国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

機(jī)器學(xué)習(xí)在鼻咽癌影像分析中的研究進(jìn)展

2019-02-14 07:24葉裕豐黃炳升
關(guān)鍵詞:機(jī)器聚類分類

黃 斌 廖 峰 葉裕豐 黃炳升*

鼻咽癌(nasopharyngeal carcinoma,NPC)是一種源自鼻咽部易擴(kuò)散至淋巴的惡性腫瘤,有顯著的地域差異,如在亞洲中部及東南部和非洲東部及北部發(fā)病率較高。中國處于NPC高發(fā)地區(qū),其發(fā)病率呈南高北低態(tài)勢,華南、西南各省發(fā)病率顯著。放射治療是目前的主要治療方法。早期病人一般采用純放療手段,晚期采用以放療為主的放化療綜合手段。治療后總生存率大約為80%。

NPC的診斷、治療以及療效評估依賴于醫(yī)生對病人影像、病理等信息的分析處理。目前,臨床上對病人信息的分析處理都由臨床醫(yī)生來完成。但影像信息量龐大,人工分析處理需要耗費(fèi)大量的時(shí)間與精力,且由于具有主觀性使得準(zhǔn)確性得不到保證。相對于人工診治分析,計(jì)算機(jī)分析速度更快,而且分析結(jié)果更為客觀,在一定程度上保證了準(zhǔn)確度。機(jī)器學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的應(yīng)用令計(jì)算機(jī)輔助診斷(computer aided diagnosis,CAD)的準(zhǔn)確性大大提高,在減輕醫(yī)生工作量的同時(shí),有望實(shí)現(xiàn)更準(zhǔn)確高效的診斷。機(jī)器學(xué)習(xí)的主要應(yīng)用包括病灶分類和療效預(yù)測,其目的在于輔助醫(yī)生分析醫(yī)學(xué)影像,提高診療效率和精度。下面對機(jī)器學(xué)習(xí)在NPC診治中的應(yīng)用研究作一綜述。

1 機(jī)器學(xué)習(xí)概述

機(jī)器學(xué)習(xí)是使計(jì)算機(jī)具有學(xué)習(xí)的能力。Alpaydin將機(jī)器學(xué)習(xí)定義為能夠根據(jù)實(shí)例數(shù)據(jù)或過去的經(jīng)驗(yàn)優(yōu)化某種性能的計(jì)算機(jī)程序。機(jī)器學(xué)習(xí)技術(shù)中系統(tǒng)的任務(wù)即學(xué)習(xí)輸入到輸出的映射。在學(xué)習(xí)過程中,根據(jù)系統(tǒng)的輸入輸出方式可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)。監(jiān)督學(xué)習(xí)指每個(gè)輸入具有對應(yīng)的人為標(biāo)定的輸出,無監(jiān)督學(xué)習(xí)則沒有人為標(biāo)定的輸出,增強(qiáng)學(xué)習(xí)的輸出是指能實(shí)現(xiàn)某個(gè)目標(biāo)的動作序列。常用的機(jī)器學(xué)習(xí)算法有支持向量機(jī)(support vector machine,SVM)、馬爾可夫隨機(jī)場(Markov random field,MRF)、條件隨機(jī)場(conditional random field,CRF)、 自 組 織 映 射 (self-organizing maps,SOM)、模糊C均值(fuzzy C-means,FCM)聚類算法、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、K 最近鄰算法(K-nearest neighbor,KNN)、隨機(jī)森林(ran dom forest,RF)等。傳統(tǒng)機(jī)器學(xué)習(xí)具有一定的局限性,如:①人為設(shè)計(jì)特征,在處理復(fù)雜問題時(shí),需要耗費(fèi)大量的時(shí)間與精力。②維數(shù)災(zāi)難,處理高維數(shù)據(jù)困難[1]。針對這些問題,機(jī)器學(xué)習(xí)技術(shù)發(fā)展出深度學(xué)習(xí)這一分支。深度學(xué)習(xí)是當(dāng)前機(jī)器學(xué)習(xí)的熱點(diǎn),已在各個(gè)領(lǐng)域中有較好的應(yīng)用,如人臉識別、自動駕駛等。深度學(xué)習(xí)能夠使計(jì)算機(jī)通過原始數(shù)據(jù)直接提取特征,省去了人為設(shè)計(jì)特征的步驟。另一方面,深度學(xué)習(xí)技術(shù)自動提取的特征維度更高、更抽象,更適合計(jì)算機(jī)分析處理[2]。目前圖像處理領(lǐng)域最流行的是卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)。

