袁軍, 陳欣悅, 常時(shí)新, 王樂, 周自明

肛瘺又稱肛管直腸瘺, 是肛管或直腸與肛周皮膚相通的肉芽腫性管道, 主要侵犯肛管, 故常稱為肛瘺。肛瘺內(nèi)口多位于齒狀線附近, 外口位于肛周皮膚處。肛門腺和隱窩的感染被認(rèn)為是瘺管形成的主要原因[1］。 肛周外瘺口破潰流膿、疼痛是肛瘺的臨床表現(xiàn)。肛瘺一旦形成, 病人自愈機(jī)會極少, 手術(shù)是治愈的唯一手段[2］。術(shù)中準(zhǔn)確地尋找到內(nèi)口并進(jìn)行妥善處理, 是肛瘺手術(shù)根治、避免術(shù)后復(fù)發(fā)的重要保證。目前診斷肛瘺的常規(guī)影像檢查技術(shù)主要包括臨床檢查、直腸腔內(nèi)超聲、螺旋CT檢查及磁共振檢查等[3-5］。其中, 磁共振檢查作為一種無創(chuàng)、易行的檢查技術(shù)手段, 由于其軟組織分辨率高, 具有可任意角度成像等優(yōu)勢, 已經(jīng)成為臨床用于診斷肛瘺, 確定內(nèi)口及瘺管、瘺管走形的重要手段[6］。疑為肛瘺病人的磁共振掃描序列通常包括T1 WI、T2WI、T2壓脂成像（T2WI with fat-saturated, T2 WIFS）、擴(kuò) 散 加 權(quán) 成 像（diffusion weighted imaging, DWI）、T1增強(qiáng)成像等。與其他序列相比, T1增強(qiáng)成像對提高復(fù)雜性肛瘺病人的內(nèi)口定位準(zhǔn)確性及分型評估具有更重要意義[7］。

人工智能（artificial intelligence, AI）是當(dāng)前科學(xué)技術(shù)發(fā)展中的一門前沿學(xué)科[8］, 其強(qiáng)大的后處理能力和進(jìn)一步學(xué)習(xí)、分析能力逐漸得到醫(yī)療界的認(rèn)可, 廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域。如在肺小結(jié)節(jié)CT診斷[9］、糖尿病眼病的眼底鏡診斷[10］、惡性黑素瘤的皮膚鏡診斷[11］等。但在肛瘺的磁共振人工智能診斷方面目前還未有明確報(bào)道。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）是AI領(lǐng)域中一種廣為應(yīng)用的模型, 2012年在ImageNet圖像分類大賽上奪得冠軍的AlexNet[12］使得CNN正式進(jìn)入大規(guī)模研究和應(yīng)用階段。后來有研究在AlexNet的基礎(chǔ)上將網(wǎng)絡(luò)的層數(shù)增加到19層, 對圖像特征的提取能力進(jìn)一步增強(qiáng)[13］。其后研究者發(fā)現(xiàn)在GoogLeNet中使用的Inception結(jié)構(gòu), 使用多個(gè)卷積核在不同尺度上提取圖像特征再進(jìn)行融合, 能使模型更好地感知圖像[14］。ResNet模型使用的殘差單元能夠克服以往隨著網(wǎng)絡(luò)加深反而準(zhǔn)確率下降的問題[15］。在ResNet的基礎(chǔ)上, 有研究在提出的DenseNet中使用了密集連接, 使得與ResNet具有相同性能的DenseNet的參數(shù)量減少了一半[16］?；诖? 本研究擬采用CNN模型對病人的磁共振T1增強(qiáng)圖像進(jìn)行分類, 探討遷移學(xué)習(xí)及端到端學(xué)習(xí)兩種不同的AI算法技術(shù)對肛瘺內(nèi)口診斷的價(jià)值及意義。

1 資料與方法

1.1 一般資料回顧性分析上海中醫(yī)藥大學(xué)附屬岳陽中西醫(yī)結(jié)合醫(yī)院2019年5月至2021年5月行肛管磁共振掃描病人103例。其中磁共振診斷為肛瘺并經(jīng)手術(shù)確診的病人58例, 其中男39例, 女19 例, 年齡（41.39±10.12）歲, 范圍為20～59歲, 于58例病例中選取526幅顯示肛瘺內(nèi)口的磁共振T1橫斷位圖像。正常病例45例。其中男32例, 女13例, 年齡（38.375±8.90）歲, 范圍為25～54歲, 于45例病例中選取522幅磁共振T1橫斷位的正常圖像。病人或其近親屬知情同意, 本研究符合《世界醫(yī)學(xué)協(xié)會赫爾辛基宣言》相關(guān)要求。

