李 冉,楊 軍,寧玉富,葛 潤

(山東青年政治學(xué)院,山東 濟(jì)南 250000)

0 引言

隨著醫(yī)學(xué)影像和人工智能識別技術(shù)的不斷發(fā)展,基于肺腺癌病理HE圖像診斷系統(tǒng)應(yīng)運而生。對比效率不高、受主觀因素影響較大、精確度不高的人工篩查方式,該技術(shù)有望取代傳統(tǒng)的人工篩查方式[1]。但該技術(shù)目前正處在發(fā)展階段,技術(shù)尚不成熟且價格十分昂貴。浸潤性肺腺癌是一種比較常見的癌癥,而病理檢查時診斷癌細(xì)胞是重要手段之一,早期的診斷和治療可以有效提高患者的存活率。因此,希望通過計算機(jī)識別技術(shù)檢測病灶,提高癌細(xì)胞早期臨床檢測效率、篩查準(zhǔn)確率,以此來間接降低肺腺癌細(xì)胞患者的死亡率。本文提出了一種SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細(xì)胞的初步診斷篩選系統(tǒng),以輔助病理科醫(yī)生高效地工作。

1 擬解決的問題

隨著現(xiàn)代科技和醫(yī)療的不斷發(fā)展,肺腺癌診斷篩查技術(shù)不斷進(jìn)步,但仍存在很多問題。一是效率低下。傳統(tǒng)的手工檢查和診斷病理HE圖像非常耗時且費力,需要大量人力資源;二是主觀因素影響較大。對肺腺癌圖像的診斷與篩選嚴(yán)重依賴于病理科醫(yī)師,需要醫(yī)師通過檢查結(jié)果憑借經(jīng)驗直接對HE圖像進(jìn)行觀察,且不同醫(yī)師經(jīng)驗不同、能力不同,所得診斷結(jié)果也有可能不同;三是分子生物學(xué)診斷技術(shù)不足,分子生物學(xué)診斷技術(shù)雖然可以提高浸潤性肺腺癌的診斷準(zhǔn)確性,但也存在需要特定的操作步驟、高昂的成本等問題。

基于以上問題,可以通過以下方式來解決:一是使用計算機(jī)視覺技術(shù)和機(jī)器學(xué)習(xí)算法對病理HE圖像進(jìn)行分析和處理,實現(xiàn)對肺腺癌細(xì)胞的初步診斷。通過自動化和智能化的方法,輔助醫(yī)生準(zhǔn)確地識別和定位肺腺癌細(xì)胞。二是采用基于SpringBoot與Vue框架相結(jié)合的篩選系統(tǒng),能夠從大量的病理HE圖像中篩選出有潛在肺腺癌細(xì)胞的圖像,以減輕醫(yī)生的工作負(fù)擔(dān)。該系統(tǒng)可以通過學(xué)習(xí)大量的標(biāo)記圖像來建立模型,自動識別浸潤性肺腺癌細(xì)胞,提高診斷的準(zhǔn)確性和效率。三是優(yōu)化分子生物學(xué)診斷技術(shù)的操作步驟和流程,開展機(jī)構(gòu)間聯(lián)合研究和共享,建立分布式的診斷平臺,提高診斷水平,降低醫(yī)療成本。

2 方法與原理

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是一種具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),CNN結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層[2]。CNN通過卷積層對圖像局部特征進(jìn)行提取,將得到的特征圖作為下一層的輸入,通過滑動一個小的卷積核在輸入圖像中乘積和累加,提取不同位置的特征,進(jìn)行多個卷積核的并行運算[3]。池化層對特征圖進(jìn)行采樣,減少數(shù)據(jù)的維度,使卷積后的特征更加具有魯棒性和不變性。全連接層對池化層的輸出特征進(jìn)一步提取,并輸入分類器中進(jìn)行分類[4]。

2.2 支持向量機(jī)

支持向量機(jī)(Support Vector Machines,SVM)是一種對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器,它嘗試尋找一種最優(yōu)的決策超平面,使其距離2個類別最近的樣本最遠(yuǎn)[5]。本系統(tǒng)中,利用CNN最后一個卷積層傳遞的特征使用非線性映射,構(gòu)造出來進(jìn)行分離病理HE圖像的超平面進(jìn)行不同的特征分類,從而達(dá)到最大的泛化能力,輔助病理科醫(yī)生進(jìn)行識別與分類。使用處理后的特征向量作為訓(xùn)練數(shù)據(jù),訓(xùn)練SVM分類器。SVM會對自身參數(shù)和超平面進(jìn)行調(diào)整,最大限度地將正負(fù)樣本分離出來,利用測試數(shù)據(jù)集來驗證和評估經(jīng)過良好訓(xùn)練的SVM模型,使能力和魯棒性得到不斷的泛化。

