文摘
本研究旨在评估深learning-optimized胸部CT的诊断价值的肺癌患者。90名患者被诊断出患有肺癌的手术或穿刺在医院被选为研究对象。面具地区卷积神经网络(Mask-RCNN)模型是一个典型的端到端图像分割模型,和双路径网络(DPN)在结节检测。结果表明,DPN算法模型的准确性发现肺癌患者肺部病变为88.74%,肺癌的CT诊断的准确率为88.37%,敏感性为82.91%,特异性为87.43%。深上优于CT检查结合血清肿瘤检测、保理成Neurospecific烯醇酶(N S E)、细胞角蛋白19片段(CYFRA21)、癌胚抗原(CEA)和鳞状细胞癌(SCC)抗原,提高了准确性为97.94%,敏感性为98.12%,特异性为100%,所有显示显著差异( )。总之,这项研究提供了一个科学依据改善肺癌CT成像的诊断效率和理论支持后续的肺癌诊断和治疗。
1。介绍
证人的经济的快速发展,文化,和技术在中国社会,每一个中国人都有一个真正意义上的快乐。然而,社会发展与人类生活环境的改变通常发生,导致的变化在某种程度上不同的疾病的发生。的影响肺部疾病的发病率的变化是最重要的。多个肺病的发病率提高,特别是肺癌(1- - - - - -3]。在各种癌症疾病,肺癌的发病率和死亡率都在高水平逐年快速增长的趋势。2018年,其增长率是27%左右上升趋势(4]。肺癌在早期阶段,听不清,因为没有其他特定的临床表现。早期肺癌的主要表现是肺结节,可检测到其他考试。一些重要的症状(发热、咳血、和气短)显示,病人患有疾病的中产或高级阶段。对于这些患者的最佳治疗时间是错过了与预后不良(5,6]。因此,早期诊断和早期治疗的肺癌患者的预后具有重要意义。
目前,肺部疾病的主要检测方法是成像检测主要是通过计算机断层扫描(CT) (7]。基于x射线CT技术,广泛应用于临床实践。除此之外,它在考试中扮演着重要的角色,肺部疾病的诊断,尤其是在肺功能的检查。然而,CT显示疾病的诊断方法的缺点,这是主观因素对结果的影响医生的电影评论。此外,诊断结果的影响在某种程度上(8]。医生的主要观察点和思维模式与不同的工作经历都是不同的在复习相同的CT图像。因此,通常有不同的结果。此外,病人的数量的激增也在当代社会导致压力的增加医生的电影评论。
放射科医生已经确定的一些视觉生理特征,如病变大小、衰减,评估,和周围的囊性领空,区分良性或恶性病变。辐射特性可以定量地捕捉形状,尺寸,体积,和纹理的肿瘤或正常组织区域。它们可以与人工智能相结合形成一个预后的预测模型9,10]。
目前,胸部CT扫描所面临的挑战的癌症诊断两个方面。首先,必须开发一个系统对胸部CT诊断准确地从图像中提取表型特征。第二,系统必须确定哪些潜在的基因型和表型特征相关疾病行为在成千上万的表型,提供进一步帮助疾病的预后和临床治疗(11]。面具地区卷积神经网络(Mask-RCNN)算法模型是基于Faster-Regions卷积神经网络(Faster-RCNN)和结合检测和分类。研究表明,Mask-RCNN是最先进的深度学习模型和动态视频检测中具有良好的应用效果和分割12]。其他研究提出的自动分割效果Mask-RCNN算法有利于疾病的分类和识别(13]。双路径网络(DPN)是一个CNN,聚合的优点相结合残留变换(ResNeXt)功能重用和密度卷积网络(DenseNet)为探索新功能14,具有良好的应用效果在肺结节的自动检测。
最后,自动分割模型,文中针对Mask-RCNN算法采用过程肺癌的CT图像检测和检查肺癌患者的肺功能。此外,血清肿瘤检测是用来评估其识别对良性和恶性肿瘤的影响。模型的采用和评估提供科学、合理的研究基础上对提高肺癌患者的临床诊断和治疗水平。
2。材料和方法
2.1。研究对象
在这项研究中,45岁的患者通过手术或穿刺诊断为肺癌在医院在某些地区被选为观察组。在同一时期,45例肺良性病变患者定义为对照组。所有患者的CT和MRI扫描和血清肿瘤标志物检测,记录完整的临床诊断和成像数据。90例,54岁的男性病人,36岁女性患者。患者的平均年龄32至79不等 。病变的范围直径1.12 - 2.82厘米,平均直径 厘米。这项研究已经得到医院伦理委员会批准。患者和他们的家庭有一个全面了解的内容和方法研究和签署了相关的知情同意。
患者纳入研究基于以下标准。所有患者被诊断出患有肺癌基于肺癌的诊断标准;患者没有接受任何治疗前检查;患者签署知情同意表格;患者显示正常的精神状态和意识;患者对造影剂过敏;患者被排除在研究基于以下标准;病人的CT检测图片是不完整的;病人没有完成检查和研究经验。
2.2。CT检查
