摘要:肿瘤病死率高，影像学检查对肿瘤的早期诊断、治疗意义重大。随着人工智能深度学习技术的发展，卷积神经网络算法能够自动提取图像特征，快速寻找医学影像图片中的细微病变。计算机辅助检测系统可以帮助医生在肿瘤的早期阶段提高诊断准确率。
关键词:卷积神经网络;肿瘤;计算机辅助检测;乳腺癌;肺癌;脑胶质瘤
随着人们生活环境和生活方式的改变，慢性病取代传染病，成为威胁人类健康的首要因素。肿瘤是最常见的慢性病之一，部分肿瘤早期的临床症状较为隐蔽，其诊断率低，严重影响了患者的治疗与康复。肿瘤的传统影像学筛查主要依靠于其成像片的密度、增强模式、肿瘤边缘规律等定性特征诊断。但是，人类对影像图片的解读存在主观性，存在漏诊误诊的风险。计算机辅助诊断(computeraideddiagnosis，CAD)旨在通过计算机对病人的影像学检查结果进行分析并辅助医生完成诊断，卷积神经网络(convolu-tionalneuralnetwork，CNN)便是其中最具代表性、发展最为迅猛的一种算法，它能够自动提取图像特征，快速找寻图像的定性特征，其独特的优越性体现在图片识别、分类和计算领域。
1CNN基础内容
1．1CNN的发展历史
20世纪60年代，生理学家Hubel和Wiesel在猫的视觉神经系统中探索到视觉空间在视觉皮层中的组织原理，视觉皮层细胞从视网膜上获取视觉信息，完成光电信息的转换［1］。日本学者福岛邦彦根据这一发现，模拟了视觉皮层对视觉空间的组织提出了neocognitron模型，并由此开启了CNN的研究［2］。后来世界各地的计算机专家纷纷对这一模型进行改进推广，诞生了用于医学影像监测的平移不变人工神经网络(SIANN)［3］。在20世纪90年代随着以支持向量机为代表的核学习方法的兴起，CNN的发展进入到停滞期。直至2006年深度学习理论被提及后，CNN受到关注并逐渐被使用，并成为图像识别领域中必不可缺的重要算法。
1．2CNN的基本原理
CNN是由可学习权重和偏置常量的神经元组成的一种包含卷积计算和具有深度结构的前馈控制神经网络，特征提取层和特征映射层是其重要基本结构。特征提取层通过神经元进行定位提取，映射层权值共享使模型简洁;卷积层、池化层、线性整流层和全连接层是CNN整体组成［4］，卷积层利用卷积操作对输入的图像进行处理，提取图片的有效特征;池化层是为了对图像进行缩小，降低特征图的数量;线性整流层使用的是线性整流激活函数，对于输入图像中的每个正值，它返回相同的值和全连接层在输出层使用softmax激活函数，对处理好的图像进行分类处理，最后将分类结果输出［5］。深度学习概念于2006年提出。CNN的表征学习算法模型被广泛地应用于图像识别、物体识别、行为认知、姿态估计等方面［6］。而在医学领域，更是被应用在多种疾病的诊断和治疗中。
2CNN在肿瘤影像学中的应用
2．1影像检查乳腺癌的CNN应用
乳腺癌已成为影响全球女性生命健康的高危因素，在女性恶性肿瘤发病率中居首位，死亡率高达42%左右，并且近年来患病率持续升高［7］。目前临床早期确诊通常需要依靠放射科医生判断乳腺钼靶图像，由MRI和CT作为补充，活体组织检查是乳腺癌最终确诊的金标准［8］。对乳腺肿块病理标志物的影像诊断研究仍在突破。由于自身个体及体内肿块形态和密度具有差异性，使乳腺肿块与周围其他腺体组织分界不清，是筛查诊断的主要阻碍。使用CNN诊断乳腺癌是由Sahiner首次提出。利用CNN可以快速提取某一特定区域的特点，并采用BP网络分类，从而准确定位乳腺肿块［9］。荷兰Kooi等采用和OxfordNet类似的结构对获得的4．5万张标签图像进行训练，并且在网络中添加了几个手动提取的特征信息参数来检测乳腺肿块和钙化，最终在验证集上的最佳AUC为90%。该方法结合深度学习模型和手动提取特征的优点，分类效果大大超过了传统的计算机辅助诊断系统。针对乳腺核磁共振图像的特点，李静提出将传统的CNN进行升级，把传统的二维CNN升级成三维CNN［10］。三维卷积是由多个连续的切片堆叠而成，利用该三维立体中三维过滤器，用来获取相邻层之间的空间信息和变化信息。结果显示，与二维CNN相比，三维CNN能够利用病灶不同切片之间的三维空间信息，分类结果有明显提高(15%)。
