基于图像特征分析的大数据医疗——肝癌影像AI诊断

李 昕，岳 文，褚治广

基于图像特征分析的大数据医疗——肝癌影像AI诊断

李 昕1，岳 文2，褚治广1

（1.辽宁工业大学 工程训练中心，辽宁 锦州 121001；2.辽宁工业大学 电子与信息工程学院，辽宁 锦州 121001）

通过搜集包括健康志愿者和患者的病灶区的物理信息，对其进行大数据分析。利用虚拟MRI技术对样本进行数据的采集和成像，对于不同的序列和参数可生成大量的磁共振图像，对样本不同参数的参考可以极大地增广训练样本，利用汉宁窗等对诊断返回的声音信号进行处理，可得到具有参考价值的病灶特征。实验表明，该技术可以提前对潜在的危险信号进行反映，判断患者肿瘤的良恶性，以帮助医生更加高效地对肝癌患者进行筛查并且可以应对将会发生的风险。

原发性肝癌；人工智能；MRI技术；CT影像

在经济快速发展的缤纷生活下，现代生活给人们带来方便快捷的生活方式，但不健康的生活方式和食品给人体健康带来威胁。担当身体的排毒器官的肝脏首当其冲，吸烟酗酒、熬夜以及处于压力环境下对肝脏损害尤为严重，近年来，肝病的发病开始呈现年轻化[1-2]。

人工智能方法在医学处理方面的应用正在逐渐推广，早期学者将人工智能方法应用到肝脏医疗图像的检测中，但方法仍存在着一些不足，例如训练和测试的运算量过大；并且因为数据集不足，对于变异度较大的肝脏模型无法适用；此外，为了解决图像边界模糊的问题，虽然之前有学者[3]提出半自动分割法，但是，该方法仍然需要预先构建和后期的人工调整，消耗资源较多，本文的研究旨在对其做出改善。

1 设计思路及流程

1.1 数据集

为了更加准确地获取信息，实验采取的工作思路是先获得数据，因此要分别收集正常人和肝病患者的肝部的物理信息，并对容易患病的病灶区域重点观察，之后利用虚拟磁共振成像技术对正常人或者患者的病灶信息完成数据的采集和成像，若是过程中采用不同的成像序列以及参数，即可输出大量的磁共振图像[4]。因为这些图像的各类属性例如分辨率和信噪比，以及权重和值等的不同，可以对训练样本的种类和数量进行增广[5]。实现过程如图1所示。

图1 人工智能病灶识别的基本流程

1.2 基于奇异值分解的特征提取算法

针对之前研究结果的分析，为了使声音信号处理具有更好的实际效果，并且从多方面的角度进行考虑，结论是使用汉宁窗[6]可使效果达到最佳，因此利用汉宁窗对收集到的观察区信号进行处理[5]。定义的公式如式(1)：

1.3 奇异值分解算法研究

第二步：对实验数据做必要的记录。

并且计算：

2 设计关键点

2.1 组建磁共振成像扫描平台

实验依靠的虚拟扫描技术可依据经典二维快速傅立叶变换成像的原理，对病患和正常人的观察区域的声音信号进行采集，然后对磁共振信号进行K空间填充，以傅立叶变换作为桥梁得到MRI图像，再根据二维转换，得到一个四重积分数据[6]：

式(3)中，符号表示的是编码步数，符号表示编码的采样点数目；符号和符号表示空间参数的积分项，其中符号表示的是与频率方向一致的横轴样本信息，而表示的是与编码方向一致的纵轴样本信息；符号和表示时间的积分项，其中表示频率的时间，符号表示的是相位的时间；0表示观察区的磁化情况的矢量大小。最终若实现图像的重建，则只需要对式(3)中的进行变换即可。但是在实际的医用应用时会探查到很多受参数影响的不同信噪比的图像，因此为了获取有不同信噪比，并且可以区分的图像样本，需要在式(3)的信号上叠加程度不相同的噪声。