納入標(biāo)準(zhǔn)：①有詳細(xì)的手術(shù)記錄證實(shí)為肛瘺的病人；②術(shù)前行磁共振T1增強(qiáng)和其他常規(guī)序列掃描的病人。排除標(biāo)準(zhǔn)：①既往有肛周、直腸手術(shù)史者；②合并其他肛管疾病, 如腫瘤、克羅恩??；③不宜進(jìn)行磁共振T1增強(qiáng)檢查病人。通過數(shù)據(jù)增強(qiáng)的方法將圖像擴(kuò)增至3 400幅, 根據(jù)是否患病進(jìn)行分層, 采用分層隨機(jī)抽樣的方法將數(shù)據(jù)分為訓(xùn)練組（n=2 720）和驗(yàn)證組（n=680）。

1.2 掃描設(shè)備所有病人均使用飛利浦ingenia3.0 T磁共振儀進(jìn)行檢查, 采用體部線圈, 仰臥位, 頭先進(jìn), 以恥骨聯(lián)合為中心定位。T1增強(qiáng)采用mDixon-w序列, 層厚4 mm, 層間隔2 mm, Fov=250 mm×250 mm×110 mm, voxel=1 mm×1 mm×4 mm, TR=4.4 ms, TE=1.54 ms, flip angle=10°, 打藥后90 s采集圖像。

1.3 數(shù)據(jù)來源與增強(qiáng)將肛瘺病人及正常病例的Dicom格式圖像轉(zhuǎn)化為JEPG格式, 并調(diào)整對比度、亮度, 形成圖像集。圖像集中包括522幅橫斷位的正常圖像, 526幅顯示肛瘺內(nèi)口的異常圖像。

出于增加圖像數(shù)量的考慮, 本研究使用Color Jittering進(jìn)行數(shù)據(jù)增強(qiáng)。Color Jittering是一種基于色彩抖動的數(shù)據(jù)增強(qiáng)方式。通過改變原始圖像的圖像亮度（brightness）、飽和度（saturation）、對比度（contrast）和色調(diào)（hue）產(chǎn)生新數(shù)據(jù)。本研究進(jìn)行4次色彩抖動, 將正常圖像擴(kuò)增到1 692幅, 異常圖像擴(kuò)增到1 708幅, 共3 400幅圖像形成擴(kuò)增圖像集。

1.4 方法

1.4.1 模型選用 現(xiàn)有研究發(fā)現(xiàn), 在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中網(wǎng)絡(luò)梯度會隨著網(wǎng)絡(luò)深度的加深容易造成梯度爆炸或梯度消失問題, 導(dǎo)致網(wǎng)絡(luò)Loss無法收斂, 易造成網(wǎng)絡(luò)無法更新或退化[17-20］。因此, 本研究在ResNet（圖1A）中引入殘差模塊（shortcut connection）來對抗深度學(xué)習(xí)中深層網(wǎng)絡(luò)的退化問題, 殘差模塊連接方式如圖1B所示。

該連接方式構(gòu)成的殘差結(jié)構(gòu)輸出xi如下式（1）所示, 包括兩部分即原本的輸入xi-1和殘差Fi（xi-1）。 ResNet不僅保留了輸入信息的完整性, 而且當(dāng)網(wǎng)絡(luò)深度增加時(shí), 殘差Fi（xi-1）會逐漸趨于0而只保留輸入xi-1, 從而解決網(wǎng)絡(luò)性能的退化問題。

本研究所用的兩種殘差模塊結(jié)構(gòu)如圖1C所示, 左側(cè)為兩層殘差結(jié)構(gòu), 通過串聯(lián)兩個(gè)3×3卷積層構(gòu)成, 參數(shù)較簡單, 泛化能力強(qiáng)。右側(cè)為三層殘差結(jié)構(gòu), 串聯(lián)兩個(gè)1×1和一個(gè)3×3卷積層, 能夠更加充分地學(xué)習(xí)復(fù)雜特征, 且由于在第一個(gè)1×1卷積層進(jìn)行了降維, 降低了網(wǎng)絡(luò)的參數(shù), 即使網(wǎng)絡(luò)的深度進(jìn)一步增加也不會出現(xiàn)梯度爆炸問題。

圖1 用于肛瘺內(nèi)口診斷的圖像分類模型ResNet結(jié)構(gòu)及其連接方式：A為ResNet網(wǎng)絡(luò)結(jié)構(gòu)；B為殘差模塊連接方式；C為兩種殘差模塊結(jié)構(gòu)