表1 基于機(jī)器學(xué)習(xí)的NPC分割研究總結(jié)

2 機(jī)器學(xué)習(xí)在NPC影像中的應(yīng)用

2.1 影像分割 目前臨床上對NPC腫瘤的影像分割大多由醫(yī)生手動進(jìn)行,耗時(shí)耗力且具有主觀性。通過機(jī)器學(xué)習(xí)等圖像處理技術(shù)在NPC影像上實(shí)現(xiàn)了腫瘤自動或半自動分割,能夠減輕醫(yī)生的工作量,提高診療效率。目前,在相關(guān)研究文獻(xiàn)中所處理的圖像主要來源于MRI、CT、鼻內(nèi)鏡。機(jī)器學(xué)習(xí)在NPC影像分割研究中常用的分割性能評價(jià)指標(biāo)有敏感度、精確度、特異度、準(zhǔn)確度、陽性預(yù)測值、Dice相似系數(shù)(Dicesimilarity coefficient,DSC)等(表 1)。

2.1.1 MRI影像分割 基于MRI的NPC腫瘤區(qū)域分割已多有報(bào)道。Zhou等[3]應(yīng)用二分類的SVM將病灶與非病灶分別作為兩類訓(xùn)練SVM,成功利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)了NPC腫瘤分割。Huang等[4]使用灰度預(yù)測模型粗略鑒別腫瘤區(qū)域,有利于減少假陽性,再用FCM細(xì)分割腫瘤以提高分割的準(zhǔn)確率。Huang等[5]將空間加權(quán)度量作為區(qū)分腫瘤與非腫瘤的特征,應(yīng)用譜聚類的方法對空間加權(quán)度量進(jìn)行聚類來區(qū)分腫瘤與非腫瘤,其敏感度和陽性預(yù)測值高于傳統(tǒng)的SVM方法,且聚類方法可以不需要定義標(biāo)簽。Huang等[6]在2013年的研究中,將之前研究[5]的采集樣本方式由半監(jiān)督改成無監(jiān)督,使該方法的自動化程度更高。Huang等[7]首先通過長寬高計(jì)算得到鼻咽的區(qū)域以減少假陽性,再通過最近鄰圖模型和距離正則化水平集演化(distance regularized level set evolution,DRLSE)進(jìn)行腫瘤粗分割,再用最大熵(expectation-maximization,EM)的隱 CRF 模型細(xì)化腫瘤細(xì)節(jié)。Deng等[8]根據(jù)不同組織的時(shí)間-灰度值曲線設(shè)計(jì)相應(yīng)特征,成功利用了時(shí)間信息,并通過SVM實(shí)現(xiàn)了NPC腫瘤分割,提出應(yīng)用動態(tài)成像信息的一種思路。Wang等[9]和Ma等[10]都應(yīng)用基于小塊的CNN實(shí)現(xiàn)了NPC腫瘤分割,省去了人工設(shè)計(jì)特征的步驟,較傳統(tǒng)方法的分割性能也有一定提高。

