刘志华 ，王正业 ，李丰军 ，严传波

（1.新疆医科大学 公共卫生学院，新疆 乌鲁木齐 830011；2.新疆医科大学 医学工程技术学院，新疆 乌鲁木齐 830011）

0 引言

肝包虫病（Hepatic Echinococcosis，HE）又称棘球幼病，是一种人畜共患寄生虫病，主要流行于畜牧业发达地区[1-3]。肝包虫病患者在患病初期无特异性的症状及体征，随着包囊的生长，患者出现临床症状，引起自身机体的感染并发生一些并发症，其中部分并发症可能危及患者生命，需要医生的及时诊断和紧急干预[4-5]。医学影像学检查是诊断疾病的一种方式，能够为患者的病情提供有用的信息，对于肝包虫病的影像学诊断是由医生查看拍摄的CT 图片诊断患者是否发生疾病。随着影像设备的更新和发展，医院每天产出大量的医学图片，医生阅片时容易发生视觉疲劳现象，往往出现诊断效率低下、漏检、误判等问题。因此，本文基于目标检测方法实现肝包虫病病灶的检测，从而辅助医生智能诊断疾病。

随着计算机视觉的发展，深度学习方法特别是卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉领域上取得显著成果，同时基于卷积神经网络的基础结构，衍生出了许多应用于图像分类、目标检测和分割的网络。2014 年GIRSHICK R[6]将深度学习方法应用于目标检测中，提出了R-CNN模型，是深度学习应用于目标检测的开山之作；2015 年GIRSHICK R 和HE K[7]提出Faster RCNN模型，增加了Region Proposal Networks（RPN）网络，使用网络生成候选区域，实现端到端训练。随着卷积神经网络技术的发展，越来越多的研究者将卷积神经网络应用于医学图像目标检测。如卞景帅等人[8]针对结核杆菌尺度小的问题，提出一种重叠子图划分策略应用于Faster RCNN 网络解决小目标检测问题，取得了较好的检测结果；王黎等人[9]通过添加卷积层、调试网络超参数等方法，提高了Faster RCNN 网络对癌症影像检测的精度，提高了诊断效率；Ma Shaolong 等人[10]将Faster RCNN 网络和ResNet50 及VGG16 结合检测颈脊髓MRI病变，其检测平均精度分别为88.6%和72.3%，在某种程度上，可以帮助放射科医生和脊柱外科医生的诊断；Liu Bin 等人[11]使用新的损失函数及较大的锚点改进Faster RCNN 目标检测模型来检测膝关节骨性关节炎病变，平均精度接近0.82，可作为临床应用的计算机辅助诊断工具。针对上述研究结果，本文将Faster RCNN 网络应用于肝包虫病CT 图像的目标检测，使用两种特征提取网络提取图像的特征，并通过数据增强方法增加样本量，最后根据病灶的坐标点信息进一步分割病灶，从而辅助医生更高效地诊断疾病。

1 Faster RCNN 基本结构与原理

Faster RCNN 是在Fast RCNN 网络的基础上增加了一个区域建议网络（Region Proposal Networks，RPN），通过RPN 网络生成候选区域，相比于传统的Selective Search、Edge Boxes 等方法，有明显的速度提升[7]。卷积神经网络将整个图像作为网络的输入，通过多层卷积设计特征，能够更好地提取特征，增强图像的特征表达能力。常见的CNN模型有AlexNet、LeNet、VGG16、ResNet等，本文选择VGG16[12]和ResNet101 网络进行图像的特征提取。VGG网络是在AlexNet 基础上做了改进，整个网络使用同样大小的3×3 卷积核，通过逐渐增加卷积核数量来加深网络。然而VGG 网络在达到一定深度后，训练效果反而变差。基于VGG 网络的缺点，HE K 等[13]提出了深度残差网络，ResNet 网络是每隔几层进行跳跃连接，不产生额外的参数，不增加计算复杂度，在优化较深层模型时更为简单。Faster RCNN 网络结构图如图1 所示。

