盤安思,徐勝舟,程時(shí)宇,佘逸飛

(中南民族大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院 & 湖北省制造企業(yè)智能管理工程技術(shù)研究中心，武漢 430074)

乳腺癌是女性中最常見的癌癥，也是癌癥死亡的主要原因[1].盡早發(fā)現(xiàn)并診斷對患者后期的治療和康復(fù)具有重要意義[2].早期癌癥腫塊的發(fā)現(xiàn)是治療過程的決定性步驟之一，在阻止甚至是控制疾病進(jìn)展方面發(fā)揮著關(guān)鍵作用.目前乳腺癌檢查技術(shù)主要包括乳腺查體、超聲、X線攝片、磁共振成像(Magnetic Resonance Imaging, MRI)等.X線攝片可以發(fā)現(xiàn)乳腺中的簇狀微鈣化和腫物，是鑒別和篩查癌組織最有效和最主要的診斷工具.然而，由于乳腺X線攝片是單通道的灰度圖像，往往存在對比度較低、不同組織的邊界不明顯、同一組織特征不明顯等問題，使得早期的癌性病變在病理和顏色密度上較難被發(fā)現(xiàn).在早期診斷中，需要具有豐富經(jīng)驗(yàn)的臨床醫(yī)生的反復(fù)閱讀并確認(rèn)，加重了醫(yī)生的工作量.計(jì)算機(jī)輔助診斷系統(tǒng)(Computer Aided Diagnosis, CAD)可以在短時(shí)間內(nèi)檢測到乳腺X攝片中的病變，加快對特定患者的治療進(jìn)程.

當(dāng)前國內(nèi)外學(xué)者針對醫(yī)學(xué)影像識(shí)別(包括乳腺X線攝片)進(jìn)行了廣泛研究，相繼提出了眾多識(shí)別算法，大致可分為兩類：第一類是基于傳統(tǒng)機(jī)器學(xué)習(xí)的識(shí)別方法，第二類是基于深度學(xué)習(xí)的識(shí)別方法.傳統(tǒng)機(jī)器學(xué)習(xí)方法在進(jìn)行乳腺圖像的識(shí)別時(shí)，首先需要通過人工的方式提取乳腺圖像中腫塊的特征，再將提取到的特征作為機(jī)器學(xué)習(xí)方法的輸入.PRATIWI等[3]基于灰度共生矩陣的徑向基人工網(wǎng)絡(luò)進(jìn)行乳腺腫塊影像的自動(dòng)分類，與人工神經(jīng)網(wǎng)絡(luò)相比，對乳腺圖像中良/惡性腫塊的識(shí)別準(zhǔn)確率提高了2%.ZHANG等[4]基于單類核主成分分析方法，放大不同類別樣本之間的特征差異，縮小同類樣本之間的特征差異，然后對乳腺影像進(jìn)行特征提取，再使用核主成分分析方法進(jìn)行置信度評(píng)分和分類，該方法在包含361個(gè)乳腺影像的數(shù)據(jù)集上，準(zhǔn)確率達(dá)到了92%.

雖然基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法對乳腺圖像的識(shí)別取得了一定的成果，但它需要人工提取圖像的特征，所提取特征的有效性會(huì)直接影響到識(shí)別結(jié)果.另外，乳腺X線攝片是單通道的灰度圖像，對比度較低，特征的手動(dòng)提取需要深厚的醫(yī)學(xué)背景和豐富的臨床經(jīng)驗(yàn)，增加了對腫塊進(jìn)行特征提取和識(shí)別的難度.

