文摘

在慢性乙型肝炎肝纤维化的病理修复反应肝脏慢性损伤,这是发展的一个关键步骤各种慢性肝脏疾病,肝硬化和慢性肝脏疾病影响预后的一个重要环节。在慢性乙型肝炎肝纤维化的进一步发展会导致肝小叶结构紊乱,肝细胞结节状再生,形成pseudolobular结构,即肝硬化,肝功能异常的临床表现和门静脉高压。到目前为止,在慢性乙型肝炎肝纤维化的诊断已经手动医生。然而,这是非常主观的,无聊的医生。医生很可能是由外部因素干扰,如疲劳和睡眠不足。提出了一种五深卷积神经网络结构的自动分类在慢性乙型肝炎肝纤维化五深卷积神经网络结构,有三两个完全连接层,层和卷积和每个卷积层是连接池层。123收集ADC图像,以下结果:精度、灵敏度、特异性、精度、F1、MCC和FMI 88.13%±1.47%, 81.45%±3.69%, 91.12%±1.72%, 80.49%±2.94%, 80.90%±2.39%, 72.36%±3.39%,分别和80.94%±2.37%。

1。介绍

在慢性乙型肝炎肝纤维化是由于细胞外基质蛋白的过度积累,包括胶原蛋白,这发生在大多数类型的慢性肝脏疾病(1]。在慢性乙型肝炎肝纤维化的病理修复反应肝脏慢性损伤,这是发展的一个关键步骤各种慢性肝脏疾病,肝硬化和慢性肝脏疾病影响预后的一个至关重要的环节。在慢性乙型肝炎肝纤维化的进一步发展会导致肝小叶结构紊乱,肝细胞结节状再生,形成pseudolobular结构,即肝硬化,肝功能异常的临床表现和门静脉高压。肝纤维化是组织学检查可逆的,肝硬化是难以扭转,但在一些情况下可以扭转。

到目前为止,有三种主要的方法来诊断肝纤维化在慢性肝炎B。第一个是成像在慢性乙型肝炎肝纤维化的诊断2]:肝纤维化的一些迹象可以发现通过b超、MRI,螺旋CT,彩色多普勒诊断,如不规则或结节状肝轮廓,肝实质的变化信号,不规则或结节状的形状,增加脾脏厚度、扩大门静脉、脾静脉。然而,这些有影响力的诊断不能明确诊断肝纤维化和肝纤维化程度,所以经常在诊所作为辅助诊断指标。第二个是在慢性乙型肝炎肝纤维化的病理诊断(3]:clinical-pathological诊断肝纤维化不仅可以诊断肝纤维化也了解肝纤维化的发展程度和潜在的肝损伤。第三是在慢性乙型肝炎肝纤维化的诊断血清指标(4]:血清指数是最广泛的研究方法在慢性乙型肝炎肝纤维化的诊断有透明质酸,III型胶原,para-type胶原蛋白、层粘连蛋白在肝纤维化诊断的慢性肝炎B通过检测的测量和判断价值,这是很有价值的在慢性乙型肝炎肝纤维化的诊断和测量的程度在慢性肝炎肝纤维B .然而,血清学指标并不完全对应于在慢性乙型肝炎肝纤维化的病理变化,所以要注意分化诊断。