图1 Faster RCNN 网络结构图

2 LGDF模型

局部高斯分布拟合（Local Gaussian Distribution Fitting，LGDF）模型，是经典的基于水平集活动轮廓模型的分割算法之一[14]。LGDF模型利用局部图像灰度均值和方差信息构造能量泛函，能量泛函由局部图像轮廓内外的高斯分布拟合项和正则项构成，拟合项驱使演化曲线向目标轮廓演化，正则项则保持演化曲线的光滑度以及避免重新初始化水平集函数[15]，LGDF模型表达式如下：

式中，第1、2 项为局部图像轮廓内外高斯分布拟合项，后两项为长度项和惩罚项，共同构成正则项；μ 为长度项系数，v 为距离惩罚项系数，φ 为水平集函数，▽为哈密顿算子，▽φ 是φ 的梯度，I（y）为输入图像的灰度值，ω（x-y）为窗函数，pi，x（I（y））为概率密度函数，Hε（φ（y））和δε（φ）分 别为Heaviside 函数、Dirac 函数的正则化形式。其中窗函数和概率密度函数表达式分别如式（2）、式（3）所示：

式中，a 为常数，|x-y|为像素距离，σ2为局部灰度方差，ρ为窗函数半径。

式中，μ1（x）、μ2（x）为局部图像轮廓内外灰度均值，σ1（x）2、σ2（x）2分别为局部图像轮廓内外灰度方差。

通过最小化能量方程（1），可得到水平集演化方程，表达式如下：

其中，div（·）为散度算子，且有：

3 数据预处理

在放射科医师的指导下，本文选取单囊型和多囊型肝包虫病CT 图像应用于实验研究，实验数据均来自新疆医科大学各附属医院放射科。由于图像摄片时各种噪声的干扰造成图像质量下降、清晰度不高等，本实验对肝包虫病CT 图像进行了一系列预处理操作：（1）对图像进行归一化处理，进一步对图像进行灰度转换以减少后续计算量；（2）使用改进的中值滤波算法[16-17]对肝包虫病CT 图像进行去噪；（3）使用翻转的方法对肝包虫病CT图像进行数据增强操作。本文实验数据共3 000 张肝包虫病CT 图片，图片尺寸为500×500。

4 评价准则

为了定量评价模型的性能，采用平均精度（Average Precision，AP）、均值平均精度（mean Average Precision，mAP）作为评价指标。

4.1 精确率、召回率

精确率、召回率的计算依赖于正确检测（TP）、错检（FP）、漏检（FN）3 个参数，其混肴矩阵如表1 所示。

表1 混肴矩阵

精确率计算公式如式（7）所示：

召回率计算公式如式（8）所示：

4.2 平均精度

AP 是评价模型性能的重要指标，一个模型在不同的R 下能保持较高的P，则AP 值就越高，模型对此类检测的表现较好，计算公式如下：

式中，P 为精确率，R 为召回率。

4.3 均值平均精度

mAP 是所有类别的平均精度的均值，计算公式如下：

式中，Nc为检测类别数，AP 能综合考虑精确率和召回率两方面的影响，以精确率为纵轴、召回率为横轴可以得到PR 曲线。

5 实验结果与分析

5.1 实验平台和参数设置

本实验的实验操作平台为Ubuntu18.04 计算机，Intel Core i7 -7700k CPU@ 4.20 GHz，NVIDIA GeForce CTX 1080TiGPU，深度学习框架为TensorFlow。一些参数设置为：迭代次数设置为2 000 次，学习率为0.001，batch_size为256，学习率的衰减系数和动量项分别为0.1 和0.9，NMS 阈值为0.7，置信度阈值为0.8。

5.2 目标检测模型识别结果

本实验目标检测模型的检测结果使用平均精度、PR曲线等评价指标进行模型性能评价。模型PR 曲线如图2 所示，模型性能评价结果见表2。图2（a）表示基于VGG16 特征提取网络的目标检测模型在肝包虫病两类中的PR 曲线，图2（b）表示基于ResNet101 特征提取网络的目标检测模型在肝包虫病两类中的PR 曲线。图2 中，“单囊”线代表单囊型肝包虫病的PR 曲线，“多囊”线代表多囊型肝包虫病的PR 曲线。

由表2 可知，使用ResNet101 网络代替原来的VGG16网络作为特征提取网络，综合平均识别率提高了2.1%，由原来的0.875 提高至0.896；同时对于两种类型肝包虫病CT 图像的平均识别率均有所提高，尤其是对于多囊型肝包虫病CT 图像的平均识别率提高了3.5%，由0.870 提高至0.905。

