512层螺旋CT薄层扫描结合计算机人工神经网络对小肠病变的诊断价值研究.doc

512层螺旋CT薄层扫描结合计算机人工神经网络对小肠病变的诊断价值研究

近年,小肠癌发病率明显上升,早期检测并采取有效的治疗措施,可有效提高存活率,避免病情继续恶化。但小肠结构迂曲复杂、活动度大、长度大,难以通过常规检查手段有效检测病灶,同时小肠病变多具有隐匿性特点,临床症状无明显的特异性,因此小肠病变的诊断一直是一大难题[1]。目前,在小肠病变辅助检测中,常用的有气钡双重造影、CT影像、MRI、灌肠造影、胶囊内镜、双气囊内镜造影几种检查方法,但这些检查方式诊断价值有限或因有创性而存在一定的局限性[2]。相较而言,小肠CT造影技术具有成像速度快、分辨率高的优势,在小肠血管性病变、炎性病变、小肠肿瘤、不明原因消化道出血等病变诊断方面都有较高的价值[3-4]。但小肠CT造影技术主要获取扫描影像,依赖于医师对影像的解读能力,主观性较强,易造成误诊、漏诊现象[5]。大量人工智能技术在图像识别方面的研究应用显示,利用人工智能技术能准确地提取图像特征,找出图像的特异性[6-8]。为此,本研究以512层螺旋薄层扫描小肠CT图像和病理报告为基础,基于卷积神经网络ResNet101[9]、目标检测算法模型(FasterR-CNN)[10]结合长短期记忆网络(LSTM)[11]构建小肠图像特征,提取描述循环迭代模型(以下简称RF-LSTM),通过模型输出小肠病变图像特征信息和病变类型,为医师诊断提供更为客观的特征数据,以提高小肠疾病诊断的准确性。

1材料与方法

1.1材料及设备筛选我院2020年1月—2022年1月行512层螺旋CT薄层扫描重建图像及相应的病理诊断报告共计1572套,每套材料包括CT平扫、动脉期、静脉期、延迟期轴位和冠位图像及病理报告,主要包含了出血、糜烂、溃疡、炎性息肉、腺瘤性息肉、脂肪瘤、腺癌、间质瘤、淋巴瘤等病变类型,部分病例存在多种病变。按7∶3比例随机分为训练组和测试组,具体见表1。纳入标准:(1)图像显示清晰,结构显示清晰;(2)图像上无标线、标注等非原始扫描图像记号;(3)病例均经过病理诊断,图像有相应的病理报告;(4)每套图像中,CT平扫、动脉期、静脉期、延迟期轴位、冠位图像均完整。

表1样本材料病变类型及数量

本研究中,所收集的病例图像均在我院由GE公司Revolution256排512层螺旋CT行小肠薄层CT扫描。图像经MPR、MIP进行后处理重建图像,重建层厚1～1.5mm,重建间隔0.6～1mm。采用Python编程语言编程构建模型,采用Pytorch深度学习框架。

1.2数据预处理及增强本研究中所收集的图像资料为CT重建图像,其尺寸较大,而ResNet101模型的输入尺寸为224×224,因此需要对原始图像资料进行压缩处理,统一压缩至224×224。对病理报告进行处理,并由4位医师盲读图像补充描述性标签,通过分词建立规整且符合模型输入要求的语料,主要包括病变类型、肠壁状态、平扫CT值、增强CT值、肠管壁密度特征、肠管周围脂肪间隙CT值、肠壁黏膜完整性、病灶形态、边缘特征、积液、系膜特征。测试样本图像诊断后,收集影像特征医师判断错误结果汇总数据,用以检验模型图像识别能力。

对训练组的样本数据进行增广处理,采用几何变换的方法来增加样本的多样性。具体方法为对训练组图像进行小比例缩小和放大、对图像进行一定裁剪,对图像进行旋转,使训练组样本量增加6倍,训练样本数据增广至8648例,共计87942张CT图像。

1.3模型构建本研究中构建的RF-LSTM模型,包括编码器和解码器两个模块,编码器负责图像特征的提取,解码器负责将提取出的图像特征翻译为病变信息,搭建一个encoder-decoder的端对端图像描述神经网络模型。编码器采用卷积神经网络ResNet101和目标检测算法FasterR-CNN构建,图像输入后首先通过ResNet101提取图像特征(ROI),采用FasterR-CNN来结合ResNet101提取的图像特征探索疑似病变区域,提取疑似病变区特征,再将ResNet101提取的图像特征与FasterR-CNN提取的疑似病变区图像特征进行特征融合,将融合后的新特征转换为特征向量输入解码器;解码器采用长短期记忆网络模型LSTM作为语言模型,根据编码器提取的图像特征生成文字解释词汇,经过反复迭代后直至产生完整的描述,输出病变特征的语言描述,模型结构见图1。

图1模型结构图

1.4图像特征提取方法图像特征的提取采用ResNet101模型结合FasterR-CNN提取图像特征的方法。首先,使用ResNet101模型对输入的CT图像进行卷积和池化,根据病变类型和病变复合状态组建17分类网络,epochs=200,batch_size=16,drop_out=0.1