在慢性乙型肝炎肝纤维化的诊断是由医生手动进行。然而,这是非常主观的,无聊的医生。医生很可能是由外部因素干扰,如疲劳、睡眠不足等。与人工智能和计算机视觉的不断发展,计算机技术已经应用到各个领域,如医学图像的分析5]。苏et al。6CNN)用于诊断医学图像。金等。7)利用去噪CNN (DnCNN)方法使用常规剂量和训练网络图像地面实况和低剂量的图像作为输入。李等人。8)提出了一个FCN模型类似于u-net结构回归奥图像CT图像。李等人。9介绍基于区域)提出了一种新的卷积神经网络多任务预测框架使用一个上皮网络标题和分层网络标题。陈等人。10CNN)提出了一种新的体系结构,称为密集res-induction网络(DRINET),提高卷积层学习医学图像的特点。顾et al。11)提出了一个综合引起CNN (CA-Net)更准确,可辩解的医学图像分割,意识到最重要的空间位置、通道和尺度在同一时间。肖et al。12]提出了一种多尺度接受域卷积神经网络(MRF-CNN)分割肝脏门户地区的苏木精和伊红())染色整个幻灯片图片(WSIs)。Yu et al。13)提出了一种新的肝纤维化检测算法基于超声波回波振幅分析和深度学习分类正常和纤维化组织计算机模拟数据。Reddy et al。14)提出了一个新颖的CAD框架使用卷积神经网络和传输学习(pretrained VGG-16模型)。

提出了一种五深卷积神经网络结构的自动分类在慢性乙型肝炎肝纤维化本文的主要创新和贡献如下:(我)我们提出了一个自动分类方法在慢性乙型肝炎肝纤维化(2)我们使用批处理标准化制作模型训练更稳定,避免梯度爆炸

本文的剩余结构如下:部分2介绍了材料、分类、方法和CNN结构给出了部分3,部分4主要讨论了实验结果,部分5结论,本文的不足和未来的研究方向。

2。材料

总共有123 ADC图像收集从当地医院的全部知识和同意的病人。所有收集到的ADC图像被分成阶段F0,F1,F2,F3,F4根据METAVIR方法在国际上的使用,如图1。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图1
ADC图像。(一)F0。(b)F1。(c)F2。(d)F3所示。(e)F4所示。

123例慢性乙型肝炎患者的ADC图像分成F0 -F4,其中F0有12个病人ADC图像,F1有26个病人ADC图像,F2有20个病人ADC图像,F3有26个病人ADC图像F4有39个病人ADC图像,如表所示1。有经验的医生确认好所有ADC图像的识别和分类。本文利用二元分类方法,F0和F1作为一个积极的团体F2,F3,F4作为一个负面的群体。

表1
人口在慢性乙型肝炎肝纤维化。

3所示。方法

本文主要提出了一种五深卷积神经网络结构在慢性乙型肝炎肝纤维化的自动分类神经网络提出以来,它已经被优化和深化研究[5]。在2012年ImageNet大规模视觉识别的挑战(ILSVRC), AlexNet [15赢得冠军。两年后,GoogLeNet [16)赢得了ILSVRC。2014年,研究人员开发出一种新的深卷积神经网络结构:VGG [17]。拟议中的五深卷积神经网络结构是由输入层、三层卷积,三池层,两个完全连接层和输出层,如图2。


图2
我们的模型的流程图。
3.1。卷积

卷积层是一个重要的部分深卷积神经网络(DCNN)。DCNN,卷积层实现了二维卷积的3 d输入和三维滤波器,由于通道输入和过滤器都是相同的(18]。卷积层有三个主要特点。首先,卷积的参数层是由一组可学的过滤器。每个过滤器是小空间(宽度和高度),但深度与输入数据是一致的。第二,它可以被视为一个神经元的输出。神经元只观察的一小部分输入数据和共享参数与所有神经元的左右空间。第三,卷积层可以减少参数的数量。因为卷积的特点“体重共享,它可以降低计算成本,防止过度拟合由于太多的参数。

在DCNN卷积层过滤器的工作原理为卷积操作扫描输入提取特征(19]。它的具体操作是过滤器扫描输入从左到右和从上到下(找到相同的滤波器的输入部分),然后乘以输入和过滤器,然后,总结得到的输出。

如图3,输入矩阵大小是4×4,滤波器矩阵大小3×3,和输出矩阵的大小是2×2。我们假设有一个输入大小 ×Hk×Dk。 输入的宽度,Hk输入的高度,Dk是输入的深度。 ×Fh×Fd。 滤波器的宽度,Fh过滤器的高度,Fd过滤器的深度。过滤器的数量通常是不确定的。研究人员通常由经验确定过滤器的数量。输出计算如下:


