基于卷积神经网络的胸片肺野自动分割*

秦子亮， 李朝锋

(江南大学 物联网工程学院 江苏 无锡 214122)

基于卷积神经网络的胸片肺野自动分割*

秦子亮， 李朝锋

(江南大学物联网工程学院江苏无锡214122)

针对传统胸片肺野分割方法需要人工干预、提取特征以及对先验知识的依赖性问题，提出了一种基于卷积神经网络(CNN)的胸片肺野自动分割方法，将X光胸片的分割问题转换为图像块的分类问题。将原图像分割成左、右肺，切块处理后分别作为训练样本，利用深度学习自动发现图像块中的潜在特征，对图像块进行分类，并将结果映射成二值图，得到初步分割结果，再对其进行后处理，合并之后作为最终的分割结果。实验表明：此方法在公开的JSRT数据集上进行测试，Jaccard指标可达94.6 %，平均边界距离(MBD)指标达到1.10 mm，较现存分割算法更加出色。

卷积神经网络; 肺野分割; 胸片; 分类

0 引 言

目前,很多分割方法被应用到肺区分割[1]中。基于规则[2]的分割方法由于受各分离步骤的影响，难以分割出较理想的结果，鲁棒性不强；Van Ginneken B等人[3]基于像素分类，通过提取特征训练模型实现分割目标。但组合合适的特征需要大量的实验，且训练分类器计算量比较大；Guo S等人[4]采用基于形变模型的分割方法，方法对参数的选择很敏感且只能用于单个物体的分割。Dawoud A[5]和罗海峰[6]均采用联合多种分割方法[7]，解决了单种方法在分割时存在的不足，多种方法的联合使用能够起到互补作用而使分割效果更好。

本文针对传统胸片肺野分割方法需要人工设置种子点、特征选取和组合以及对先验知识的依赖性等问题，提出了一种基于卷积神经网络(convolutional neural networks，CNN)的X光胸片肺野自动分割方法。方法无需人工干预，即不必设置种子点及进行特征选取，直接在原图取块后输入到网络中训练，利用深度学习[8]发现图像块中的潜在特征，对图像块进行分类，分割出目标对象，鲁棒性强且可以精确地分割出X光胸片的轮廓。

1 改进的CNN模型方法实现

本文的分割算法基本流程如图1。在训练阶段将256×256大小的原始图像左、右肺分割成256×160大小，对左、右肺图像以步长为4分别进行n×n(本文实验中n取8，16和32)大小的切块得到左、右肺训练样本，然后将训练样本输入到网络中进行训练得到左、右肺模型(model)。测试时，如图2所示，由于部分图像肺区离图像边缘较近，导致测试结果超出边界问题。为此，本文将256×256测试图像周边加黑边至320×320大小(如图1测试阶段所示)，然后同样分成左、右肺取步长为1的块输入到训练好的左、右肺model中进行测试得到大小为289×161的左、右肺二值结果，最后对得到的结果去噪处理后，合并得到最终的分割结果。

图1 改进的网络结构流程

图2 分割结果超出边界实例演示

1.1 CNN结构

如图1训练阶段所示，本文提出的网络结构模型由6层组成。将原图像分割成左、右肺的训练图像，对左、右肺以步长为4取32×32(n=32)的图像块输入到输入层(左、右肺分别提取231363个训练样本)。通过卷积层与次采样层相互配合学习得到12个1×1的特征映射，将特征映射输入到全连接层，通过线性回归网络得到每个图像块的类别。

1.2 卷积层

CNN中卷积层的网络结构采用卷积的离散型

(1)

式中Mβ为输入特征的一个选择；k为卷积核；γ为网络的层数；b为每个输出特征映射添加的偏置，对于特定的输出映射，输入的特征映射可以应用不同的卷积核卷积得到；f为卷积层神经元所用的激活函数，本文采用sigmoid。

1.3 次采样层

考虑JSRT库图像的复杂性，选用2×2大小的均值池，且2次采用池化操作。

1.4 全连接层

本文模型在全连接层加入一层隐含层，神经元个数设置为20，每一个特征均与20个节点进行连接，这样全连接层的输入与隐含层共需要12×20=240个参数，通过加入20个隐含层节点更有利于反向传导时卷积核权重的调节，对网络训练提取图像潜在特征更有效。每次将特征批量输入到全连接层通过BP算法对权值进行更新，最终通过迭代学习得到需要的模型。全连接层更新权值公式为

w(t+1)=w(t)+ηδ(t)x(t)

