应用机器学习模型的CT图像自动判读技术研究

来源：核心期刊咨询网时间：12

摘要：摘 要：近年來，应用机器学习模型与技术的医学影像分析方法开始得到应用，其能够用于辅助医生决策或者解决临床实践中的棘手问题，因而具有较大的研究与应用价值。文章旨在研究如何针对医学图像中常见的CT图像进行智能的自动判读技术，通过使用计算机技术提取

　　摘 要：近年來，应用机器学习模型与技术的医学影像分析方法开始得到应用，其能够用于辅助医生决策或者解决临床实践中的棘手问题，因而具有较大的研究与应用价值。文章旨在研究如何针对医学图像中常见的CT图像进行智能的自动判读技术，通过使用计算机技术提取出相关的特征，再依据提取的特征建立机器学习的模型进行判断，提高判断精准度，从而辅助医生进行更好的诊断。

　　关键词：机器学习;大数据;CT图像;辅助诊断;人工智能

　　医学影像在医学诊断中具有无可替代的重要作用，其包含了大量人眼无法识别的信息，对准确识别相关疾病的具体情况，进行准确的医学诊断乃至确定具体的医疗策略，都能够提供比较客观可信的依据。

　　近年来，随着图像处理与人工智能技术的发展[1]，应用基于医学影像大数据的分析方法来辅助医生决策或者解决临床实践中的棘手问题成为研究热点[2]。传统的CT影像判读主要是依靠医生的经验判断，不仅费时且费力。因此，研究一种智能分析识别CT图像具体情况，并进行智能分类判别的技术是十分必要的。

　　1 机器学习模型

　　机器学习(Machine Learning)[3]是计算机科学的一个重要分支，其总体目标是，通过科学系统化的算法流程与模型，将目标数据中的有用的特定模式发现出来，并将之应用于自动化智能化的任务。具体来说，机器学习研究的主要内容，是通过设计学习算法，以从数据中产生适用于解决具体任务的“模型”。以CT图像判别为例，应用机器学习的目的是用于对具体的图像数据进行智能的判断，识别对应的CT图像是否存在异常，这个过程由最终的机器学习模型自动确定。

　　在CT图像数据的机器学习建模过程中，在对图片特征提取后，本文可根据标注样本的类别，分类为阳性和阴性，并采用多种分类方法进行判别。具体的方法可运用基于随机森林(Random Forest)[4]的分类方法、基于朴素贝叶斯的分类方法等。可首先采用随机森林算法对图片的特征进行训练，并使用不同的特征进行多次训练，最后获得多个相关性较强的特征，并使用10次交叉验证等方法来确定最终的模型。基于朴素贝叶斯的分类过程也类似。

　　2 CT图像分割

　　一般来说，应用机器学习进行CT图像分割的方法，可以从目前比较成熟的方法中进行借鉴。目前机器学习中的深度学习方法在分割中能够达到较好的效果。本文选用基于全卷积神经网络(简称FCN)框架的方法，特别地，可选择具体的U-Net卷积神经网络方法进行解决。

　　通常卷积神经网络(简称CNN)在卷积层之后会连接若干个全连接层， 从而将卷积层产生的特征图映射成固定长度的特征向量，以便进一步获得分类结果。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述(概率)。

　　相比之下，全卷积神经网络对CT图像进行分类更有优势，其能够实现比较自然的像素级的分类，由此实现图像分割任务。与卷积神经网络不同，全卷积神经网络可接受任意尺寸的CT图像作为输入，并在最后一个卷积层采用反卷积层操作进行上采样， 对其图像大小进行恢复，再在此基础上对每个像素都进行分类预测， 也即实现逐像素的分类。

　　基于全卷积神经网络的算法较多，本文选择U-Net方法。具体来说，U-Net共有23个卷积层，大致的模型结构是，其包含多个2x2、3x3卷积层，多个max pooling层，同时包含扩展路径与收缩路径，用于分别实现下采样与上采样，并通过剪裁等操作保持图像边缘。最后，模型包含一个1x1卷积层，从而用来将维度为64维的特征向量映射到某一个具体的类别判定标签。

　　3 分类判别方法

　　本文将选择朴素贝叶斯算法与随机森林算法，对提取了CT图像特征的数据进行分类模型的构建。

　　朴素贝叶斯分类算法是一类具有广泛应用的成熟算法。

　　推荐阅读：《模式识别与人工智能》是由中国自动化学会和国家智能计算机研究开发中心共同主办、中国科学院合肥智能机械研究所承办的学术性期刊。

转载请注明来自：http://www.qikan2017.com/lunwen/dzi/18524.html