图3
卷积操作。

在上述公式,输出的大小Wk+ 1×Hk+ 1×Dk+ 1,B代表了填充,问代表了步伐米表示数量的过滤器。卷积的流程图如图4。


图4
卷积层流程图。
3.2。池

后池层通常是添加一个或多个卷积层深的卷积神经网络。池层操作不需要特定的内核。池层有两个优势:(i)帮助获得翻译和不变性(ii)减少计算的维数减少(20.]。两个池层是常用的:马克斯池和平均池。

图5(一个)表明这个马克斯池选择池地区内的最大值。汇聚层的宽度和高度将减少一半2的步伐。的输出大小池操作2×2的矩阵,而输入的大小是一个矩阵4×4。池操作使输入的维数大大规模小。

(一)
(一)
(b)
(b)
图5
汇聚层。(一)马克斯池。(b)平均池。

如图5 (b),平均池的工作原理类似于最大池,但平均值取代了最大值。

假设一个矩形区域 是给定的,我的行数和吗j列的数量。马克斯池公式如下: 在哪里 代表矩形区域的输出值 操作的最大池和 代表的元素( )在矩形区域 。

池(美联社)平均公式如下: 在哪里 代表矩形区域的输出值 操作的平均池、 代表的元素( )在矩形区域 ,和 代表在矩形区域的元素数量 。

3.3。批正常化

为广大神经训练模型、数据标准化已经能够完成培训。然而,随着层数的增加,在每一层的更新参数,结果更接近输出层将发生巨大变化。它是具有挑战性的训练深卷积神经网络有效(21]。在模型训练、批正常化(BN)使用的平均值和标准偏差小批量调整神经网络的中间输出连续(22)这中间的值输出整个神经网络的每一层更稳定。

首先,批处理 是设置为 在哪里 批处理的元素数量 。

然后,批处理的平均值 计算如下:

方差计算如下:

均值和方差计算后,进行标准化计算:

是一个非常小的常数,保证分母大于0。基于上述标准化、两个模型参数(尺度参数 和改变参数 )引入批归一化层的输出:

3.4。线性整流函数

激活的操作功能是激活神经元的神经网络和传输激活下一层的神经网络的信息。神经网络可以解决非线性问题,因为激活函数增加了非线性因素,这使得线性模型的表达能力,保留和地图的“激活神经元的特征”下一层通过功能。在本文中,我们使用ReLU函数,如图6。


图6
线性整流函数（Rectified Linear Unit）

从图可以看出6ReLU很难饱和时 。当 ,ReLU可以保持梯度不变。公式如下:

从图6和公式(9),我们可以看到ReLU激活函数有几个优点:(i)的反向传播,ReLU可以避免梯度消失的问题,(2)ReLU使得一些神经元的输出为零,从而导致网络的稀疏,减少参数的相互依存,并减轻过度拟合问题,和(3)相对于其他激活功能,例如双曲正切和乙状结肠,ReLU计算非常简单。

3.5。DCNN结构

本文提出五深卷积神经网络结构是由三个卷积层和两个完全连接层,如表所示2。每一个卷积层是连接池层。每个卷积层有不同的卷积核的数量。第一层卷积32卷积核,第二有64卷积核,第三有96卷积核。卷积核的卷积层3×3。三次卷积和池计算后,参数是24576。第一个完全连接的参数层第二层是24576×300。第二个完全连接层的输出是300×2。流程图的DCNN结构如图7。

表2
DCNN结构。

图7
DCNN流程图。
3.6。措施

我们用10倍交叉验证评估模型。我们设置 ,和混淆矩阵设置 在哪里 的混淆矩阵 - - - - - -运行, 代表的真正积极的 - - - - - -运行, 代表的假阴性 - - - - - -运行, 代表的假阳性 - - - - - -th运行和 代表真正的负面 - - - - - -运行。

