基于Ad-BN 自适应深度卷积神经网络的肝脏纤维化超声诊断技术的研究

惠 冉，师 琳，房勤茂（通讯作者）

（1 河北医科大学第三医院超声科 河北 石家庄 050051）

（2 石家庄市第一医院消化内一科 河北 石家庄 050011）

肝纤维化是对各种原因引起的肝损伤的代偿性修复反应，并且是各种慢性肝病的常见病理过程。这是一个慢性、渐进性过程，其特征在于增生和肝脏中纤维结缔组织的沉积。随着科技的发展进步，细胞和分子生物学技术更加成熟，人们对肝纤维化发展的分子和细胞机制有了更进一步的了解。目前，肝纤维化被认为是在存在肝损伤的组织修复过程中，ECM 的合成和降解不平衡引起的一系列病理变化。

1 组织学诊断方法

1.1 常规和广义组织学检查

肝纤维诊断的金标准为常规组织病理学检查。通过连续的肝活检标本切片，常规苏木精-伊红、网状纤维和（或）Masson 三色染色确定肝小叶的结构，炎症范围和纤维化程度的变化[1]。

1.2 组织学半定量评估系统

基于肝纤维化的分布范围、形式和数量的定量分析，目前seheuer、METAVIR、Ishak 和Knodell 是四种广泛使用的、用于评估肝纤维化的分期的半定量的积分系统。因为它们都重视纤维间隔的形成判断和桥接纤维化的发生，所以彼此之间有很好的相关性。近年来，临床和病理学联系中一般都注重在分期诊断中区分是否存在明显纤维化的重要性，用S0 ～S1 表示无明显纤维化，而Scheuer ≥2或METAVIR ≥2 或Ishak ≥3 被定义为临床上显着的肝纤维化，即纤维隔膜或桥接纤维化的出现。因此，在评估S2 和S3 之间的纤维化进展与S1 和S2 之间的纤维化进展相比之下，前者更重要，特征图如图1，图2 所示。

图1

图2

2 主要研究内容

卷积神经网络是多级神经网络。它包含了用来提取输入信号的特征的滤波级（Filtering Stage）与对学习到的特征进行分类的分类级（Classification Stage）。其中，滤波级和分类级的网络参数是共同训练得到的。滤波级包括三个基本单元：卷积层、池化层和激活层；分类级别通常由完全连接的层组成。

该项目针对一维信号的特征提出了 “具有大尺度卷积核深度卷积神经网络” 模型，该结构特征是基层是一个大尺度的卷积核。之后卷积层都是3*1 的小卷积核[2]。WFKCNN 算法的研究的目的是提取短时特征，作用类似于短时傅里叶变换，基层是大尺度卷积核。

3 采用的技术路线

3.1 批量归一化层（BN）

在该项目中，将在卷积层与活动层之间以及完全连接的层与活动层中，添加批量归一化层。主要步骤：

（1）从卷积层或完全连接层的输入中减去Mini-Batch 的平均值；

（2）除以标准差；

这类似于标准化操作，以加快训练速度[3]。批量归一化操作的描述如下式（1）：

当BN 作用在卷积层时，令第l 个BN 层的输入为

yl=（yl(i,1),…,yl(i,j),yl(i,ρ)）批量归一化操作的描述如下式（2）所示：

3.2 WFK-CNN 超参数设计原则

选择基层卷积核的大小、步长和卷积层数。感受野作为卷积神经网络的设计核心，是神经元在其基础网络中感知范围。如图3 所示，在神经元的最后合并层中的黑色神经元，也就是输入信号中的感受野。

图3 神经元感受野示意图

3.3 WFK-CNN 图像判别诊断试验

为验证WFK-CNN 模型及其Ad-BN 领域自适应处理后的抗噪性能，即在SNR 值从-4dB 到10dB 的环境中的识别率。同时，为了验证该模型中的基层大尺度卷积核的必要性，试验当基层卷积核大小从16 变化到128 时，测试WFK-CNN及WFK-CNN（Ad-BN）在不同强度带噪声信号上的诊断率。

可视化WFK-CNN 基层16 个卷积核，通过对时域波形的观察，可以了解到学习后获得的波形完全不同，其中的第6个、第11个卷积核的形状（由上而下，从左到右）接近于正弦函数，并且周期非常大。所以，两个卷积核提取了被卷积区域的低频特征。从频域表达式中可以看出，卷积核频域的峰值在中频带占大部分，在低频带也存在一部分。由上可得，卷积核提取了中低频特性。从而可知，基层卷积核可以视为低通滤波器，这对于在嘈杂环境中诊断模型是非常有利的。另外，卷积核一次仅提取几个频域特征，并且提取位置相对集中。使用卷积核进行特征提取的方法与FFT 提取所有频带的特二者进行对比，前者更有针对性，更有效。