式中η为BP算法的学习率；δ(t)为后一层得到误差项；x(t)为前一层神经元的输出。

2 实验结果与分析

2.1 实验数据集

实验数据采用公开的JSRT胸片图像数据集[9]，每幅胸片均有专家手工勾画的肺野轮廓，原始图像大小为2048×2048。为了与文献结果比较并减少运算时间，以原始胸片图像降采样为256×256进行实验和性能评价，将JSRT胸片分为相等的2个奇、偶子集，交替用于训练集和测试集。肺野分割性能指标包括Jaccard指标(JI)和平均边界距离(mean boundary distance,MBD)，其中

(2)

MBD(GTB,SMB)=

(3)

2.2 结果与分析

图3反映了块大小对Jaccard指标的影响，曲线为手工勾画的肺野轮廓。从图3可以看出：当取块大小n增大时，分割得到的肺野轮廓更平滑、分割结果更准确，原因是由于JSRT库的复杂多样性，当取块过小时，训练样本会增大，则正、负样本相似性增大，减弱了正、负样本的表达能力，使图像的语义信息丢失。块大时不仅保证了正样本与负样本的差异性，而且还保证了图像块的语义信息的完整性。

图3 块大小对分割结果的影响

图4为JSRT数据集中部分图像肺野轮廓的对比，从分割效果看：二维OTSU受肋骨和胸膈角的影响，分割效果不理想；传统CNN的分割结果也会受肋骨强边界的细微影响；本文方法一定程度较好地解决了胸片中细小的胸膈角和受锁骨影响的肺肩部区域准确分割的困难。

图4 分割结果对比

表1列出了本文方法和其他胸片肺野分割方法在JSRT数据集上的分割性能比较，文献[13]与本文方法Jaccard指标相当，但文献[13]在训练时需要人工设定种子点以及提取了HOG，Haar，LBP特征，而本文方法不需要设定种子点和提取特征。相比传统CNN方法，本文方法能够精确地挖掘出图像块的潜在特征，较好地完成了图像块的分类，而且MBD指标优于其他算法，说明本文方法分割出的肺野边界与人工勾勒的轮廓更吻合，分割效果更好。

表1 肺野分割算法性能比较

2.3 CNN模型参数比较分析

2.3.1 卷积核大小对胸片肺野分割结果的影响

如果卷积核设置的过小，通过卷积提取的特征对分割结果的贡献小，同样，如果卷积核设置的过大，不能提取到有效的特征。因此，本文在实验中测试了卷积核尺寸的大小对输出结果的影响。如表2所示。

表2 卷积核大小对胸片肺野分割结果的影响

表2中KS代表Size of convolution kernel，FM代表Feature map，PA代表pooling area。从表2中可以看出，通过改变卷积核大小对分割精度几乎没有影响。考虑到后续试验要验证网络深度对分割结果的影响，本文选择了5×5大小卷积核。

2.3.2 网络结构深度对胸片肺野分割结果的影响

实验测试了网络结构深度对输出结果的影响，如表3所示。

表3 网络结构深度对胸片肺野分割结果的影响

从表3中可以看出：当网络结构的深度增加时，Jaccard结果越好，说明随着网络结构的加深，图像的特征表现力越强，泛化能力越强。本文选用表3 Net4的网络结构模型。

2.3.3 输入图像尺寸

实验中，对肺区的分割实际上是对图像块的分类，所以图像块的尺寸不同可能会影响预测结果，同时对完整的图像取块和将图像分割成左、右肺实验对结果也有很大的影响，表4给出了不同尺寸以及原图像是否分割左、右肺的实验结果。

表4 块尺寸以及左右肺分开对Jaccard的影响

从表4中可以看出：对于在256×256原图像上取块为8×8,16×16大小时，后者的Jaccard值较好，取块32×32时，由于维度增大到1 024且数据量较大，训练时间大大增加，失去实际意义，所以取消了32×32取块的实验。JSRT数据库由于受胸片中细小的胸膈角、锁骨影响的肺肩部区域以及脊柱的多样性和复杂性的影响，而在原图像上进行切块训练并不能很好地解决问题，而且极大的增加了训练时间，为了避免这些因素的影响，本文将原图像分割成256×160大小的左、右肺进行训练，对于JSRT数据库图像256×256分割成256×128即可较好地将左、右肺完整分割开。为了试验的严谨性有些数据库的图像左、右肺区域面积并不一样，所以采用256×160大小的分割，同时避免了采用256×128测试结果超出边界的问题。从表4中可以看出：左、右肺分开训练测试的结果要好于完整取块的结果，且大大提高了实验效率，综合考虑，本文选用32×32大小，左、右肺分开取块。