此外, 本研究還使用由密集塊（dense block）和過渡層（transition layer）組成的DenseNet[16］作為主要網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。其中, 密集塊起到加強(qiáng)特征重用、緩解梯度消失的作用。過渡層則能夠降低密集塊輸出的特征通道數(shù)減少網(wǎng)絡(luò)的參數(shù), 避免過擬合, 本研究DenseNet結(jié)構(gòu)如圖2A所示。

復(fù)合函數(shù)之間的密集連接（dense connection）構(gòu)成了密集塊, 與ResNet的設(shè)計(jì)類似, DenseNet也是直接將輸入與輸出相連, 但密集連接是將網(wǎng)絡(luò)的任意層均與其后所有層直接相連。如圖2A所示。

如式（2）所示, 后面層的復(fù)合函數(shù)的輸入xi-1取決于前面所有層的復(fù)合函數(shù)輸出Hi, 當(dāng)前層的輸出又作為后面層的輸入。

[x0, x1, x2...xi-1]表示將0～i-1層的輸出深度級聯(lián)。如圖2B, 復(fù)合函數(shù)Hi主要由批量歸一化[16］（batch normalization, BN）、ReLU激活函數(shù)層[21］、3×3的卷積層和dropout層構(gòu)成。其中批歸一化是在網(wǎng)絡(luò)中任意一層對該層的輸入進(jìn)行歸一化處理, 進(jìn)而解決網(wǎng)絡(luò)訓(xùn)練中的梯度消失或梯度爆炸問題。

密集塊之間為過渡模塊結(jié)構(gòu)如圖2C所示, 主要由BN層、ReLU層、1×1卷積層、dropout層和池化層構(gòu)成。過渡模塊將密集塊輸出的特征圖的通道數(shù)降低并輸入下一個(gè)密集塊中, 使得網(wǎng)絡(luò)參數(shù)量大大減少, 避免了網(wǎng)絡(luò)發(fā)擬合現(xiàn)象的發(fā)生。

圖2 用于肛瘺內(nèi)口診斷的圖像分類模型DenseNet結(jié)構(gòu)及其密集連接方式：A為DenseNet結(jié)構(gòu)；B為復(fù)合函數(shù)結(jié)構(gòu)；C為過渡層結(jié)構(gòu)

1.4.2 遷移學(xué)習(xí) 深度學(xué)習(xí)需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練, 但肛瘺病人及正常病例的數(shù)據(jù)較少, 因此使用遷移學(xué)習(xí)方法來提升網(wǎng)絡(luò)檢測準(zhǔn)確率。本研究首先使用ResNet-18、ResNet-34和DenseNet-121在ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練, 然后將訓(xùn)練得到的網(wǎng)絡(luò)各層權(quán)重作為遷移學(xué)習(xí)的初始化參數(shù), 然后將模型遷移到肛瘺圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練和微調(diào)。在ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練的模型能夠提升肛瘺圖像重要的顏色特征和紋理邊緣特征的提取能力。保留預(yù)訓(xùn)練模型中全連接層前的各層參數(shù), 然后使用肛瘺病人和健康圖像數(shù)據(jù)集進(jìn)行全部層的遷移學(xué)習(xí)訓(xùn)練, 得到基于ResNet-18、ResNet-34和DenseNet-121的肛瘺病人檢測模型, 最后進(jìn)行模型預(yù)測和對比實(shí)驗(yàn)。

2 實(shí)驗(yàn)與結(jié)果

2.1 實(shí)驗(yàn)環(huán)境實(shí)驗(yàn)環(huán)境為基于ubuntu系統(tǒng)的tensorflow1.5, NVIDIA GeForce RTX 2080 Ti（11 GB）, CPU為英特爾Xeon（R） silver 4210, 運(yùn)行內(nèi)存為64 GB。

2.2 評價(jià)指標(biāo)診斷實(shí)驗(yàn)需要具備正確診斷患病和未患病的能力, 從而準(zhǔn)確反映疾病實(shí)際情況。本研究使用到的評價(jià)指標(biāo)為靈敏度、特異度、受試者操作特征曲線（ROC曲線）和曲線下面積（AUC）。AUC能夠度量分類模型的好壞, AUC值越大, 模型的分類效果就越好。

2.3 實(shí)驗(yàn)設(shè)置本研究選用ResNet-18、ResNet-34和DenseNet-121進(jìn)行訓(xùn)練和驗(yàn)證。設(shè)計(jì)以下兩個(gè)對比 實(shí) 驗(yàn)：（1）分 別 對ResNet-18、ResNet-34和DenseNet-121進(jìn)行端到端學(xué)習(xí)和遷移學(xué)習(xí)對照實(shí)驗(yàn)。（2）選用ResNet-18, 并分別進(jìn)行正常訓(xùn)練（端到端學(xué)習(xí)）、遷移學(xué)習(xí)、改變訓(xùn)練epoch以及數(shù)據(jù)增強(qiáng)的三組實(shí)驗(yàn), 實(shí)驗(yàn)設(shè)置如表1所示。