近年來，深度學(xué)習(xí)方法在計(jì)算機(jī)視覺和模式識(shí)別等應(yīng)用領(lǐng)域取得了很大進(jìn)展，成為當(dāng)前的研究熱點(diǎn)之一.一些學(xué)者應(yīng)用深度學(xué)習(xí)技術(shù)進(jìn)行乳腺腫塊圖像的識(shí)別.孫澤宇等[5]在采樣制作的切塊數(shù)據(jù)集上利用遷移學(xué)習(xí)的方法，使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)對乳腺良性腫塊、惡性腫塊以及鈣化病灶進(jìn)行分類，達(dá)到93%的準(zhǔn)確率.孫利雷等[6]使用不同尺寸卷積核的雙路CNN模型對不同粒度的特征進(jìn)行提取，并用于乳腺X線攝片良性腫塊與惡性腫塊的識(shí)別；ZHU等[7]基于稀疏標(biāo)簽分配的深度多實(shí)例網(wǎng)絡(luò)對乳腺X線攝片切片進(jìn)行是否含有惡性腫塊的識(shí)別；KOOI等[8]使用自己設(shè)計(jì)的CNN模型，在乳腺X線攝片數(shù)據(jù)集上取得超過仿射醫(yī)生的軟組織病變分類結(jié)果.深度學(xué)習(xí)技術(shù)是一種最小化使用圖像處理和手工提取特征的機(jī)器學(xué)習(xí)算法，其最重要的優(yōu)點(diǎn)是通過自動(dòng)提取圖像中的低級(jí)和高級(jí)特征，并在相鄰層之間對這些特征進(jìn)行非線性變換，得到特征圖，然后將特征圖輸入到分類器中，這樣就可以用不同的特征圖來提取圖像中的形狀、紋理、顏色和密度等信息.

為進(jìn)一步提升對乳腺X線攝片的識(shí)別性能，本文對深度學(xué)習(xí)中的經(jīng)典模型VGG16做了改進(jìn)，并與其他的CNN模型進(jìn)行識(shí)別性能的比較.

1 乳腺腫塊圖像識(shí)別算法

1.1 算法原理

從本質(zhì)上來講，利用CNN對乳腺X線攝片進(jìn)行識(shí)別是一個(gè)邏輯回歸的過程.在CNN中，卷積層使用多個(gè)卷積核對輸入的圖像進(jìn)行卷積運(yùn)算，得到多個(gè)特征圖.將捕獲到的圖像特征送入分類器進(jìn)行邏輯回歸，最后輸出兩個(gè)概率值，以此判斷輸入的圖像是否含有腫塊.

通常CNN需要在大量的標(biāo)注圖像上進(jìn)行訓(xùn)練以達(dá)到理想的識(shí)別效果，但標(biāo)注好的乳腺X線攝片數(shù)量非常有限，而且目前國內(nèi)尚無專門用于乳腺腫塊圖像識(shí)別的公用數(shù)據(jù)庫.本文采用美國南弗洛里達(dá)大學(xué)的The Digital Database for Screening Mammography(DDSM)[9]數(shù)據(jù)集來評(píng)估乳腺腫塊圖像識(shí)別算法的性能.通過模板匹配算法[10]，從該數(shù)據(jù)庫中獲得879幅感興趣區(qū)域(Region of Interest, ROI).由于其數(shù)量仍相對有限，因此使用相關(guān)技術(shù)對其進(jìn)行數(shù)據(jù)增強(qiáng).

1.2 SVGG16的腫塊圖像識(shí)別模型

SIMONYAN等在LeNet[11]和AlexNet[12]的基礎(chǔ)上提出了VGGNets[13]模型，使用更多的卷積層，增加了網(wǎng)絡(luò)的深度，同時(shí)使用更小的卷積核和更小的步長，在當(dāng)年的ILSVRC競賽中取得了巨大的成功.原始的VGG16模型結(jié)構(gòu)如圖1(a)所示，主要包括5個(gè)卷積層模塊，2個(gè)全連接層和1個(gè)輸出層.每個(gè)卷積層模塊中包含2個(gè)或3個(gè)卷積層，以及1個(gè)最大池化層.在CNN模型中，大量的卷積層被疊加以優(yōu)化提取到的特征，增加卷積層的個(gè)數(shù)可以提高模型的識(shí)別能力，有助于提高優(yōu)化效果[14].然而，增加更多的卷積層需要更多的訓(xùn)練數(shù)據(jù)和更高的計(jì)算能力，這會(huì)顯著增加訓(xùn)練的復(fù)雜度[15].網(wǎng)絡(luò)的深度應(yīng)與數(shù)據(jù)集的大小成正比，否則會(huì)造成訓(xùn)練的欠擬合或過擬合[16].基于以上原則，本文對VGG16模型進(jìn)行改進(jìn)，設(shè)計(jì)一個(gè)精簡的VGG16(Simple VGG16, SVGG16)模型.模型結(jié)構(gòu)如圖1(b)所示，保留了VGG16的整體架構(gòu)，將卷積層模塊中卷積的層數(shù)設(shè)置為1，降低模型的復(fù)雜度.卷積層采用多個(gè)卷積核對輸入圖像進(jìn)行卷積運(yùn)算，分別提取圖像的低級(jí)和高級(jí)特征.

