人工智能技术在医学图像分析中的深度学习应用

1）简介

医学图像涵盖多种模态，包括超声图像、CT图像、核磁共振图像（MRI）、组织病理学图像、内窥镜图像及皮肤镜图像等，如图151.1所示。计算机辅助诊断主要是通过对上述医学图像进行处理，结合计算机的分析计算，辅助发现病灶，提高诊断的准确率。计算机辅助诊断能够减轻医务人员的工作负担，节约医学图像处理和诊断的时间，减少误诊发生的概率，以及能够使诊断结果有更好的可视化效果。

图151.1　多种医学成像方法

近几年来，深度学习得到了很好的发展，其中以深度学习为基础构建的AlphaGo系统更是成为人工智能的典型代表。在图像辨识方面，深度学习也得到了很好的应用。深度学习方法由多个层组成，以学习具有多个抽象层次的数据特征，当具有很好的训练数据集时，深度学习能够很好地完成辨识推理的任务。医学图像是众多图像中的一种，因此也能通过深度学习进行相关处理和分析。只是医学图像与普通图像存在一些差别。首先，医学图像不像普通图像那样有着很好的训练数据集，医学图像一般没有对应的准确标注，因为医生没有太多时间对大量的医学图像一一进行标注；其次，医学图像很多都是三维甚至是四维的图像，与一般的二维图像的处理存在差异；此外，医学图像之间的差异性较大，对算法的泛化能力提出了更高的要求；最后，医学图像对于诊断结果的准确性有着比普通图像辨识更高的精度要求。

2）病理组织学图像分析

首先介绍的工作是病理组织学图像中腺体的分割。腺体的形态是病理学家用来评估腺癌恶化程度的常用指标，病理组织学图像中腺体的精确分割是实现这种量化评估的关键步骤。对病理组织学图像进行腺体的分割，就可以对相应的疾病进行诊断，例如是否患有癌症、癌症达到了怎样的程度。腺体分割存在的挑战是腺体的结构存在着多种变化，而且病理组织学图像的数据量很大，图像中往往存在着不同腺体间的重叠。为解决以上问题，我们提出了一种有效的Deep Contour-Aware Network（DCAN）。在这个网络中，来自分层结构的多级上下文相关特征利用辅助监督来实现对腺体的精确分割。这个网络不仅可以精确地输出腺体的概率地图，而且可以同时描绘出清晰的轮廓，这也进一步提高了腺体分割的性能。这个DCAN的示意图如图151.2所示。

图151.2　DCAN示意图

利用上面提出的算法，我们参加了MICCAI 2015的腺体分割挑战，使用官方提供的数据进行相关分析，最终在腺体的分割和识别方面获得了第一名的好成绩。

在病理组织学图像分析方面，我们还做了乳腺癌有丝分裂的自动检测。乳腺癌是一种致死率很高的癌症，在女性中的发病率很高。在乳腺癌的检测中，有丝分裂细胞的数目可以作为衡量发病与否以及病情程度的一个量化指标。目前乳腺癌病理检测中的有丝分裂细胞数目主要是通过人工去识别和计数的，非常费时费力，而对于有丝分裂细胞的自动识别还存在很大的挑战。首先，有丝分裂细胞图像之间在形态上存在着很大的差异，而且在图像中是属于稀疏分布的；其次，有些细胞的形态与有丝分裂细胞的形态类似，很容易造成混淆；最后，对于整个有丝分裂细胞的识别计数过程需要很快速地完成。为了解决上述问题，我们提出了一种快速而精确地检测有丝分裂的方法，即Deep Cascaded Convolutional Neural Network，如图151.3所示。该网络由两部分组成，第一部分是构建粗略的检索模型来筛选候选对象，第二部分是利用很好的分辨模型实现对有丝分裂细胞的辨识。我们使用上述模型对ICPR 2012及ICPR 2014的MITOSIS数据集进行测试，证实我们的方法取得了综合最好的效果。

图151.3　用于快速精确检测有丝分裂细胞的Deep Cascaded Convolutional Neural Network方法

3）三维核磁共振图像分析

上面介绍的病理组织学图像分析是对于二维医学图像的处理，接下来介绍对于三维医学图像的处理。大脑微出血（cerebral microbleeds，CMB）可能是很多脑部疾病的一种早期症状，CMB的检测是对很多脑血管疾病以及神经退化性疾病的早期诊断。对于CMB的检测，怎么从三维MR图像中把微出血的位点找出来呢？我们首次将三维的卷积神经网络（3D CNN）引入医学图像的处理中，针对3D CNN，我们构建了一个级联框架，以此在提高检测精度的同时降低计算负担，如图151.4所示。首先我们开发了一种3D Fully Convolutional Network（3D FCN）策略来检索最可能的CMB的候选集，然后利用一个训练好的3D CNN分辨模型来区分CMB。相比传统的滑动窗口策略，我们提出的3D FCN策略可以去掉大量的冗余计算，极大地加速了整个检测处理的进程。我们构建一个有着320张MR图像的大数据集，进行大量的实验来验证上述算法。我们获得了93.16％的高检测灵敏度，相比之前的相关算法或者2D CNN方法，取得了显著的效果。