2.1.2 CT影像分割 在NPC的CT影像分割方面,Chanapai等[11]使用基于SOM的自適應(yīng)閾值法,實(shí)現(xiàn)了基于CT圖像的腫瘤區(qū)域的半自動分割。首先,研究應(yīng)用SOM生成NPC圖像的表達(dá)圖,再根據(jù)表達(dá)圖的灰度直方圖選定NPC區(qū)域的閾值作為區(qū)域生長的邊界停止條件,然后人工選取一個(gè)NPC內(nèi)的點(diǎn),最后基于此點(diǎn)進(jìn)行區(qū)域生長分割NPC。Men等[12]通過端到端的深度CNN實(shí)現(xiàn)了NPC原發(fā)病灶與轉(zhuǎn)移淋巴結(jié)的自動分割,與基于小塊的CNN方法相比,其速度更快,且分割性能也不低。

2.1.3 鼻內(nèi)鏡影像分割 在鼻內(nèi)鏡圖像上,Mohammed等[13]通過區(qū)域生長法、K均值聚類和ANN,實(shí)現(xiàn)了基于鼻內(nèi)鏡圖像的NPC自動分割與分類。文中使用K均值聚類對圖像上的點(diǎn)進(jìn)行分類,再將分類后的點(diǎn)輸入人工神經(jīng)網(wǎng)絡(luò)提取特征,進(jìn)而自動選擇種子點(diǎn),再基于該種子點(diǎn)進(jìn)行區(qū)域生長以分割出腫瘤區(qū)域。

2.2 影像分割的優(yōu)勢和局限性 綜上,已有研究基于不同醫(yī)學(xué)圖像和機(jī)器學(xué)習(xí)方法較好地實(shí)現(xiàn)了NPC的分割,且在相應(yīng)的數(shù)據(jù)集上取得了良好的結(jié)果。其中,SVM和聚類算法的應(yīng)用率最高??赡苡捎卺t(yī)學(xué)影像中不同組織的數(shù)據(jù)分布通常為非線性,SVM作為非線性分類器能很好地對其進(jìn)行分類[3];而圖像中NPC數(shù)據(jù)較為相似,采用聚類算法能夠較好地對其進(jìn)行分類。隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,有研究者[9-10,12]將深度學(xué)習(xí)方法用于NPC腫瘤分割,結(jié)果顯示比傳統(tǒng)閾值方法表現(xiàn)更好。這些嘗試是為了實(shí)現(xiàn)全自動分割,從而進(jìn)一步減少醫(yī)生的工作量。

然而,目前的研究仍存在以下問題:①大多數(shù)研究都集中在結(jié)構(gòu)影像上,功能影像的研究則較少。但只有結(jié)構(gòu)影像與功能影像相結(jié)合才能更精確地定位NPC腫瘤[14],且能提供比單一結(jié)構(gòu)或功能影像更多的解剖結(jié)構(gòu)和人體代謝的信息。②部分研究僅對含有病灶的圖像層進(jìn)行處理,這極大地限制了自動或半自動分割技術(shù)在臨床上的應(yīng)用。③目前研究中樣本量較小,即使數(shù)據(jù)最多的研究也只有120例病人,基于小樣本得出的結(jié)果不能說明分割技術(shù)的泛化性和魯棒性。④不同病人間的分割結(jié)果差異性較大,首先可能是NPC本身和周圍組織的復(fù)雜性導(dǎo)致其較易被錯(cuò)分;同時(shí),NPC有無淋巴轉(zhuǎn)移也是影響分割結(jié)果的關(guān)鍵因素,存在淋巴轉(zhuǎn)移的病人的分割結(jié)果通常較差[15],原因很可能是這部分病人的腫瘤相對于原發(fā)灶體積更大、形狀更復(fù)雜。