(a)原始的VGG16模型

(b)SVGG16模型圖1 乳腺腫塊圖像識(shí)別模型結(jié)構(gòu)圖Fig.1 The model structure diagrams of breast mass image recognition

盡管在卷積過程中使用較多的卷積核可以提取圖像中更多的特征，但是有很多特征可能是冗余的[17].因此，為了降低特征的冗余性，SVGG16模型的卷積層中，卷積核的個(gè)數(shù)分別設(shè)置為32, 64, 128, 256, 512(VGG16的卷積層模塊中卷積核個(gè)數(shù)分別為64, 128, 256, 512, 512).與ImageNet數(shù)據(jù)集相比，乳腺圖像數(shù)據(jù)集相對很小，為抑制訓(xùn)練的過擬合，只保留一個(gè)全連接層，神經(jīng)元個(gè)數(shù)設(shè)置為1024，并增加失活率為0.5的Dropout[18].SVGG16輸入層的輸入為125×125大小的單通道ROI圖像，輸出層的神經(jīng)元個(gè)數(shù)為2，分別代表了輸入圖像中含有腫塊和不含腫塊的概率.如果含有腫塊的概率大于不含腫塊的概率，則認(rèn)為該圖像含有腫塊，反之則認(rèn)為該圖像不含有腫塊.在卷積層模塊中，卷積核大小為3×3像素，步長和填充均為1，采用修正線性單元(Rectified Linear Unit, ReLU)作為卷積層和全連接層的激活函數(shù).與原始VGG16模型相比，SVGG16使用更少的卷積層和卷積核個(gè)數(shù).

1.3 數(shù)據(jù)增強(qiáng)

與其他深度學(xué)習(xí)方法類似，數(shù)據(jù)增強(qiáng)不僅可以有效緩解數(shù)據(jù)量不足導(dǎo)致的過擬合現(xiàn)象，同時(shí)還能有效提高模型的訓(xùn)練效果，尤其是對于像乳腺X線攝片訓(xùn)練樣本數(shù)量不足的情況.本文采取的數(shù)據(jù)增強(qiáng)策略是先對原圖像按逆時(shí)針方向每間隔30°旋轉(zhuǎn)一次，得到12倍的增強(qiáng)數(shù)據(jù)，再對旋轉(zhuǎn)圖像進(jìn)行水平翻轉(zhuǎn)，得到原樣本數(shù)24倍的增強(qiáng)樣本.

1.4 性能評(píng)估

把不包含腫塊的正常的ROI的實(shí)際標(biāo)簽設(shè)為陰性(Negative)，包含腫塊(良性或者惡性)的ROI的實(shí)際標(biāo)簽設(shè)為陽性(Positive).對測試集的預(yù)測標(biāo)簽與實(shí)際標(biāo)簽進(jìn)行比較可以得到混淆矩陣.真陽性(True Positive, TP)是被正確識(shí)別為陽性的ROI數(shù)量；假陰性(False Negative, FN)是實(shí)際為陽性，卻被識(shí)別為陰性的ROI數(shù)量；假陽性(False Positive, FP)是實(shí)際上是陰性，卻被識(shí)別為陽性的ROI數(shù)量；真陰性(True Negative, TN)是被正確識(shí)別為陰性的ROI數(shù)量.