表2 模型对肝包虫病CT 图像的平均识别率

由图2 可知，图2（b）中两类肝包虫病的PR 曲线均在图2 （a） 两类肝包虫病PR 曲线的上方，因此基于ResNet101 特征提取网络的Faster RCNN 目标检测模型具有较好的检测精度。图2（a）中的两条PR 曲线均低于图2（b）中的两条PR 曲线，随着召回率（Recall）的增加，图2（a）的精确率（Precision）快速下降，而图2（b）仍能保持较高的Precision。在单囊型和多囊型两类上的PR 曲线表明，随着迭代次数的增加，基于ResNet101 特征提取网络的目标检测模型能够有效提取目标的特征，因此在这两类上具有较好的检测精度。图3 所示为模型对两类肝包虫病CT 图像的检测结果。图3（a）为单囊型肝包虫病CT 图像检测结果，图3（b）多囊型肝包虫病CT 图像检测结果。

图2 模型PR 曲线

图3 模型检测结果

5.3 病灶坐标信息

基于Faster RCNN 目标检测模型检测结果可得到病灶矩形框的两个坐标点，根据中点公式可得病灶中点坐标，部分图片坐标信息如表3 所示。

表3 部分图片坐标信息

5.4 病灶分割结果

LGDF模型进行图像分割时，选取的轮廓不合适会造成分割失败，针对此问题，本文采用Faster RCNN模型检测出的病灶信息作为LGDF模型的初始轮廓，避免算法曲线演化过程中不是收敛于全局最优而是陷入局部最小值，这一步骤提高了水平集算法的精度。本文使用准确率和文献[18]中的Dice 系数作为病灶分割精度的评价指标，迭代时间作为分割效率的评价指标，Dice 相似性系数定义如下：

式中，|A|表示真实轮廓区域的像素个数，|B|表示实际分割轮廓区域的像素个数，|A∩B|表示A 与B 交集区域的像素个数。Dice 相似性系数值越大，表示分割结果越好，分割精度越高。

对于肝包虫病CT 图像病灶的分割，本文将原始的LGDF模型与基于病灶坐标信息的LGDF模型进行比较，实验比较结果如图4、图5 所示，同时对分割算法的评价指标结果如表4 所示。

表4 模型分割性能评价指标

图4 LGDF模型分割结果

图5 本文方法分割结果

从图4 可以看出，针对模型的初始轮廓，原始的LGDF模型单囊型肝包虫病CT 图像分割结果较好，存在小程度的过分割现象，对于多囊型肝包虫病CT 图像，分割结果不理想，存在过分割和欠分割现象。而由图5 可知，基于病灶坐标信息的LGDF模型对两种类型的肝包虫病CT 图像分割结果较好，同时从表4 分割性能评价指标可以看出，对于两种类型的病灶分割，本文分割方法的Dice 系数和准确率均高于原始的LGDF模型，Dice 系数均提高了5%。对于多囊型的肝包虫病CT 图像病灶分割，本文分割方法的准确率相比于原始的LGDF模型提高了14.04%，说明本文分割方法对多囊型肝包虫病CT 图像病灶分割效果较好。从表4 中迭代时间可以看出，本文分割方法运行时间低于原始的LGDF模型，算法分割性能较好。

6 结论

本文将Faster RCNN 网络应用于肝包虫病CT 图像的目标检测，使用ResNet101 网络代替VGG16 作为特征提取网络提取图像的特征，实验结果表明基于ResNet101特征提取网络的目标检测模型能够有效提取目标的特征，在两类肝包虫病CT 图像的检测上具有较好的检测精度，模型检测准确率达到了89.6%，可以辅助医生诊断疾病，减少漏检、错检的发生，从而做到早发现、早诊断、早治疗。然后，根据目标检测模型检测出的病灶坐标点信息引入LGDF模型进一步分割病灶，基于病灶坐标信息的分割方法，在Dice 系数及准确率评价指标上均高于原始的LGDF模型，迭代时间也低于原始的LGDF模型，因此，该方法对肝包虫病CT 图像具有较好的分割结果，分割性能较好，可以进一步辅助医生更高效地诊断疾病。