2.3 影像分類 已有研究者通過機(jī)器學(xué)習(xí)等圖像處理技術(shù)在NPC影像上實(shí)現(xiàn)了自動或半自動分類(表2)。Wu等[16]首先利用CT影像構(gòu)建骨骼、脂肪、軟組織像素與身體位置的變化曲線,確定全身三維影像中頭頸部的位置,能夠減少計(jì)算量以及假陽性,再通過局部閾值的區(qū)域生長法在PET上分割病變,最后通過SVM在配準(zhǔn)后的PET/CT影像上實(shí)現(xiàn)NPC自動分類與檢測。該方法主要利用CT定位頭頸部,而病灶信息則主要依賴于PET影像識別。Farhidzadeh等[17]在 NPC的 MRI增強(qiáng) T1WI上應(yīng)用大津法(最大類間閾值法)將腫瘤分為高增強(qiáng)區(qū)域和低增強(qiáng)區(qū)域并分別提取紋理特征,再通過SVM預(yù)測療效,結(jié)果表明低增強(qiáng)區(qū)的預(yù)測性能更好,說明低增強(qiáng)區(qū)具有更穩(wěn)定的預(yù)測療效。Liu等[18]分別在NPC 的 T1WI、T2WI、DWI、增強(qiáng) T1WI影像上,利用灰度共生矩陣、灰度梯度共生矩陣、Gabor變換和強(qiáng)度-大小-空間矩陣提取紋理特征,將以上所提取特征作為KNN和ANN的輸入,實(shí)現(xiàn)療效預(yù)測。Zhang等[19]在MR影像上實(shí)現(xiàn)了NPC療效預(yù)測,其創(chuàng)新點(diǎn)在于將機(jī)器學(xué)習(xí)應(yīng)用在特征篩選階段,并通過實(shí)驗(yàn)證明RF法能夠較好地實(shí)現(xiàn)特征篩選和療效預(yù)測。Mohammed等[13]通過K均值聚類和ANN實(shí)現(xiàn)了鼻內(nèi)鏡圖像中有無NPC腫瘤的分類。

2.4 影像分類的不足 目前許多研究都已證明了機(jī)器學(xué)習(xí)能夠?qū)崿F(xiàn)其相應(yīng)目的,有利于NPC的快速診療。但目前關(guān)于病理圖像方面的研究尚未見報(bào)道。如能實(shí)現(xiàn)病理圖像的自動分類將極大地減少醫(yī)生工作量。另外,目前分類的敏感度仍不能支持在臨床上的應(yīng)用,因?yàn)榭赡軙?dǎo)致漏診。

表2 基于機(jī)器學(xué)習(xí)的NPC分類研究總結(jié)

3 小結(jié)與展望

機(jī)器學(xué)習(xí)在NPC影像的研究中展現(xiàn)了強(qiáng)大的數(shù)據(jù)處理能力,有利于醫(yī)生更準(zhǔn)確、迅速地對NPC進(jìn)行診斷,同時(shí)可以提高治療的效率,減輕了醫(yī)生的負(fù)擔(dān)。目前,機(jī)器學(xué)習(xí)在NPC影像的應(yīng)用研究主要集中在影像中分割出NPC腫瘤區(qū)域和對NPC影像分類,并已取得良好的結(jié)果,特別是腫瘤區(qū)域的分割在NPC的診療中起到了關(guān)鍵作用。目前的研究大多使用的是傳統(tǒng)機(jī)器學(xué)習(xí)方法,但隨著診療技術(shù)的迅速發(fā)展,醫(yī)學(xué)影像的數(shù)據(jù)將會越來越復(fù)雜,數(shù)據(jù)量越來越大,傳統(tǒng)機(jī)器學(xué)習(xí)方法終將不能適應(yīng)這種需求。近年來以CNN為代表的深度學(xué)習(xí)技術(shù)在圖像處理領(lǐng)域表現(xiàn)優(yōu)異,能夠更好地對圖像進(jìn)行分析處理,目前其在醫(yī)學(xué)影像方面已有大量的研究及應(yīng)用,未來有望更多地應(yīng)用于NPC影像的研究中,可以更好地為臨床服務(wù)。

猜你喜歡
機(jī)器聚類分類
機(jī)器狗
機(jī)器狗
分類算一算
基于K-means聚類的車-地?zé)o線通信場強(qiáng)研究
分類討論求坐標(biāo)
未來機(jī)器城
數(shù)據(jù)分析中的分類討論
教你一招:數(shù)的分類
基于高斯混合聚類的陣列干涉SAR三維成像
基于Spark平臺的K-means聚類算法改進(jìn)及并行化實(shí)現(xiàn)