張麗 閆鑫 李敏

【摘要】 醫(yī)學(xué)影像是臨床診斷的重要工具， 對(duì)醫(yī)學(xué)影像進(jìn)行自動(dòng)分析能夠提高醫(yī)生的工作效率， 減少由主觀經(jīng)驗(yàn)引起的診斷誤差。特征提取是影像自動(dòng)分析體系中的關(guān)鍵環(huán)節(jié)， 對(duì)最后疾病診斷的精度具有重要的影響。然而， 現(xiàn)有的方法忽略了特征的判別性信息。現(xiàn)有特征主要是利用病灶的低級(jí)特征， 例如紋理、邊緣等信息， 雖然能夠?qū)Σ≡畹闹饕攸c(diǎn)進(jìn)行表示， 但是忽略了病灶之間的判別性， 降低了識(shí)別性能。針對(duì)該問題， 本文研究了一種基于深度判別性特征（DDC）學(xué)習(xí)的醫(yī)學(xué)影像方法， 提出了一種新的模型雙路字典編碼卷積神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)語(yǔ)義描述碼和判別性描述碼。引入圖像區(qū)塊（patch）劃分層， 生成大量的局部patch圖像， 從而為模型的訓(xùn)練提供充足的數(shù)據(jù)。引入字典編碼層和分類層， 加快特征學(xué)習(xí)速度， 提高識(shí)別精度。提出的方法用在乳腺腫瘤識(shí)別， 實(shí)驗(yàn)結(jié)果表明提出的方法在識(shí)別效果上優(yōu)于傳統(tǒng)方法。

【關(guān)鍵詞】 模式識(shí)別;醫(yī)學(xué)影像分析;特征提取;深度學(xué)習(xí)

DOI：10.14163/j.cnki.11-5547/r.2020.10.088

【Abstract】 Medical image is an important tool for clinical diagnosis. Automatic analysis of medical images can improve the efficiency of doctors and reduce diagnostic errors caused by subjective experience. Feature extraction is a key step in the medical image analysis， and has an important impact on the accuracy of the final disease diagnosis. However， the discriminative information of the feature is ignored. In order to tackle this problem， this paper proposes a medical image analysis based on deep discriminative characteristics （DDC） learning. A novel two-way dictionary code convolutional neural network is proposed to learn discriminative code. The patch extraction layer is introduced to generate a large number of local patch images， thus providing sufficient data for the training of the model. Introducing dictionary code layers and classification layers to speed up feature learning and improve recognition performance. The proposed method is used for breast tumor recognition. Experimental Results ?show that the proposed method is superior to traditional Methods ?in recognition effect.

【Key words】 Pattern recognition; Medical image analysis; Feature extraction; Deep learning

乳腺癌是現(xiàn)在致死率較高的惡性癌癥之一。紋理特征是乳腺腫瘤分類最為常用、重要的特征[1， 2]。局部二進(jìn)制模式 （local binary patterns， LBP）是最常用的紋理特征， 已經(jīng)被用于進(jìn)行乳腺超聲分類[3]。許多基于灰度共生矩陣的紋理特征也是常用的乳腺腫瘤分類特征[4-8]。近年來， 為了獲得更有效的紋理特征， 許多研究將焦點(diǎn)放在圖像變換上?？紤]到小波變換的時(shí)間頻域的有效性， 先進(jìn)行小波變換， 然后提取基于紋理和序統(tǒng)計(jì)特性的特征， 取得了較好的結(jié)果。有研究提出了一種有效的方向局部紋理描述子， 能夠融合相位信息和LBP信息[9]。有研究表明[10]在contourlet變換后， 提取其自帶的物種紋理特征有助于提升腫瘤分類的精度?？紤]到shearlet的方向敏感度以及在各種分辨率上的局部信息， 在shearlet變換后再提取紋理特征也有助于提升腫瘤分類的精度?，F(xiàn)有的特征忽略了病灶之間的判別性信息， 如果兩個(gè)不同種類的病灶的紋理特點(diǎn)比較相似， 則基于紋理的特征很難將兩個(gè)病灶區(qū)分開， 降低了識(shí)別性能。針對(duì)該問題， 本文提出了一種深度判別性特征（deep discriminative code， DDC）學(xué)習(xí)的病灶識(shí)別方法：提出了新的模型雙路字典編碼卷積神經(jīng)網(wǎng)絡(luò)， 學(xué)習(xí)語(yǔ)義描述碼和判別性描述碼。引入patch劃分層， 生成大量的局部結(jié)構(gòu)圖像， 從而為模型的訓(xùn)練提供充足的數(shù)據(jù)。引入相似特征提取層和自匹配層， 加快特征學(xué)習(xí)速度， 提高識(shí)別精度。

1 深度判別性特征學(xué)習(xí)