2.3 SpringBoot框架

SpringBoot是一個開源的Java框架,提供了一種快速、輕量級的方法來構(gòu)造Java應(yīng)用程序,并集成了許多常用的開發(fā)工具和第三方庫,以此來提高開發(fā)效率和簡化配置,SpringBoot具有快速啟動、簡化配置和開箱即用等特點。在該系統(tǒng)中,當(dāng)用戶上傳病理圖像時,系統(tǒng)就會在SpringBoot連接池中使用dataSoure對象獲取圖像連接,若連接池中有圖像連接,則直接呈現(xiàn)給用戶。

2.4 Vue框架

Vue框架是一個簡單、靈活、高效的前端框架,適用于構(gòu)建交互性強(qiáng)、用戶體驗良好的單頁應(yīng)用和響應(yīng)式網(wǎng)頁,具有漸進(jìn)式開發(fā)、響應(yīng)式數(shù)據(jù)綁定、組件化開發(fā)、虛擬DOM和豐富的生態(tài)系統(tǒng)等特點。系統(tǒng)充分利用Vue實例和Watcher實例的特性,在系統(tǒng)中每個醫(yī)學(xué)圖像都會有一個Vue實例,同時使用Watcher實例來監(jiān)測數(shù)據(jù)的變化。

3 基于SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細(xì)胞的初步診斷篩選系統(tǒng)

3.1 系統(tǒng)工作原理

該系統(tǒng)基于SpringBoot框架和CNN-SVM算法相結(jié)合的方式。首先,采用CNN結(jié)構(gòu),即輸入層-卷積層-池化層-卷積層-池化層-全連接層,輸入層為肺腺癌細(xì)胞病理HE圖像,通過CNN訓(xùn)練一種從病理HE影像中提取有關(guān)浸潤性肺腺癌細(xì)胞特征的深度學(xué)習(xí)模型,再通過全連接層對全局特征進(jìn)行整合,在SVM分類器中輸入這些特征,以便對細(xì)胞進(jìn)行分類并做出初步的診斷。在此基礎(chǔ)上基于SpringBoot框架,采用前后端分離的方式進(jìn)行系統(tǒng)搭建。CNN-SVM算法流程如圖1所示。

3.2 系統(tǒng)的部署過程

病理圖像的導(dǎo)入和預(yù)處理:將收集的數(shù)據(jù)分為驗證集、測試集和訓(xùn)練集,對數(shù)據(jù)進(jìn)行預(yù)處理,包括圖像去噪、顏色標(biāo)準(zhǔn)化和大小調(diào)整等。

CNN模型的訓(xùn)練和優(yōu)化:收集具有肺腺癌細(xì)胞的病理圖像數(shù)據(jù)集。確保數(shù)據(jù)集包含多樣性的肺腺癌細(xì)胞樣本,涵蓋不同的分布、形狀和結(jié)構(gòu)。為了保證輸入模型的一致性和可比性,對數(shù)據(jù)進(jìn)行調(diào)整尺寸、裁剪和標(biāo)準(zhǔn)化等預(yù)處理。

SVM分類器的訓(xùn)練和優(yōu)化:使用SVM算法將CNN模型提取到的特征向量投影到高維特征空間中,使相似的細(xì)胞聚集在同一區(qū)域,不同區(qū)域的細(xì)胞被分類為正常或不正常細(xì)胞。在本研究中,先對特征數(shù)據(jù)進(jìn)行訓(xùn)練,以選擇更好的特征屬性和相應(yīng)的權(quán)重,并使用Ramp損失函數(shù)調(diào)整優(yōu)化參數(shù)。然后,通過SVM模型對特征向量進(jìn)行分類,達(dá)到對肺腺癌細(xì)胞初步診斷篩選的目的。

數(shù)據(jù)增強(qiáng):使用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充訓(xùn)練數(shù)據(jù)集,以增加樣本的多樣性和數(shù)量。例如:可以應(yīng)用隨機(jī)旋轉(zhuǎn)、翻轉(zhuǎn)、縮放和平移等變換操作,以模擬不同的細(xì)胞分布和形狀。

權(quán)重訓(xùn)練:利用事先準(zhǔn)備好的數(shù)據(jù)集和構(gòu)建好的AI模型來訓(xùn)練。選擇適當(dāng)?shù)膿p失函數(shù)(如交叉熵?fù)p失)和優(yōu)化算法(如隨機(jī)梯度下降),進(jìn)行適當(dāng)?shù)某瑓?shù)調(diào)優(yōu)。改進(jìn)模型的預(yù)測性能可以將損失函數(shù)最小化,通過反向傳播算法對模型的權(quán)重和偏差進(jìn)行優(yōu)化。

權(quán)重評估和調(diào)優(yōu):評估訓(xùn)練模型的性能可以使用驗證集或交叉驗證方法。模型的分類性能可以通過計算精確度、召回率、F1積分指標(biāo)來了解。根據(jù)評估結(jié)果,對模型進(jìn)行調(diào)優(yōu),如調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、改變超參數(shù)或增加正則化技術(shù),以提高模型的泛化能力和準(zhǔn)確性。

