何快速有效地完成打通整个肺结节检测的流程，实现对输入的胸部CT图像进行肺结节检测。该文利用patch与patch之间的空间关系，针对数据集进行合理的数据增强和模型调优，提高模型泛化能力。使用图像分割检测图像中所有可能是肺结节的区域，生成候选集，使用一种基于改进后的3D-Unet医学图像处理模型对上一步骤生成的结果进行分类，剔除假阳性的候选，保留真正的结节，实现对输入的胸部CT图像进行肺结节检测。该技术不仅可用于肺结节CT智能诊断，也能应用于甲状腺癌、乳腺癌、脑瘤、肾癌、肝癌等重大疾病，具有重要的医学价值和社会价值。
关键词：3D-Unet 图像分割 肺结节 机器学习
中图分类号：TP39 文献标识码：A 文章编号：1672-3791（2020）08（c）-0217-03
Abstract： Lung nodule detection technology is a hot topic in the field of medical image processing. This paper aims to explore how to quickly and effectively complete the whole process of pulmonary nodule detection， so as to realize the detection of pulmonary nodules on the input chest CT images. In this paper， the spatial relationship between patch and patch is used to enhance the data set and optimize the model to improve the generalization ability of the model. Image segmentation is used to detect all possible areas of lung nodules in the image， and candidate sets are generated. An improved 3D UNET medical image processing model is used to classify the results generated in the previous step. False positive candidates are eliminated and the real nodules are retained to realize the detection of pulmonary nodules in the input chest CT image. The technology can not only be used in CT intelligent diagnosis of pulmonary nodules， but also be applied to thyroid cancer， breast cancer， brain tumor， renal cancer， liver cancer and other major diseases， which have important medical and social value.
Key Words： 3D UNET; Image segmentation; Pulmonary nodules; Machine learning
肺結节检测技术目前是医学图像处理领域中的一个热门研究课题。肺结节类医疗人工智能产品无疑是目前最热门的方向，中国年新增肺癌患者数量全球第一，年肺癌因素死亡人数全球第一，早筛需求旺盛，低剂量螺旋CT正被广泛推广。从图像质量上来说，胸部CT图像分层薄、视野清晰、干扰因素少、病灶特征规律可循，是智能影像判读的理想用武之地，加之中国影像医师的稀缺及国家政策的大力推动，这一领域的应用基础堪称完美。
1 优化传统机器学习辅助诊断
该项目将利用patch与patch之间的空间关系，提升模型的准确性，针对数据集进行合理的数据增强和模型调优，提高模型泛化能力。使用图像分割（segmentation）算法检测图像中所有可能是肺结节的区域，生成候选集。使用一种3D-Unet算法对上一步骤生成的结果进行分类，剔除假阳性的候选，保留真正的结节。将训练图像分割模型（U-net）和三维卷积神经网络（3D-CNN）模型进行模型串联，最终形成3D-Unet模型，完整打通整个肺结节检测的流程，实现对输入的胸部CT图像进行肺结节检测。最终逐步实现：（1）机器（交互平台）完成初步筛选、判断，交由医生完成最后判断。（2）人工智能快速完成初筛，交由医生进行判断，大幅缩短医生阅片时间。
2 基于改进后的3D-Unet医学图像处理模型
在生物医学影像处理的时候，很多数据都是块状的，实际上是由多个切片堆叠成一张3D的图像。如果用Unet处理3D的图像，需要将3D的图像切成多个切片2D数据，忽略了不同切片之间的内在联系和空间维度的关系，使得准确度难以提升。因此，将3D数据一层一层转化为2D数据进行标准训练是不现实的，而且用整个3D体积的全部数据去训练既效率低又会造成过拟合的问题。该文利用3D卷积神经网络进行训练，在少部分2D的标注切片上就能够形成密集的立体分割。这种网络有两个好处：一是在稀疏标注的数据集上训练并能够预测其他未标注的地方;二是能够在多个稀疏标注的数据集上进行训练，然后预测新的数据。该文以3D-Unet作为基础模型，在3D-Unet上进行改进。
为了证明方法的有效性，该文在BRATS 2018数据集上进行实验验证。BRATS 2018的训练集中有285个病例，每个病例有4个模态，需要分割出whole tumor， enhance tumor and tumor core。该文将每个病例以3D的形式输入3D uent。该文的实验环境为Linux电脑，使用了一块2080Ti GPU，使用的深度学习环境是Keras。该文分别在3D-Unet和改进后的 3D-Unet上进行实验对比，证明该文方法的有效性。
图1是原始3D-Unet的loss和该文提出的改进后的3D-Unet的loss。通过对比发现，该文提出的改进后的3D-Unet的loss值下降较快，且波动较小，而且validation loss和training loss值箱单，说明该文提出的方法的鲁棒性较好，不容易存在过拟合的现象，不止在训练集上效果良好。
图3是测试集上的结果，通过结果可以看到，两种算法在Enhancing Tumor这个指标上效果都不好，说明未来还需要更好地改进算法提高这个指标。在Whole Tumor和Tumor Core上，该文提出的改进后的3D-Unet效果明显优于原来的3D-Unet算法。
3 结语
该文利用3D-Unet进行训练，在少部分2D的标注切片上就能够形成密集的立体分割。这样不仅在稀疏标注的数据集上训练并能够预测其他未标注的地方，还能够在多个稀疏标注的数据集上进行训练，然后预测新的数据。为医生进行肺癌预测性诊断提供有效辅助，旨在尝试建立肺结节定性诊断的辅助诊断模型，以实现肺结节的智能化快速和准确诊断，为临床提供一种现代化、智能化辅助诊断方法。
参考文献
[1] Shen W，Zhou M，Yang F，et al. Learning from Experts： Developing Transferable Deep Features for Patient-Level Lung Cancer Prediction[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention.2016：124-131.
[2] Tang X，Wang X，Luo P.Hierarchical face parsing via deep learning[C]//Proceeding of the 2012 IEEE Confereceon Computer Vision and Pattern Recognition.2012：2480-2487.
[3] Hu J，Shen L，Sun G.Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2018：7132-7141.
[4] 田繼祥，王硕禾，张冰华，等.基于分数阶改进Retinex低光图像增强的仪表检测算法[J].济南大学学报：自然科学版，2020（4）：313-320.
[5] 袁野，和晓歌，朱定坤，等.视觉图像显著性检测综述[J].计算机科学：，2020，47（7）：84-91.
[6] 曾建华，黄时杰.典型图像边缘检测算子的比较与分析[J].河北师范大学学报：自然科学版，2020，44（4）：295-301.