表1 用于分析ResNet-18、ResNet-34和DenseNet-121模型病人檢測效果的八組對比實(shí)驗(yàn)設(shè)置情況

2.4 實(shí)驗(yàn)結(jié)果ResNet-18和ResNet-34使用遷移學(xué)習(xí), epoch=50的loss曲線分析表明, 在原始數(shù)據(jù)集下訓(xùn)練得到的ResNet-18模型不收斂, ResNet-34達(dá)到收斂。在使用增強(qiáng)數(shù)據(jù)集訓(xùn)練后得到的ResNet-18達(dá)到收斂效果。通過修改訓(xùn)練參數(shù)epoch為100, 使ResNet-18的訓(xùn)練次數(shù)翻倍, 得到的loss曲線同樣達(dá)到收斂效果。證明本研究采用的數(shù)據(jù)增強(qiáng)方法達(dá)到預(yù)期結(jié)果。

以ROC曲線分析對比八組實(shí)驗(yàn), 其中效果最好的是基于遷移學(xué)習(xí)的ResNet-34模型, 能夠在較低的假陽性率下取得最高的真陽性率, 說明該模型的漏診率和誤診率均較低, 能夠滿足病人的診斷需求。每個(gè)模型在測試集上的靈敏度、特異度、AUC值如表2所示。通過將第1組和4組、5組和6組、7組和8組分別對比得出, 同種網(wǎng)絡(luò)在其他條件都相同時(shí), 使用遷移學(xué)習(xí)比使用端到端學(xué)習(xí)訓(xùn)練得到的模型AUC值大, 證明使用本研究使用的遷移學(xué)習(xí)方法達(dá)到了預(yù)期效果。

表2 用于分析ResNet-18、ResNet-34和DenseNet-121模型病人檢測效果的八組對比實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果

對比第1組和第5組數(shù)據(jù), ResNet-18和ResNet-34的AUC值均在0.9以上；而在第7組和第8組數(shù)據(jù)中, DenseNet-121兩種模型的效果差于同條件下兩類ResNet模型, 但使用遷移學(xué)習(xí)的模型也在0.85以上。根據(jù)“2.2”中的指標(biāo), 在第1、5、7三組中使用遷移學(xué)習(xí)的網(wǎng)絡(luò)模型都屬于效果較好的分類器, 但其中AUC最大的是ResNet-34, 證明分類效果最好的是使用遷移學(xué)習(xí)的ResNet-34模型。

同時(shí), 比較第1組和第5組數(shù)據(jù)的靈敏度與特異度后, ResNet18模型的特異度更高, 但靈敏度較低。而ResNet-34模型的靈敏度更高, 特異度相對低。特異度高表示誤診率低, 即使用ResNet-18遷移學(xué)習(xí)模型時(shí), 對正常圖像的判斷結(jié)果較準(zhǔn)確, 但同時(shí)由于其靈敏度較低, 對異常圖像的分類不夠準(zhǔn)確。靈敏度高表示漏診率低, 即使用ResNet-34遷移學(xué)習(xí)模型時(shí), 對異常圖像的判斷結(jié)果較準(zhǔn)確, 能夠達(dá)到對肛瘺病人的診斷要求。