若要控制采集的序列互不相同，则需要将式(3)中的0项进行修改来实现。

(1)SE序列，即通常所说的自旋回波[7]，0的值为：

式(4)中，符号表示的实际含义是样本质子的密度，与初始数据的Pd信息对应；符号代表的意义是观察规定的放大倍数。

(2)GRE序列，即梯度回波序列[7]，这一序列类型的0有2类，分别是去除剩余磁化的及利用剩余磁化的，公式的表达分别为：

(3)IR序列，即反差恢复序列[7]，其0为：

各序列的参数不同，若对某种序列进一步完善以发挥最大准确率，则可以通过进一步增广数据集或者更改信号的幅度规律实现。在下面的实验和研究中，可以将非患者的肝部分割为灰质、白质2种组织类型，然后对于这2种不同的组织分别进行赋典型值作为测试的初始信息，所得的结果信息能够适应性地拓展到三维像素水平模板和一些细分组织，以及全身其他部位的扫描数据输入。另外软件的主要功能是可以获取初始样本观察区域的不同物理信息的数据。在开始之前可以依据实验需求，挑选二维或者三维2种模式，也可以更改程度不同的噪声条件，还有各种不同的扫描序列和各项参数的组合。例如T1WI_SE300/30_1 mmT，表示采用SE序列、=300 ms、=30 ms、1 mm厚度的横截面的T1权重图像。当观察二维样本时，可以根据需求选择对应模式，选择不同截面和不同的观察区的实验对照所需要的可调节的倾斜角度。当实际应用时，可对各类参数进行选择和设置，包括但不限于序列和结构参数，之后点击扫描即可显示所要查找的样本图像。除此之外，还可以对得到的图像进行一些便捷的处理，例如，图片组织的距离测量、图片的局部缩放、图片的平移和旋转，还有直方图的展示与均衡、颜色负片调节、电影浏览模式以及必要的标注功能。处理完毕后，图片的保存也是可选的，可依据菜单选项在不同的模式下(包括2D和3D)选择不同格式的图片保存，选择的方式是区别NII和DICOM，然后经过专业医生的层次处理，点击保存勾画痕迹即可保存，存入数据集，根据搭建的模型框架参与训练。

2.2 HOG特征提取算法

HOG即为方向梯度直方图，可以用来表示图像的物体特征，因此能够对这类物体进行检测识别[5]。首先对输入的图片进行预处理，然后计算像素点的梯度值，形成梯度直方图，对模块归一化后放到SVM中进行监督学习。

HOG特征提取方法就是将一个要检测的目标或者扫描窗口进行下列操作。

(1)图片灰度处理。

(2)对进行灰度化处理的数值进行归一化，便于下一步操作，其中可执行的包括去除噪点以及对比度的调整，局部的加深和增亮。

(3)计算图像各个像素点的梯度值，方便进行边界处理，识别边框，并且减少光照的影响。

(4)根据实际情况将图像分为易于处理的多个较小的模块。

(5)统计每个cell模块的梯度直方图，便可得到每个模块的描述符。

(6)把小模块几个分组组成1个大模块，1个大模块内的所有小模块特征的描述符联系起来，即可得到这个大模块的特征描述符。

(7)将整个图像内组成的大模块的HOG特征描述符联系起来，可以得到该图像整体的HOG特征描述符，整体的过程是一个从宏观分成微观，再反馈回宏观的过程。

3 实现效果

实验后最终的软件可以基于磁共振成像返回的图像，经过修改勾画和标注后传送作为训练集样本。并且根据应用中对不同情况的灵活选择(例如对不同序列和参数，以及成像模式)可以得到不同类型、不同权重和不同截面所对应的MRI图像，例如STIR、T2WI、DWI和T1WI等。图2和图3分别为正常人的肝部组织和癌变肝部组织，在同一断面是呈现的物理STIR图像。