1. 1 判別性描述碼定義 本文提出判別性碼， 主要針對(duì)具有一定相似性病灶的圖像進(jìn)行判別。假設(shè)有腫瘤有N個(gè)類別（在乳腺癌分類中， N=2， 即良性和惡性）， 每個(gè)類別有M幅圖像。首先使用主成分分析（PCA）方法對(duì)所有圖像提取低維特征， 基于獲取的低維特征， 利用K-means方法進(jìn)行聚類， 聚類數(shù)目為N， 簇內(nèi)圖像屬于同一類。例如， 經(jīng)過聚類后， 類別A的6幅圖像、類別B的3幅圖像以及類別C的8幅圖像聚到了同一類， 則該簇主要用于區(qū)分類別C。因此， 在編碼時(shí)， 用于A和B的圖像編碼為0， 病灶C的圖像編碼為1。依次類推， 可以獲取N個(gè)編碼， 用于判別N個(gè)類別。基于聚類原理， 同一簇的圖像具有一定的相似性， 本文則利用判別性編碼針對(duì)不同類別的相似性圖像進(jìn)行判別性分析， 能夠進(jìn)一步提高識(shí)別精度。

1. 2 基于雙路字典編碼卷積神經(jīng)網(wǎng)絡(luò)的編碼學(xué)習(xí) 為了學(xué)習(xí)獲取語(yǔ)義碼和判別性碼， 本文提出了一種新的雙路字典編碼卷積神經(jīng)網(wǎng)絡(luò)模型， 適用于小數(shù)據(jù)， 并更充分的利用圖像的局部特性， 提高識(shí)別精度和速度。本文提出的網(wǎng)絡(luò)模型主要由patch劃分層， 中間特征提取層， 字典編碼學(xué)習(xí)層以及分類層構(gòu)成。見圖1。

1. 2. 1 patch劃分層 patch劃分層主要用于提取圖像的patch以及若干原子， 從而增加樣本， 提高訓(xùn)練模型的性能。patch提取器主要是由二值掩碼和非0提取器構(gòu)成。其中， 二值掩碼的大小與圖像大小相同， 取值只有1和0兩種， 值為1的元素范圍由人工設(shè)定， 將原圖像與二值掩碼進(jìn)行相乘， 再輸入到非0提取器。該提取器主要是保留非0的元素， 提取出想要的局部patch。本文中提到的原子即字典學(xué)習(xí)中的原子， 用于表示病灶的局部典型特點(diǎn)。本文使用K-means來學(xué)習(xí)原子， 通過對(duì)同一病灶的patch進(jìn)行聚類， 獲得相應(yīng)的原子。

1. 2. 2 中間特征提取層 為了通過原子對(duì)劃分的patch進(jìn)行分類， 首先構(gòu)造了一個(gè)雙路CNN結(jié)構(gòu)分別提取原子和patch的特征。該雙路結(jié)構(gòu)中種的兩個(gè)CNN共享相同的參數(shù)。一個(gè)CNN輸入patch， 另一個(gè)輸入原子。這種網(wǎng)絡(luò)結(jié)構(gòu)不增加網(wǎng)絡(luò)的參數(shù)， 可以提供更大的靈活性。中間特征層主要由若干卷積塊組成。每個(gè)卷積塊首先引入卷積層用于學(xué)習(xí)局部特征、然后進(jìn)行歸一化和ReLU非線性激活函數(shù)加快模型的收斂速度， 最后接入最大池化層降低特征的復(fù)雜度。

1. 2. 3 字典編碼學(xué)習(xí)層 字典編碼學(xué)習(xí)層用于學(xué)習(xí)每個(gè)patch與原子的相似度， 通過學(xué)習(xí)一個(gè)特征轉(zhuǎn)換空間將兩個(gè)特征（patch和原子）映射到一個(gè)相似性空間， 從而得到patch與原子的相似度， 即可得到字典編碼。具體細(xì)節(jié)如下：在學(xué)習(xí)獲取patch和原子的中間特征后， 將兩個(gè)特征向量相減得到一個(gè)新的特征向量， 然后把它送到字典編碼層中， 字典編碼層采用一個(gè)兩層的全連接神經(jīng)網(wǎng)絡(luò)加一個(gè)softmax層， 兩層全連接層用于進(jìn)行特征轉(zhuǎn)換， softmax層用于將獲得的特征進(jìn)行二值化， 輸出為1表示與原子同類， 輸出為0表示與原子不同類。同理， 可以得到一個(gè)patch與所有原子的編碼， 即得到該patch的字典編碼。

1. 2. 4 分類層 獲得的字典編碼本身帶有一定的類別信息（與原子的相似度）。本文引入公式1可以從字典編碼特征的維度降到1維， 得到每一個(gè)局部patch的分類結(jié)果L。在公式1中， 表示的是局部中心的數(shù)量， C是通過相似性特征層得到的相似性特征， 代表的是相似性特征的第k個(gè)元素。設(shè)定閾值為0.5， 如果q>0.5， L=1， 否則L=0。

1. 2. 5 圖像分類 圖像的分類結(jié)果通過融合該圖像的patch的分類結(jié)果獲得， 利用公式2：

在公式2中， 是從第n幅圖像中提取出的所有局部patch的數(shù)量。是第n個(gè)病灶圖像的第k個(gè)局部patch。通過提出的雙路字典編碼卷積神經(jīng)網(wǎng)絡(luò)對(duì)每一個(gè)語(yǔ)義描述碼和判別性描述碼進(jìn)行學(xué)習(xí)。