在研究中,16层螺旋CT扫描仪采用检测仪器。是全身低剂量CT扫描的扫描方法。扫描参数包括电压110千伏,电流90 mAs,厚度7毫米,层间距,和重建间隔是0.9毫米,0.801节,和准直 。扫描过程如下。患者取仰卧位,放置两个放松了对双方的武器。最大的层数的结节是动态增强,然后,是缩小范围。之后,89毫升的造影剂注射(速率为4.0毫升/ s,注入造影剂是ioversol(320球型/毫升))。
2.3。血清肿瘤标志物检测
2毫升的空腹静脉血是早上检测,实际上与肝素。然后,离心10分钟在3000 r / min,和血清分离测试。罗氏电化学发光分析仪和支持工具被用来检测neurospecificity烯醇酶(研究)、细胞角蛋白19片段(CYFRA21)、癌胚抗原(CEA)和鳞状细胞癌抗原(SCC),手术进行了严格按照指令或相关的操作程序。积极的标准如下: ng / mL, ng / mL, ng / mL, ng / mL。
2.4。CT图像分割基于Mask-RCNN算法模型
Mask-RCNN算法模型是基于Faster-RCNN算法,这是一个卷积神经网络模型可用于目标检测和图像分割(15]。结合目标检测和分割算法,它能有效地分割CT图像。与Faster-RCNN算法不同,Mask-RCNN算法取代了原来感兴趣的区域(ROI)池层有更好的ROI对齐层来提高图像在分割边界的准确性16]。新的网络模型的基础上,它使用一个完整的卷积图像分割网络,其结构如图1。
ROI的置换层实现了输入输出像素和像素之间的相互通信,有效地保留图像中包含的空间数据。在这个过程中,目标像素位置在原始CT图像可以由以下公式计算。
在方程(1)和(2),和指区域意见箱的像素坐标,和表示原始图像中的目标像素坐标,表示原始图像的宽度,意味着原始图像的高度,代表区域的宽度意见箱,是指区域意见箱的高度。
利用双线性插值方法计算每个单元的像素值采样点和最大池进行了计算,给出了方程(3下面)。
方程(3)包含四个坐标点的插入和的方向。
在这项研究中,损失函数是用来训练模型,其中包括边界框回归损失和目标分类损失。总体损失函数表示如下。
在方程(4),指的意思是二进制交叉熵的损失。
在方程(5),表示目标图像是指输出结果。
在这里,不同类型的目标产生不同类型的属性的面具避免那些相同类型的之间的相互影响。
2.5。基于三维CT检测
除了使用Mask-RCNN满卷积网络段肺CT图像,三维DPN基于深度学习还可以用于提取和检测肺部病变,因为它是说,在ImageNet DPN有很好的性能。因此,比较后,本文选择了DPN算法结构检测肺癌患者肺部病变。DPN算法有一个紧密相连的结构像DenseNet算法和应用残余学习像ResNet算法,所以DPN可以执行跨层有效学习和实现功能重用应用残余时学习。与此同时,它还可以减少冗余的使用参数通过一个特定的结构。在这项研究中,dual-link结构目标图像映射分为两部分,如图2。dual-link链接表示如下。
在哪里用于描述dual-link结构两部分的比例,是输出图像映射的结构,代表了卷积的层。
2.6。统计方法
SPSS19.0统计软件是用于数据处理。测量数据所表达的 ( )。统计数据被表示为一个百分比(%)测试采用。 显示显著差异。
3所示。结果
3.1。图像分割结果基于Mask-RCNN算法模型
的研究,高度灵活和便携式TensorFlow框架采用建立Mask-RCNN算法模型。CT检查图像的研究对象是利用图像数据的训练。此外,随机梯度下降法(SGD)培训网络是利用迭代次(时代),动力,学习速率,批量大小,和体重400衰变,0.78,0.000098,3.5,和0.000098,分别。结果表明,损失函数360次迭代后聚合。结果显示,400年采用迭代模型段的CT图像,图中演示了分割效果3。
在图3,红框位置的标记的肺实质Mask-RCNN算法,和黄色虚线代表肺实质的自动分割Mask-RCNN算法。基于上述结果,Mask-RCNN算法可以采用部分肺实质。在边界,然而,有轻微的错误,建议Mask-CNN算法无法准确识别图像的边界,但它可以段CT图像。
3.2。比较的结果基于三维DPN肺损伤的检测算法
CT图像数据用于研究都是医学图像数据选择的科目。肺部CT图像包含每个肺部病变,病变的位置和形状有差异。所有样本随机分成训练集和验证集1:1的比例。DPN算法模型的训练参数容量为5.29 MB。算法与其他算法相比,DPN模型只用四分之一的参数能力(迭代次数(时代),动力,学习速率,批量大小,和体重衰变400,0.78,0.000098,3.5,和0.000098,分别)。此外,肺癌患者的肺损伤的检测精度达到了88.74%。图4演示了DPN算法的检测效果模型肺结节的CT图像。