3 结束语

研究了CNN在胸片肺野分割中的应用，通过改变网络结构及网络深度等方面测试了CNN对胸片肺野分割的影响。提出的方法无需为原图像提取特征和人工设置种子点及人工干预,是一个自动的、无监督的X光胸片分割系统，解决了人工选择种子点的不稳定性和选取特征困难等问题。同时也解决了胸膈角和受锁骨影响的肺肩区域难以准确分割的问题，而且大幅提高了分割精度。

[1] 梁文宇,龚 涛,吴宇翔.改进的遗传算法在医学图像中的应用[J].传感器与微系统,2016,35(10):136-139.

[2] 张雪飞.一种改进的多尺度梯度矢量流模型[J].微计算机应用,2007,28(5):465-468.

[3] Van Ginneken B,Stegmann M B,Loog M.Segmentation of anatomical structures in chest radiographs using supervised methods:A comparative study on a public database[J].Medical Image Analysis,2006,10(1):19-40.

[4] Guo S,Fei B.A minimal path searching approach for active shape model (ASM)-based segmentation of the lung[C]∥SPIE Medical Imaging.International Society for Optics and Photonics,2009:72594B—1-72594B—8.

[5] Dawoud A.Lung segmentation in chest radiographs by fusing shape information in iterative thresholding[J].IET Computer Vision,2011,5(3):185-190.

[6] 罗海峰,翟荣存.基于小波变换与 Snake 模型的肺野图像分割方法[J].计算机应用与软件,2013(11):176-179.

[7] 谢 昕,王建宾,胡锋平.一种基于 PSO 与 OSTU 的改进絮体分割算法[J].传感器与微系统,2015,34(1):131-134.

[8] Hinton G E,Ruslan R S.Reducing the dimensionality of data with neural network[J].Science,2006,313(5786):504-507.

[9] Shiraishi J,Katsuragawa S,Ikezoe J,et al.Development of a digital image database for chest radiographs with and without a lung nodule:Receiver operating characteristic analysis of radiologists' detection of pulmonary nodules[J].American Journal of Roentgenology,2000,174(1):71-74.

[10] Tan J H,Acharya U R,Lim C M,et al.An interactive lung field segmentation scheme with automated capability[J].Digital Signal Processing,2013,23(3):1022-1031.

[11] Shi Y,Qi F,Xue Z,et al.Segmenting lung fields in serial chest radiographs using both population-based and patient-specific shape statistics[J].IEEE Transactions on Medical Imaging,2008,27(4):481-494.

[12] Coppini G,Miniati M,Monti S,et al.A computer-aided diagnosis approach for emphysema recognition in chest radiography[J].Medical Engineering & Physics,2013,35(1):63-73.

[13] Shao Y,Gao Y,Guo Y,et al.Hierarchical lung field segmentation with joint shape and appearance sparse learning[J].IEEE Transactions on Medical Imaging,2014,33(9):1761-1780.

AutomaticsegmentationoflungfieldsinchestradiographsbasedonCNN*

QIN Zi-liang， LI Chao-feng

(SchoolofInternetofThingsEngineering,JiangnanUniversity,Wuxi214122,China)

Aiming at these limitations of traditional lung segmentation methods which manual feature extraction and prior knowledge are needed,a convolutional neural network(CNN) based auto-matically segment method for lung fields in chest X-ray (CXR) is proposed,original image is splited into the left and right lungs and cut blocks from them as the training samples,and then use deep CNN to automatically discovery the potential characteristics,and then classify the image blocks.Secondly the classified results are mapped into two-value images as the initial segmentation results.Lastly the initial results are merged to get the area of lung fields.Our experimental results on the public JSRT dataset show that Jaccard metric of our proposed method can reach94.6%,mean boundary distance(MBD) metric can reach1.10mm,and outperform current reported algorithms.

convolutional neural network(CNN); lung segmentation; chest radiograph; classification

10.13873/J.1000—9787(2017)10—0064—03

2016—11—23

国家自然科学基金资助项目(61170120)

TP 391.4

A

1000—9787(2017)10—0064—03

秦子亮(1988-)，男，硕士研究生，主要研究方向为深度学习，人工智能。