2 臨床案例

2. 1 數(shù)據(jù)庫(kù) 本文在自建乳腺超聲數(shù)據(jù)庫(kù)上進(jìn)行算法驗(yàn)證。本數(shù)據(jù)庫(kù)中的圖像采集自186例志愿者， 共186幅乳腺超聲圖像;其中良性135例， 惡性51列。見圖2。

2. 2 實(shí)驗(yàn)方法 本文主要進(jìn)行三組實(shí)驗(yàn)， 驗(yàn)證提出方法的有效性。①比較提出的深度判別性特征和淺層特征[LBP、灰度共生矩陣（GLCM）、小波]的性能。②比較提出的深度判別性特征和深層特征（Alexnet， VGG， Resnet）的性能。③測(cè)試提出方法的魯棒性。利用曲線下面積（AUC）、準(zhǔn)確率（ACC）、靈敏度（Sen）及特異性（Spec）作為測(cè)試指標(biāo)?？紤]到深度學(xué)習(xí)模型訓(xùn)練需要大量的數(shù)據(jù)， 所以在訓(xùn)練時(shí)要進(jìn)行數(shù)據(jù)增廣。

2. 3 深度判別性特征和LBP、GLCM、小波的性能深度判別性特征取得最好的性能， 作為一種深度特征， 有更多的有效信息， 性能要遠(yuǎn)遠(yuǎn)優(yōu)于淺層特征。見表1。

2. 4 深度判別性特征和Alexnet、VGG、Resnet的性能 深層特征比淺層特征的效果更好， 然而該類特征忽略了區(qū)分性信息的學(xué)習(xí)。深度判別性特征重點(diǎn)學(xué)習(xí)類別之間的區(qū)分性， 因此在深層特征中能夠取得最好的性能。見表2。

3 小結(jié)

本文針對(duì)現(xiàn)有醫(yī)學(xué)影像特征提取中的判別性較差問題提出了一種基于深度判別性特征學(xué)習(xí)方法。提出了判別性描述碼;提出新的模型雙路字典編碼卷積神經(jīng)網(wǎng)絡(luò)， 學(xué)習(xí)判別性描述碼。引入patch劃分層， 生成大量的局部patch圖像， 從而為模型的訓(xùn)練提供充足的數(shù)據(jù)。引入字典編碼層和分類層， 加快特征學(xué)習(xí)速度， 提高識(shí)別精度。提出的方法用在乳腺腫瘤識(shí)別， 實(shí)驗(yàn)結(jié)果表明提出的方法在識(shí)別效果上優(yōu)于傳統(tǒng)方法。未來研究工作中間將探索相關(guān)模型壓縮技術(shù)， 降低特征的復(fù)雜度， 以期改善腫瘤識(shí)別效率。

參考文獻(xiàn)

[1] Lee HW， Liu BD， Huang CH， et al. Breast tumor classification of ultrasound ?images ?using a reversible round-off ?nonrecursive 1D discrete periodic wavelet ?transform. IEEE Transactions on Biomedical Engineering， 2009， 56（3）：880-884.

[2] Huang YL， Wang KL， Chen DR. Diagnosis of breast tumors with ultrasonic texture analysis using support vector machines. Neural Computing and Application， 2006， 15（2）：164-169.

[3] Matsumoto MMS， Sehgal CM， Udupa JK. Local binary pattern texture-based classi fi cation of solid masses in ultrasound breast images. Proc. SPIE Medical Imaging， 2012：83201.

[4] Alvarenga AV， Pereira WCA， Infantosi AFC， et al. Complexity curve and grey level co-occurrence matrix in the texture evaluation of breast tumor on ultrasound images. Medical Physics， 2007， 34（2）：379-387.

[5] Huber S， Danes J， Zuna I， et al. Relevance of sonographic B-mode criteria and computer-aided ultrasonic tissue characterization in differential/diagnosis of solid breast masses. Ultrasound in Medicine and Biology， 2000， 26（8）：1243-1252.

[6] Lefebvre F， Meunier M， Thibault F， et al. Computerized ultrasound B-scan characterization of breast nodules. Ultrasound in Medicine and Biology， 2000， 26（9）：1421-1428.

[7] Moon WK， Shen YW， Huang CS， et al. Computer-Aided Diagnosis for the Classification of Breast Masses in Automated Whole Breast Ultrasound Images. Ultrasound in Medicine & Biology， 2011， 37（4）：539-548.

[8] Kuo WJ， Chang RF， Lee CC， et al. Retrieval technique for the diagnosis of solid breast tumors on sonogram. Ultrasound in Medicine and Biology， 2002， 28（7）：903-909.

[9] Cai LY， Wang X， Wang YY， et al. Robust phase-based texture descriptor for classification of breast ultrasound images. BioMedical Engineering Online， 2015， 14（1）：26

[10] Zhang Q， Xiao Y， Chen S， et al. Quantification of elastic heterogeneity using contourlet-based texture analysis in shear-wave elastography for breast tumor classification. Ultrasound in Medicine and Biology， 2015， 41（2）：588-600.

[收稿日期：2019-12-05]