3.3。CT诊断的影响基于深度学习和血清肿瘤标记物
病人在观察组和对照组比较四指标分析了无,CYFRA21, CEA和鳞状细胞癌。如图5观察组有更高的分析了无CYFRA21,东航,比对照组和SCC值, 。
随后,患者的CT检查和血清肿瘤标志物检测。结果表明,肺癌的CT诊断的准确率达到88.37%,敏感性为82.91%,特异性为87.43%,而血清肿瘤标记物的准确性对肺癌的诊断为87.34%,敏感性为81.44%,特异性为86.97%。结合CT检测的准确性基于深度学习与血清肿瘤标记物在一定程度上提高,达到97.94%,和敏感度达到98.12%,特异性为100%,所有的高与前面提到的两种方法( ),如图6。
与此同时,病人被MRI诊断。诊断准确率为84.38%,诊断敏感性为66.66%,和整体诊断特异性为76.78%。如图7CT扫描的准确性基于深度学习诊断肺结节高于磁共振成像,和差异显著( )。
4所示。讨论
根据数据分析,肺部疾病的发病率和死亡率,尤其是肺癌,都成为临床上不可忽视的关键问题。2018年,死亡人数肺癌患者约占全球总死亡人数的18% (17,18]。与其他疾病相比,肺癌的死亡率更高。一般来说,肺癌的有效的治疗取决于疾病的准确检测和早期预防和治疗。有效和准确诊断方法可以大大降低肺癌的死亡率。当前的临床诊断肺癌通常可以通过以下七个技术进行的,比如胸片(CXR), CT扫描,核磁共振,正电子发射断层扫描术(PET),痰细胞学和呼吸分析(19,20.]。所有可用的肺癌检测技术使用不同的标记。这些方法都有优点和局限性。例如,CXR和CT辐射剂量的低,但MRI和PET在检测和诊断肺结节(有一定的限制21,22]。早期肺癌的一个重要特性,快速和有效的肺结节的诊断可以有效改善肺部疾病患者的存活率。
此外,还可以诊断的肺癌血清肿瘤标记物结合成像方法(23,24]。肿瘤标志物是指物质是典型存在于恶性肿瘤细胞或异常产生的恶性肿瘤细胞或由主机产生针对肿瘤刺激,可反映肿瘤的发生和发展并监控肿瘤对治疗的反应。肿瘤标记物存在于组织、体液、排泄物的肿瘤患者,可以检测到免疫,生物和化学方法。在这项研究中,肺癌的CT诊断的准确率为88.37%,敏感性为82.91%,特异性为87.43%。的准确性血清肿瘤标记物在肺癌的诊断为87.34%,敏感性为81.44%,特异性为86.97%。结合CT的准确性基于深度学习和血清肿瘤标记物在一定程度上提高了精度,达到了97.94%,灵敏度达到98.12%,特异性为100%。
目前,最有效的技术来检测肺癌临床CT成像,可以表达详细信息肺结节的位置和大小。在癌症的早期阶段,低剂量CT筛查可以有效地发现肺部肿瘤。与传统摄影技术相比,它可以减少肺癌患者的死亡率20.0%,和积极的筛查率显著提高(25]。当小结节,在诊断其他检查方法有局限性,而CT可以有效地诊断病人。大多数肺小结节,直径约3毫米。放射科医生可以根据CT分类结节恶性和良性。这涉及到一个3 d的详细检查肺体素通过分割成多个二维切片(26,27]。因为CT包含大量的信息,必须更精确的分析为了把结节恶性和良性的。通常,人为错误的可能性的分析和诊断肺结节的CT图像会影响检测结果(28]。因此,自动和智能诊断的肺癌是很重要的。模型参数能力的训练DPN算法模型是5.29 MB。DPN算法与其他算法模型相比,模型只使用大约四分之一的参数的能力。根据实验结果,DPN算法模型的准确率为88.74%的检测在肺癌患者的肺部病变。作为放射科医生的一种辅助方法,深度学习用于优化CT成像精确检测和恶性肿瘤进行分类,这是一种有效的方法,已逐渐应用于临床实践。此外,Mask-RCNN利用段肺CT图像分割算法的研究。结果表明,Mask-RCNN分割算法不能准确识别图像的边界,但它可以段CT图像,符合研究结果由Zhang et al。29日]。一致性的研究结果提供了一些支持。
5。结论
在这项研究中,Mask-RCNN和DPN算法结合段肺癌患者的CT图像,和优化肺结节的CT图像进行了分析和研究。结果表明,Mask-RCNN结合DPN算法演示更好的肺实质分割效果比Mask-RCNN或独自DPN CT图像,可有效改善肺癌CT图像的诊断效率,从而提高诊断精度和检测效率肺癌的CT图像。然而,在研究中应该注意的一些限制。样本量小,这将减少该研究的力量。在后续,扩大样本容量是必要的加强这个研究的发现。目前,只有肺结节的自动检测和标签可以实现,但肺部病变的性质不能区分,所以仍然需要人工诊断。总之,人工智能算法的组合和医学成像技术具有广泛的临床应用前景,值得临床推广。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。