2．2影像检查肺癌的CNN应用
肺癌是全球发病率和死亡率最高的癌症。放射科医生可进行大规模低剂量螺旋CT筛查，根据肺部结节的生长状况和密度等因素分析肺癌高发人群的患癌风险，然后做出临床干预，患者死亡率降低了20%至43%［11］。医学影像学和人工智能合作，有望通过区分良性和恶性结节，在提高肺癌的早期发现和定性方面发挥重要作用。肺结节诊断和定性需要依据肺部CT图像。肺结节辅助检查系统是基于多视角CNN构建的。Seio等利用来自美国国家肺癌筛查试验计划［12］的1万多个病人的4万多张CT图像数据，训练了一个基于三维CNN的网络结构，研究人员随后在测试集上获得了高达94．4%的可信区间［13］。本实验的对比实验中，安排多名拥有多年临床经验的放射科诊断医生对同一数据进行肺癌患病风险评估。医生在CT图像之外同时还拥有病人的身份信息及临床历史信息的情况下，发现他们的表现均差于深度学习网络算法。因此，通过大数据训练的人工智能模型在早期肺癌风险预测这一任务上表现出了优于人类专家的性能。结果有力地证实了神经网络对肺癌预测的结果稳健性。
2．3影像检查胶质瘤的CNN应用
胶质瘤是颅脑中常见的恶性肿瘤之一，所占比重约45%，多好发于中枢神经系统。脑胶质瘤不仅会引起恶心、呕吐、头痛等症状，且及有可能引起精神异常、视力下降甚至失明等症状［14］。目前检査脑胶质瘤的影像手段主要有MRI和CT。MRI提供的图像组织对比度高，对肿瘤的大小、位置判断，术中图像引导及后续治疗具有重大意义，是诊断脑胶质瘤的重要辅助手段之一。目前在脑胶质瘤影像上的难题主要集中在肿瘤的精准分割和分级上。Zikic利用传统的二维CNN结构，开发了一种通过将输入的4种模态三维尺寸的MRI图像信息转化为二维尺寸的解释性方法，实现了肿瘤的分割［15］。罗蔓将多模态的三维CNN特征提取技术与支持向量机中的自适应加权混合核函数相结合，对MRI不同模态下产生的多余干扰信息去除，缩小原始特征，明显区分同一病人在不同图像层面的肿瘤大小，使MRI对肿瘤的分割精度有了明显提升［16］。同时自适应的加权混合核函数保证了模型的学习能力和泛化性能。此外，吴聪设计的三层卷积层的CNN模型在脑胶质瘤的分级中也取得了良好的效果，分类的准确性达到了83．79%［17］。
3总结
第4期刘亚伟，等．卷积神经网络的发展及其在肿瘤影像学中的应用—192—大部分CAD研究是在机器学习算法的基本结构上完成的［18］。近些年来随着深度学习算法的不断发展，使得计算机能够自动从海量的数据中学习获得更深层次、更为抽象的特征，同时能够有效排除人为因素的干扰，从而提高癌症诊断的准确性［19］。CNN是机器学习的一个子集，它可以从样本图像中自动学习特征表示，并且在特定任务的应用中已经显示出与人类的表现相匹配甚至超过人类的表现。尽管需要大量的数据集进行训练，深度学习已经证明了对在肿瘤的成像模式中具有更大的普遍应用性、减少误差的发生，最终实现早期临床干预和诊断效果的显著改善。总之，CNN在肿瘤影像学中的应用研究中通过对超大数据集的运用，对CT、MRI等影像图像全局和局部特征的同时识别和提取，以及对不同时间点影像图像的综合分析，实现了人工智能预测肿瘤风险的现有最高精度，且被证明显著优于医生表现［13，18，20］。公众建立的开源CNN和医疗影像分析平台Nifty-Net［21］，能够共享网络架构和预训练模型，被越来越多的临床实践用于医疗影像分析和影像导向治疗。目前提出的网络结构具有较强的延展性和灵活的适应性，能够被运用至多种基于三维图像的病理状态分析任务中，在未来可预期成为病理分析的常规手段。
作者:刘亚伟 单位:吉林医药学院附属医院