測試和部署:使用獨立測試集對優(yōu)化模型進(jìn)行最終評估。評估在未見過的數(shù)據(jù)上的模型性能,確保其在真實場景中的有效性。

系統(tǒng)集成和界面設(shè)計:前端通過Vue框架實現(xiàn)用戶登錄、瀏覽和查看診斷結(jié)果等功能。后端主要通過SpringBoot進(jìn)行架構(gòu),采用CNN-SVM算法相結(jié)合,主要包括用戶信息管理、圖像處理、分割與特征提取、模型訓(xùn)練等功能。前端主要做用戶接口的搭建,后端負(fù)責(zé)業(yè)務(wù)邏輯和資料的處理。同時,后端采用與前端Ajax異步交互,將前端請求進(jìn)行處理并返回結(jié)果。系統(tǒng)架構(gòu)設(shè)計如圖2所示。

圖2 架構(gòu)設(shè)計

3.3 系統(tǒng)功能實現(xiàn)

3.3.1 圖像識別

圖像識別主要是基于SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細(xì)胞的初步診斷篩選,實采用前后端分離[6]的方式,圖像識別是該系統(tǒng)最主要的功能之一。

在前端Vue模塊中,采用開源框架,對前端頁面進(jìn)行搭建和美化,同時,從后臺獲取JSON數(shù)據(jù)導(dǎo)入前端,實現(xiàn)圖像結(jié)果的展示和交互,采用Axios等實現(xiàn)前后端數(shù)據(jù)的交互與傳輸。

在后端SpringBoot模塊中,系統(tǒng)接收輸入的病理圖像,并對圖像進(jìn)行分析和處理。使用訓(xùn)練好的CNN模型,從病理HE圖像中提取有關(guān)浸潤性肺腺癌細(xì)胞的特征。這些特征包括細(xì)胞形態(tài)、結(jié)構(gòu)和染色等信息。提取出來的特征會被輸入細(xì)胞分類的SVM分類器。系統(tǒng)可以根據(jù)特征的差異性和模型的學(xué)習(xí)能力,將細(xì)胞分為不同的類別,如浸潤性肺腺癌細(xì)胞和非浸潤性肺腺癌細(xì)胞。根據(jù)細(xì)胞的分類結(jié)果,為浸潤性肺腺癌細(xì)胞的初步診斷提供依據(jù)。同時,SpringBoot的業(yè)務(wù)邏輯層將圖像識別的結(jié)果輸出為JSON格式,發(fā)送到前端部分進(jìn)行顯示和利用。

3.3.2 用戶信息管理

病人基本信息、病人病理信息、病人診斷結(jié)果信息三大類是該系統(tǒng)的用戶信息。其主要功能是輔助病理科醫(yī)生進(jìn)行患者的信息管理、查看診斷結(jié)果等。Camunda具有流程引擎,提供工作流、決策引擎、業(yè)務(wù)流程管理(Business Process Management,BPM)和工作流建模等功能,系統(tǒng)利用Camunda進(jìn)行流程控制。作為一個開源項目,Camunda可以進(jìn)行流程建模,通過BPMN規(guī)范定義流程的各個節(jié)點、任務(wù)、路由等信息。流程執(zhí)行時,Camunda會根據(jù)流程定義中的條件判斷、事件監(jiān)聽等進(jìn)行任務(wù)分配和流程控制,自動進(jìn)行驅(qū)動流程。另外,采用Vue-Flowchart以D3.js為底層圖形庫,使得Vue-Flowchart可以處理大規(guī)模的流程圖,展現(xiàn)出良好的性能。

4 結(jié)語

本文介紹了一種基于SpringBoot框架和CNN-SVM算法的浸潤性肺腺癌細(xì)胞的初步診斷篩選系統(tǒng)。系統(tǒng)以SpringBoot+Vue為架構(gòu),采用前后端分離的開發(fā)模式,前端以Vue進(jìn)行架構(gòu),設(shè)計用戶界面,方便醫(yī)師查看病人資料及診斷結(jié)果;在圖像處理上,病理圖像的初步診斷是由卷積神經(jīng)網(wǎng)絡(luò)結(jié)合支持向量機(jī)。系統(tǒng)進(jìn)行特征提取、細(xì)胞分類和圖像分析,輔助病理科醫(yī)生制定病人的治療方案。后端采用SpringBoot進(jìn)行框架搭建,與前端Ajax實現(xiàn)異步交互,處理前端請求并返回結(jié)果。實驗結(jié)果表明:通過大量的病理圖像的訓(xùn)練與學(xué)習(xí),系統(tǒng)能夠識別和定位出圖像中的病變位置,可以大大縮短傳統(tǒng)手動分析和識別的時間,提高診斷的一致性和效率。在后續(xù)系統(tǒng)開發(fā)建設(shè)中,需要關(guān)注最新的研究和算法發(fā)展,提高系統(tǒng)的準(zhǔn)確性和處理效率,以輔助病理學(xué)工作者和醫(yī)生在浸潤性肺腺癌細(xì)胞的初步診斷。