图2 正常肝部组织图像

图3 癌变的肝部组织图像

对于不同肝脏疾病分类的情况如图4～图7。

图4 正常肝脏图像

图5 脂肪肝肝脏图像

图6 肝硬化肝脏图像

图7 肝癌肝脏图像

此外本程序也可应用在其他的医学领域，例如脑科、肺部等。根据操作者的选择和设置，不同情况下，即选择不同的序列参数时，相同的模型即便利用同样的序列也能够得到对比度不断变化的观察过程图像。这类训练所带来的智能化的效果可以增加不同设备互通的容错率，还可以弥补不同医生的操作习惯所产生的图像的差异。图8(a)是正常人脑SE序列的图像随参数变化(为10 ms，20 ～8 000 ms)，从T1WI到PDWI逐渐变化产生的短时内回归效果图；图8(b)是无病变大脑的SE序列图像随参数变化(为145 ms，从300 ms到10 500 ms)的T2WI变化效果图；图8(c)为正常人脑SE序列图像随参数变化(=100、200 ms，=5～145 ms)的图像效果变化图；图8(d)为正常人脑IR序列图像随参数变化(为500 ms，为30 ms，TI 10～2 000 ms)的变化效果图；图8(e)为正常人脑SE序列的水成像效果图。

4 结语

为准确获取病灶信息，采用虚拟MRI技术对样本数据进行采集和成像，给出了基于奇异值分解的特征提取算法。利用HOG特征提取算法，可有效地检测识别病灶特征。通过磁共振成像扫描平台上实验表明，该技术有助于判断患者肿瘤的良恶性。因此基于图像特征的AI肝癌诊断系统，可以在诊断时利用庞大的数据总结并识别出病患的特征，从而帮助医生提高诊断的准确度。

[1] 吕桂帅, 陈磊, 王红阳. 我国肝癌研究的现状与前景[J]. 生命科学, 2015, 27(3): 237-248.

[2] 吴巨海, 商雪林, 瞿炳刚. 低场磁共振对小肝癌和肝小血管瘤的诊断价值[J]. 中国医师进修杂志, 2006(35): 51, 61.

[3] Chartrand G, Cresson T, Chav R, et al. Liver segmentation on CT and MR using laplacian mesh optimization[J]. IEEE Trans Biomed Eng, 2017, 64(9): 2110-2121.

[4] 王凤霞. 原发性肝癌的外科治疗新进展[J]. 中国社区医师: 医学专业半月刊, 2009, 11(4): 9.

[5] Duncan J S, Ayache N. Medical image analysis: Process over two decades and the challenges ahead[J]. IEEE Trans PAMI, 2000, 22(1): 85-106.

[6] 杨文德, 谭世奇, 黄向明, 等. CT、MRI及超声对肝癌诊断的对比研究[J]. 临床消化病杂志, 2005(5): 24-25.

[7] 张家岗, 李达平, 杨晓东, 等. 基于深度卷积特征光流的形变医学图像配准算法[J]. 计算机应用, 2020, 40(6): 1799-1805.

Big Data Medical Treatment Based on Image Feature Analysis: Image AI Diagnosis of Liver Cancer

LI Xin1, YUE Wen2, CHU Zhi-guang1

（1.Engineering Training Center, Liaoning University of Technology, Jinzhou 121001, China;1.School of Electronics and Information Engineering, Liaoning University of Technology, Jinzhou 121001, China）

With the continuous improvement of living standards, people’s lives begin to become more diversified. But there are many health problems hidden in the beauty. For example, up to 2018, there are about 422000 deaths of primary liver cancer in China every year. The occurrence of this disease is related to drinking, viral hepatitis, food and drinking water, poisons and parasites, genetic factors and so on. There are often no obvious symptoms in the early stage, but once it develops to the late stage, it is in danger. So early diagnosis and treatment are the most effective methods. By collecting healthy volunteers and patients’ physical information of the lesion area, the big data analysis was carried out. The virtual MRI technology is used to collect and image the data of the samples. For different sequences and parameters, a large number of MRI images can be generated. The reference of different parameters of the samples can greatly enlarge the training samples. Then the Hanning window is used to process the sound signal returning from the diagnosis, and the lesion features with reference value can be obtained. Experiments show that the technology can respond to the potential danger signals in advance, judge the benign and malignant tumor of patients, so as to help doctors screen liver cancer patients more efficiently and deal with the risk that will occur.

primary liver cancer; artificial intelligence; MRI technology; CT image

10.15916/j.issn1674-3261.2021.06.009

TP311

A

1674-3261(2021)06-0392-04

2020-09-04

李昕(1966-)，男(满族)，辽宁锦州人，教授，博士。

责任编辑：孙 林