图151.4　用于大脑微出血点检测的3D CNN级联框架及相关算法(www.xing528.com)

4）三维CT图像分析

延续大脑微出血检测的研究，我们又进行了基于CT图像的肝脏自动分割研究。CT图像中肝脏的自动分割，在计算机辅助的肺癌诊断与治疗中有着很重要的作用，同时也是一个很大的挑战。为解决肝脏分割的问题，我们改进了大脑微出血检测中的算法，并提出了3D Deeply Supervised Network（3D DSN），用于对比增强CT得到的医学图像进行肝脏的图像分割。3D DSN的系统框架如图151.5所示。3D DSN系统框架利用完全卷积架构的优势来实现有效的端对端的学习和推断。更重要的是，我们在学习过程中引入了一种深度监督机制，以此来攻克潜在的最优化难题，从而这个模型可以获得更快的收敛速度和更好的辨识能力。我们使用公开数据集MICCAI-SLiver07测试后发现，我们的方法相比其他方法，能够在取得好的辨识结果的同时有着更快的处理速度。

图151.5　3D DSN的系统框架

5）基于超声图像的前列腺图像分割

前列腺癌是导致男性死亡的重要癌症，美国2010年公布的数据显示，前列腺癌是美国发病率最高、致死率第二的癌症。对于前列腺癌的诊断和治疗中的一大重点就是，需要对前列腺的医学图像进行很好的分割，而人工分割是非常费时费力的。在前列腺的诊断中，超声扫描是最常规的一种诊断手段，但是对于获取超声图像进行前列腺分割则充满了挑战，因为超声图像中边界不完整的问题很明显，而且超声图像充满了噪声。在估计缺失的边界时，先验知识起着很大的导引作用，但是传统的形状模型经常受制于手工描述符，在配准过程中会丢失局部信息。

对此，我们提出了一种新的框架，这个新框架可以无缝地整合特征提取和形状先验探测，从而用连续的方式估计出完整的边界。这种框架主要分为三个模块。第一，我们将静态的二维前列腺超声图像转化为动态序列，然后通过连续的探测形状先验预测前列腺形状，根据经验，我们提出了用Recurrent Neural Network（RNN）来学习形状先验，这个模块能够有效地处理边界不完整性；第二，为了减小不同序列化方法导致的误差，我们提出了一个多角度融合策略来整合不同角度得到的预测形状；第三，我们进一步将RNN核植入一个多量程的自动上下文方案中，以成功改善形状预测的细节。

经过大量的数据测试，我们发现在前列腺超声图像中对于前列腺边界的描绘，我们的方法取得了比其他几种先进方法更好的效果，而且我们的方法普适性更好，能够很方便的用于其他医学图像中边界描绘的问题。具体分割的结果如图151.6所示，其中红色的标识是真实的边界，绿色的标识是我们算法自动识别的边界，两者能够达到很高的重合度。

图151.6　RNN方法实现的前列腺超声图像中前列腺边界的描绘效果

6）皮肤镜医学图像分析

皮肤镜又称皮表透光显微镜，其本质是一种可以放大数十倍的皮肤显微镜，其功能和眼科用的眼底镜、耳鼻喉科用的耳镜一样，是用来观察皮肤色素性疾患的利器。近年来，世界各地的皮肤科医师投入相当多的精力在皮肤镜的研究上。有研究表明，皮肤镜对恶性黑色素瘤诊断的准确率可以达到98％，甚至比临床诊断的还要高。皮肤镜是一个相当方便、非侵入性、诊断率高、值得信赖的工具。通过皮肤镜获取医学图像，再结合计算机辅助诊断，可以更高效地协助医生实现对恶性黑色素瘤的有效诊断。通过皮肤镜获取的黑色素瘤相关图像如图151.7所示。

皮肤病灶的低对比度、黑色素瘤之间大的形态差异、黑色素瘤和非黑色素瘤之间高度的相似性，以及皮肤镜获取的图像中大量的噪声，这些因素使得皮肤镜下黑色素瘤的自动识别非常具有挑战性。为了应对这些挑战，我们提出了一种新的、用非常深度的Convolutional Neural Network（CNN）来实现辨识黑色素瘤的新方法。相比于传统的方法，我们的深度网络超过了五十层，能够获取更丰富的信息从而实现更准确的识别。我们应用了残差学习来应对网络深度过深带来的退化和过拟合问题，并且构建了一个Fully Convolutional Residual Network（FCRN）来实现皮肤病灶的精确分割，然后我们很好地将用于分割的FCRN和用于分类的残差网络整合成一个二阶段的架构。这种架构使得用于分类的特征是基于分割后的结果而不是基于最原始的数据，使得分类能够达到更准确的效果。我们用此方法参加ISBI 2016皮肤病灶识别挑战赛，在25只参赛队伍中获得了第一名。

图151.7　使用FCRN来实现皮肤病灶的精确分割