本文使用準(zhǔn)確度Acc、精確度Pre和敏感度Sen以及F1_score等指標(biāo)來評(píng)估CNN模型對ROI的識(shí)別能力，其定義如下：

準(zhǔn)確度Acc值越高，說明樣本數(shù)據(jù)中被正確識(shí)別的比例越高；精確度Pre表示在模型識(shí)別為腫瘤的所有樣本中，實(shí)際上也是腫瘤的樣本數(shù)百分比；敏感度Sen表示真實(shí)情況下所有腫瘤樣本中，識(shí)別正確的樣本百分比.F1_score是精確度和敏感度的協(xié)調(diào)平均值.除了上述4個(gè)指標(biāo)，本文還使用當(dāng)前最常用的受試者操作曲線(Receiver Operating Characteristic Curve，ROC)[19]和曲線下的面積(Area Under the Curve, AUC)作為模型性能的評(píng)估標(biāo)準(zhǔn).受試者操作曲線ROC表示真陽性率TPR和假陽性率FPR之間的關(guān)系.AUC是基于ROC曲線下的面積來度量模型的總體性能. AUC在區(qū)間[0, 1]范圍取值，其值越高則說明模型的分類識(shí)別性能越高.

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文對來自DDSM數(shù)據(jù)集的879幅乳腺X線攝片ROI進(jìn)行腫塊和非腫塊的識(shí)別實(shí)驗(yàn)，其中703幅ROI用作訓(xùn)練樣本來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，剩余的176幅ROI則作為測試樣本，數(shù)據(jù)劃分方式如表1所示.

表1 數(shù)據(jù)集劃分與增強(qiáng)Tab.1 Dataset split and augmentation

2.2 實(shí)驗(yàn)結(jié)果及分析

本文模型SVGG16在Keras上實(shí)現(xiàn)，并采用隨機(jī)梯度下降(Stochastic Gradient Descent, SGD)優(yōu)化器進(jìn)行訓(xùn)練.在訓(xùn)練過程中，動(dòng)量值、學(xué)習(xí)率和最大迭代輪次等超參的值分別設(shè)置為0.9，0.001和60.對比模型包括AlexNet、VGGNets以及ResNet50等，保留這些對比模型的原始結(jié)構(gòu)，只修改最后輸出層的神經(jīng)元個(gè)數(shù)并設(shè)置為2.本文使用的數(shù)據(jù)預(yù)處理方式如文獻(xiàn)[13]，訓(xùn)練集中每個(gè)像素減去在整個(gè)訓(xùn)練集上計(jì)算的灰度均值.通過減均值操作，消除像素值之間的公共部分，以凸顯個(gè)體之間的特征和差異.

各種網(wǎng)絡(luò)模型在原始訓(xùn)練集和數(shù)據(jù)增強(qiáng)后的訓(xùn)練集上的實(shí)驗(yàn)結(jié)果分別如表2和表3所示.+aug表示進(jìn)行數(shù)據(jù)增強(qiáng).從表2中可以看出，在不使用數(shù)據(jù)增強(qiáng)的實(shí)驗(yàn)中，AlexNet和SVGG16的識(shí)別準(zhǔn)確率Acc相同，都為83.52%，這個(gè)結(jié)果高于相同訓(xùn)練方法下VGG16的82.38%、VGG19的81.25%和ResNet50的78.40%.這是因?yàn)楹笕N模型更深、結(jié)構(gòu)更復(fù)雜，訓(xùn)練數(shù)據(jù)較少導(dǎo)致了過擬合.

表2 原始數(shù)據(jù)實(shí)驗(yàn)結(jié)果Tab.2 Experimental results with original data

在進(jìn)行數(shù)據(jù)增強(qiáng)之后，如表3所示，所有模型的實(shí)驗(yàn)結(jié)果都得到了提升，這驗(yàn)證了數(shù)據(jù)增強(qiáng)對提升模型訓(xùn)練效果的有效性.數(shù)據(jù)增強(qiáng)之后，SVGG16在準(zhǔn)確率Acc、精確度Pre、敏感度Sen和F1_score等所有指標(biāo)中都是最高的，分別達(dá)到了90.34%、89.87%、88.75%和0.89.因此，SVGG16的識(shí)別性能優(yōu)于其他模型.

