針對(duì)基于傳統(tǒng)機(jī)器學(xué)習(xí)方法設(shè)計(jì)的DR胸片肺結(jié)核檢測(cè)器存在著泛化能力不強(qiáng),實(shí)際檢測(cè)精度低等問(wèn)題,提出了一種基于Focal Loss的深度學(xué)習(xí)檢測(cè)方法Tuberculosis Neural Net（TBNN）.醫(yī)學(xué)圖像的特殊性,存在帶標(biāo)注的數(shù)據(jù)量小導(dǎo)致無(wú)法充分訓(xùn)練深層網(wǎng)絡(luò)模型等問(wèn)題.該方法利用肺炎和肺結(jié)核同為呼吸道感染疾病且在DR胸片上有相似表征的特點(diǎn),基于遷移學(xué)習(xí)原理訓(xùn)練特征提取子網(wǎng)絡(luò),減少肺結(jié)核胸片樣本不足對(duì)模型訓(xùn)練造成的影響.首先在大型的肺炎胸片數(shù)據(jù)集上訓(xùn)練特征提取網(wǎng)絡(luò),以獲取DR圖像中豐富的深層圖像語(yǔ)義信息,然后使用樣本較少的肺結(jié)核數(shù)據(jù)集微調(diào)網(wǎng)絡(luò)參數(shù),并將多層卷積的輸出作為T(mén)BNN分類(lèi)子網(wǎng)絡(luò)的輸入,得到基于DR胸片的肺結(jié)核病灶檢測(cè)模型.實(shí)驗(yàn)結(jié)果表明,該方法生成的檢測(cè)模型在分類(lèi)精度和性能上均優(yōu)于基于傳統(tǒng)機(jī)器學(xué)習(xí)的肺結(jié)核檢測(cè)器.在同等訓(xùn)練數(shù)據(jù)量和訓(xùn)練周期下,模型性能高于其他采用傳統(tǒng)數(shù)據(jù)增強(qiáng)方法的深層網(wǎng)絡(luò)肺結(jié)核檢測(cè)算法,且能標(biāo)識(shí)病灶區(qū)域,準(zhǔn)度上有不低于放射科閱片醫(yī)生的表現(xiàn). 

【文章來(lái)源】：四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,57(03)北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

基于Focal Loss的檢測(cè)框架

傳統(tǒng)的機(jī)器學(xué)習(xí)只有在訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù)都來(lái)自同一個(gè)域和同一分布的時(shí)候才能很好運(yùn)行,但是在實(shí)際應(yīng)用中,這種假設(shè)可能不成立.模型的泛化能力以及遷移能力很低,這也是運(yùn)用傳統(tǒng)機(jī)器學(xué)習(xí)方法處理醫(yī)學(xué)圖像問(wèn)題的缺陷之一.根據(jù)經(jīng)驗(yàn),至少需要2萬(wàn)張胸片才能充分訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò).遷移學(xué)習(xí)指從一個(gè)或多個(gè)任務(wù)的域中提取知識(shí)并將知識(shí)應(yīng)用于目標(biāo)任務(wù)的方法.即一個(gè)域D由兩個(gè)部分組成:特征空間X以及邊緣概率分布P(X),其中,X={x1,…,xn}∈X,指某個(gè)特定的學(xué)習(xí)樣本;一個(gè)任務(wù)T由輸出空間 Y= { y 1 , ? ,y n } 和預(yù)測(cè)函數(shù) f( ? )=Ρ(Y|X) 組成.T不能被觀察,但是可通過(guò)訓(xùn)練多組數(shù)據(jù) { x i ,y i } ,x i ∈X,y i ∈Y 被學(xué)習(xí).假設(shè)有兩個(gè)域DS和DT以及不同的學(xué)習(xí)任務(wù)TS和TT,遷移學(xué)習(xí)就是利用DS和TS的知識(shí)來(lái)改善任務(wù)TT的預(yù)測(cè)函數(shù)f(·)在域DT中的表現(xiàn)能力.基于肺炎在DR影像學(xué)上表征和肺結(jié)核相似的特點(diǎn),本文采用圖2所示的深層遷移學(xué)習(xí)方法實(shí)現(xiàn)DR胸片肺結(jié)核病灶檢測(cè).小樣本肺結(jié)核標(biāo)注數(shù)據(jù)DT和目標(biāo)結(jié)核檢測(cè)任務(wù)TT,從肺炎檢測(cè)TS訓(xùn)練肺炎標(biāo)注數(shù)據(jù)DS的過(guò)程中,學(xué)習(xí)知識(shí)以充分訓(xùn)練深層特征提取網(wǎng)絡(luò)用于肺結(jié)核檢測(cè)任務(wù)TT.假設(shè)DS={(xS1,yS1),…,(xSn,ySn)},DT={(xT1,yT1),…,(xTn,yTn)},TS={YS,P(YS|XS)},TT={YT,P(YT|XT)},其中xSi∈XS,ySi∈YS,xTi∈XT,yTi∈YT.深層神經(jīng)網(wǎng)絡(luò)提取特征過(guò)程如式(4),當(dāng)域DS中特定數(shù)據(jù){xm,ym}通過(guò)f(xm)計(jì)算后,若 y ︿ m =y m ,則認(rèn)為特征提取成功.

2) 真實(shí)性.由于閱讀醫(yī)學(xué)圖像需要具備豐富的醫(yī)學(xué)理論知識(shí),我們從收集的胸片中,按圖3的三級(jí)遞進(jìn)式診斷中整理出1 935張疑似肺結(jié)核胸片由華西醫(yī)院結(jié)核專(zhuān)家做標(biāo)注.3) 準(zhǔn)確性.除了對(duì)肺結(jié)核胸片打標(biāo)簽外,還利用矩形框?qū)Σ∽儏^(qū)域做了像素級(jí)標(biāo)注.標(biāo)注前胸片已進(jìn)行了脫敏處理,只保留其圖像信息,如圖4.將標(biāo)注信息和圖像相匹配后,得到表1所示的肺結(jié)核標(biāo)注數(shù)據(jù)集.其中,X, Y, Width, Height分別表示標(biāo)注框的左上頂點(diǎn)的坐標(biāo)以及標(biāo)注框的寬和高的像素值.

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺病理圖像識(shí)別算法[J]. 凌語(yǔ),孫自強(qiáng).  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[2]低倍率鏡檢圖像無(wú)標(biāo)記紅白細(xì)胞識(shí)別方法研究[J]. 王偉,司淼淼,陳芙蕖,劉慧,姜小明,李章勇.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[3]基于空間像素強(qiáng)度的腦瘤圖像檢索方法[J]. 李清亮,張子鵬,時(shí)瑋淞,蔣振剛,趙家石,師為禮.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2018(03)
[4]基于Spark的并行醫(yī)學(xué)圖像處理研究[J]. 蘭云旭,王俊峰,唐鵬.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[5]基于SURF的肺結(jié)核DR圖像病變區(qū)域檢測(cè)[J]. 符堯,王俊峰,高琳,姬郁林,張菊英.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(09)



本文編號(hào)：3071570