3 討論

肛瘺由于其瘺管、內(nèi)口數(shù)量和位置的不確定性, 容易造成術(shù)后復(fù)發(fā)。術(shù)前磁共振檢查可以有效地提高診斷的準(zhǔn)確率并對瘺管走形與分布提前進(jìn)行了解, 有利于后續(xù)手術(shù)的開展。尤其是T1增強(qiáng)序列, 由于肛瘺的內(nèi)口及瘺管通常由豐富的炎性肉芽組織組成, 所以在T1增強(qiáng)序列上可呈現(xiàn)出不同程度強(qiáng)化, 這種對比增強(qiáng)為快速診斷內(nèi)口提供了依據(jù)。由于內(nèi)口位置關(guān)系, 有時(shí)會受到周圍水腫組織的擠壓而變形, 當(dāng)臨床及影像醫(yī)生面臨大量磁共振圖像數(shù)據(jù)時(shí), 有可能存在診斷不準(zhǔn)確的情況。因此, 快速準(zhǔn)確地進(jìn)行肛瘺的診斷特別是內(nèi)口的尋找, 對提高診斷準(zhǔn)確率, 提升診斷效率, 提供臨床分型依據(jù), 具有重要價(jià)值。AI技術(shù)的進(jìn)步為快速準(zhǔn)確尋找肛瘺內(nèi)口提供了支撐。由于瘺管圖像紋理復(fù)雜, 需要使用較深的CNN提取特征, 但隨著網(wǎng)絡(luò)深度的增加可能會發(fā)生準(zhǔn)確率下降的問題。ResNet中使用的殘差單元避免了該問題的發(fā)生, 且在利用圖像深層特征的基礎(chǔ)上對醫(yī)學(xué)圖像的分類性能優(yōu)異[22］。由于使用了密集連接, DenseNet在和ResNet保持相同的分類精度的同時(shí)其網(wǎng)絡(luò)模型的參數(shù)量和運(yùn)算量大大減少, 在最少的存儲和運(yùn)算基礎(chǔ)上實(shí)現(xiàn)對醫(yī)學(xué)圖像的精確診斷[23］。

端到端模型往往需要更多的數(shù)據(jù)樣本訓(xùn)練才能使得模型收斂而不至于過擬合, 因此本研究采用遷移學(xué)習(xí)的方式來完成網(wǎng)絡(luò)模型的訓(xùn)練, 并與端到端的學(xué)習(xí)方式做了對比分析。研究表明, 不同數(shù)據(jù)集的圖像分類任務(wù)間通過微調(diào)可以有效地共用網(wǎng)絡(luò)模型參數(shù), 甚至共用數(shù)據(jù)集, 并能取得良好的效果[24］。也就是說可以使用ImageNet 訓(xùn)練的網(wǎng)絡(luò)模型的權(quán)值, 初始化網(wǎng)絡(luò)從而進(jìn)行遷移學(xué)習(xí)。

遷移學(xué)習(xí)作為一種常用的模型學(xué)習(xí)方法, 可以根據(jù)任務(wù)之間的相似性, 進(jìn)行模型的遷移, 試圖盡可能地將一個(gè)任務(wù)已有的經(jīng)驗(yàn)類推到另一個(gè)任務(wù)上, 輔助完成另一個(gè)任務(wù), 解決弱計(jì)算的矛盾?；谀Ｐ偷倪w移方法是指從源域和目標(biāo)域中找到它們之間共享的參數(shù)信息以實(shí)現(xiàn)遷移[24］。

根據(jù)不同的實(shí)現(xiàn)方法, 遷移學(xué)習(xí)分為（1）基于樣本的學(xué)習(xí)；（2）基于特征的學(xué)習(xí)；（3）基于參數(shù)的學(xué)習(xí)；（4）基于相關(guān)性的學(xué)習(xí)。其中, 最常用的方法就是基于參數(shù)的學(xué)習(xí), 即在不同的任務(wù)領(lǐng)域中共享網(wǎng)絡(luò)結(jié)構(gòu), 論文中進(jìn)行基于參數(shù)的遷移學(xué)習(xí), 在基于ResNet網(wǎng)絡(luò)和DenseNet網(wǎng)絡(luò)在ImagNet數(shù)據(jù)集預(yù)訓(xùn)練所得模型參數(shù)基礎(chǔ)上, 在實(shí)驗(yàn)中進(jìn)行參數(shù)微調(diào), 使得提取特征區(qū)域更加匹配于肛瘺病變區(qū)域, 從而使得模型逐漸適應(yīng)影像特征的提取。

在本研究中, 我們基于殘差網(wǎng)絡(luò)模型采用遷移學(xué)習(xí)方法構(gòu)建了較為準(zhǔn)確的肛瘺識別診斷模型。在保證網(wǎng)絡(luò)深度的情況下, 有效緩解影像數(shù)量不足的問題, 使得網(wǎng)絡(luò)能夠充分提取圖像的淺層及深層特征, 提高網(wǎng)絡(luò)性能及識別準(zhǔn)確率。

4 結(jié)論

綜上所述, 本研究使用遷移學(xué)習(xí)策略訓(xùn)練得到的ResNet-34模型的靈敏度高、漏診率低, 特異度高、誤診率低, 可以有效識別肛瘺內(nèi)口, 對提高臨床診斷準(zhǔn)確性及提升診斷效能有重要意義?？稍诖搜芯炕A(chǔ)上, 拓寬該智能診斷模型在其他肛周病變檢測與輔助診斷的相關(guān)研究, 擴(kuò)大樣本量并優(yōu)化迭代算法, 進(jìn)一步提高診斷效能。