表3 數(shù)據(jù)增強(qiáng)實(shí)驗(yàn)結(jié)果Tab.3 Experimental results with data augmentation

在計(jì)算效率方面：沒有使用數(shù)據(jù)增強(qiáng)時(shí)，訓(xùn)練集數(shù)據(jù)只含有703幅ROI，VGG16和SVGG16的計(jì)算效率分別為2.48 s/epoch和0.36 s/epoch；進(jìn)行24倍數(shù)據(jù)增強(qiáng)之后，訓(xùn)練集的數(shù)據(jù)量達(dá)到了16872幅ROI，VGG16和SVGG16的計(jì)算效率分別為51.38 s/epoch和6.93 s/epoch.SVGG16的計(jì)算效率明顯高于VGG16模型.

為進(jìn)一步定量分析實(shí)驗(yàn)結(jié)果，圖2展示了各個(gè)模型的混淆矩陣.在子圖中，橫軸表示乳腺X線攝片ROI實(shí)際的標(biāo)簽值(0表示非腫塊，1表示腫塊)，縱軸表示模型預(yù)測的標(biāo)簽值.在腫塊和非腫塊的識(shí)別任務(wù)中，目標(biāo)是盡可能地識(shí)別出腫塊，即陽性樣本，同時(shí)保證較少的陰性樣本被錯(cuò)誤地識(shí)別.從圖2中可知，對于陽性樣本，SVGG16預(yù)測正確的個(gè)數(shù)最多，為71個(gè)，較VGG16和VGG19分別高了2個(gè)和5個(gè).因此，SVGG16對含有腫塊的陽性樣本的正確識(shí)別能力要優(yōu)于其他模型.

圖2 各種模型的混淆矩陣Fig.2 Confusion matrices of various models

類似地，對于度量值A(chǔ)UC，圖3中給出了SVGG16、AlexNet、VGG16以及VGG19和ResNet50的ROC曲線圖.從圖3中可以看出，SVGG16的ROC曲線包含住了其他對比的方法，AUC值最高，為0.95.從整體上再次證明了SVGG16模型的性能要優(yōu)于另外4種已有的CNN模型.

圖3 各種模型的ROC曲線圖Fig.3 The ROC curves of various models

為了更深入地了解CNN模型的性能，圖4展示了模型識(shí)別的ROI個(gè)例.其中第1行是被VGG16預(yù)測錯(cuò)誤，而被SVGG16預(yù)測正確的陰性ROI；第2行是被VGG16預(yù)測錯(cuò)誤，而被SVGG16預(yù)測正確的陽性ROI；第3行是SVGG16預(yù)測錯(cuò)誤的陰性ROI；第4行是SVGG16預(yù)測錯(cuò)誤的陽性ROI.對于區(qū)域呈絲狀的陰性樣本，如第1行的后3個(gè)ROI，VGG16誤判為陽性；對于腫塊區(qū)域比較彌散的陽性ROI，如第2行，SVGG16的識(shí)別能力要優(yōu)于VGG16；對于如第3行的對比度較高且區(qū)域較大的陰性ROI，SVGG16容易錯(cuò)誤地識(shí)別為陽性；對于如第4行的腫塊區(qū)域較小的ROI，SVGG16的識(shí)別能力也有待提升.

圖4 乳腺腫塊識(shí)別個(gè)例展示Fig.4 Presentation of breast mass recognition instance

3 結(jié)語

本文基于VGG16設(shè)計(jì)了一個(gè)精簡的卷積神經(jīng)網(wǎng)絡(luò)模型SVGG16，用于乳腺X攝片ROI中腫塊的分類識(shí)別.首先構(gòu)造一個(gè)由卷積層和池化層構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)，然后對來自DDSM數(shù)據(jù)庫中的703幅ROI圖像進(jìn)行數(shù)據(jù)增強(qiáng)后作為訓(xùn)練樣本對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并使用176幅ROI圖像進(jìn)行測試.結(jié)果表明，本文提出的SVGG16在準(zhǔn)確度、精確度、敏感度和F1_score等指標(biāo)上分別達(dá)到了90.34%、89.87%、88.75%和0.89，對乳腺腫塊圖像識(shí)別的性能要明顯優(yōu)于其他已有的CNN模型，在臨床的輔助診斷中能夠?qū)崿F(xiàn)乳腺X線攝片中腫塊與非腫塊的良好識(shí)別.