我们可以定义的措施 在哪里 方法的准确性, 意味着精度, 意味着特异性, 意味着敏感性, 意味着F1, 意味着MCC, 意味着FMI。

我们计算均值 和标准偏差 所有的措施 :

中华民国(接受者操作特征)曲线:ROC曲线上的每个点反映了相同的信号刺激的敏感性,如图8。


图8
ROC曲线。

AUC(曲线下的面积):ROC曲线下的面积在0.1和1之间。AUC数值可以直接评价分类器的质量。AUC值是一个概率值。AUC值越大越好当前分类算法分类。

3.7。统计数据

10倍交叉验证用于评估拟议的结构,如图9。数据集分为十个部分,九是作为训练数据和测试数据。每个测试得到相应的正确的速度(或误码率)。十组数据获得10倍交叉验证。十组的平均值作为评估值。减少单一部门造成的应急训练集和测试集,现有的数据集用于多次分区。交叉验证是用来减少应急和提高泛化能力。


图9
一个10倍交叉验证的例子。

4所示。实验

10倍交叉验证的结果表3。在十组数据,第九组的敏感性最高(86.84),和第十组的敏感性最低(73.68)。第十组的特异性最高(95.33),和第一组特异性的最低(88.24)。最高的精度是83.58十组,第一组最低为75.00。最高的精度在第九组(90.65),和最低(85.37)精度是在第一组。的最大价值F1是85.16在第九组,第一组的最小值为92.98。第九组的最大MCC值为78.37,并在第一组最低为66.27。第九组的最大FMI值为85.18,并在第一组最低为76.95。

表3
实验结果。

从表中可以得出,第九组的数据是最好的在十组。第一组数据是最糟糕的,每个数据在第一组最低的十组。

我们介绍了AUC节曲线及其影响3.6。一般来说,当AUC = 1,这是一个完美的分类器;当AUC[0.85, 0.95],分类器很好;当AUC[0.7, 0.85],分类器一般;当AUC[0.5, 0.7],分类器是坏的,AUC是0.5时,该模型没有预测价值;当AUC < 0.5,分类器比随机猜测。如图8水平轴:假阳性率(玻璃钢)和垂直轴:真阳性率(TPR)。AUC值是0.9042,这证明了我们的方法是高度准确的。

5。结论

提出了一种五深卷积神经网络结构的自动分类在慢性乙型肝炎肝纤维化我们使用10倍交叉验证评估拟议中的五深卷积神经网络结构,获得以下结果:精度、灵敏度、特异性、精度、F1、MCC和FMI 88.13%±1.47% 81.45%±3.69%, 91.12%±1.72%, 80.49%±2.94%, 80.90%±2.39%, 72.36%±3.39%,分别和80.94%±2.37%。

本研究的局限性:(i)的训练数据集相对较小。案件数量的增加和培训数量的增加,系统的性能将会获得更高的精度;(2)在本研究收集的数据来自同一家医院。我们计划去收集其他MRI检查不同中心评估测试的效率;(3)我们没有比较DCNN结构和不同数量的卷积和完全连接层;及(iv)我们没有与其他方法进行比较。

在未来的研究中,(我)我们将收集更多的来自不同数据源的数据;(2)在接下来的论文中,我们将做一个比较测试DCNN结构得到最好的DCNN结构。

数据可用性

研究数据用于支持本研究的发现是局限于保护病人的隐私。

信息披露

Ziquan朱镕基和Daoyan Lv应当被视为co-first作者。

的利益冲突

没有关于这篇文章的出版的利益冲突。

作者的贡献

Ziquan朱镕基和Daoyan Lv同样起到了推波助澜的作用。

确认

这项工作得到了中国公共卫生联盟项目(GWLM202016);“六十一项目”于2020年在江苏省高层次卫生人才(LGY2020059)。