卷积神经网络在生物医学图像上的应用进展(3)
特殊卷积操作可以在确保模型准确率的情况下降低计算量,主要方法有卷积分组和拆分。卷积的分组是将输入通道分为不同的组,每一个输出通道只与某一个组的输入通道相关。而卷积拆分则通过将k×k大小的卷积操作拆分成1×k和k×1 的卷积操作,以此来降低计算量,同时由于该操作加深了模型深度,也能够增加模型的表达能力。
1.3 CNN模型的应用设计
CNN模型能够自动从数据中抽象特征来实现特定任务,因此模型结构具有很强的通用性,所以可用任务的数据直接训练常用CNN模型。如分类任务中常用的VGG、ResNet、Inception系列等,检测任务中的Faster RCNN[21]、YOLO 系列[22],分割任务中的FCN、U-Net、Seg-Net等。
分阶段任务处理通常能帮助模型取得更好得结果。通常分为预处理、CNN模型预测、后处理阶段。预处理是对任务原始数据进行操作,能够规范化数据、去除噪声等,即可采用传统图像处理方法,也可以使用CNN 模型实现。如在新冠肺炎检测中[23],可以通过UNet进行预处理获得肺部区域,再使用ResNet模型进行区分肺炎类别。后处理结合任务特点,使用特点规则对CNN模型输出的进行转化或者进一步改善。
常用的CNN模型不能直接应用到三维数据上。三维卷积和多视图方法被提出用于处理三维数据。三维卷积核对二维卷积核进行改进,增加了表示深度的维度,实现对三维数据进行卷积操作。可以用于解决三维医学影像,如CT、MR影像等的分类、分割等问题。三维卷积存在计算耗费量大的问题。多视图是指利用三维数据的多个不同方向的切面作为输入,使得模型能够获得数据三维上下文信息来完成任务。由于不需要整个三维数据的输入大大降低了计算量。
多模态输入是CNN模型在医学图像分析应用中常用的方法,不同的模态能够为模型提供不同的信息,例如脑部病变在T1 加强模态和T2 加强模态的MRI 图像中表现是不同的。
CNN模型可以通过迁移学习和数据增强技术解决数据不足的问题。迁移学习是一种知识共享技术,是将已经预训练好的模型中的部分知识迁移到一个未经训练的模型上,通过固定模型特定层的参数,通常为模型浅层,再通过训练微调部分层参数,实现利用小规模数据集构建新模型的设计。预训练好的模型的浅层通常已经具备一定的提取通用图像特征(如边缘、纹理、形状等)的能力,通过直接将这些知识引入到模型中,可以有效地减少新模型训练所需要的数据量和降低计算的复杂度。数据增强是丰富图像训练数据集最常用的技术,常采用的方法有旋转变换、水平与垂直翻转、弹性变形、比例缩放、对比度变换、噪声扰动、颜色变换等。通过使用数据增强产生的数据可以帮助网络模型更好地提取图像特征,防止模型过拟合。
CNN 模型应用及设计发展迅速,针对不同任务选择合适的设计方法可以极大的提高模型的性能。
1.4 CNN模型性能的评估方法
分类是图像处理中最基础的任务,其评价指标主要有准确率、精确率、召回率,F1-Score、混淆矩阵、ROC曲线与AUC 等。准确率表示所有样本中正确分类的概率。精确率针对的是预测结果,表示真值为正的样例在预测为正的样本中所占的比例。召回率针对的是实际样本,表示预测为正的样例在真值为正的样本所占的比例。如果想要同时关注准确率和召回率,则可以使用它们的调和平均数F1-Score。F1-Score 只有精确率和召回率都高的情况下才会很高。混淆矩阵是一种使用矩阵形式表示误差的方法,可以用于详细展示预测结果和真值。ROC曲线可以描绘一个模型在不同参数阈值下的表现,AUC 为ROC 曲线下面积,AUC 的值可以量化一个分类模型的性能。
除了以上评估指标外,在检测和分割模型上常用的评价指标还有IOU和Dice。IOU定义为两个面积的交集和并集的比值;Dice 是两个集合的相似度量方法,常用于评价分割模型的性能。值得注意的是,尽管Dice与F1-Score的公式定义形式不同,但实际值是相等的,因此有的文章中也会使用F1-Score作为分割模型的评估指标。
为模型选择合适的评价指标能够有效地评估模型性能,利于模型改进与完善。
2 CNN在生物医学图像中的应用
本章将从细胞生物学图像和医学影像两个方面对CNN的应用分别进行阐述。
2.1 在细胞生物学图像中的应用
细胞生物学涉及细胞形态结构、细胞分裂等。随着成像技术的进步,现代细胞生物学研究越来越依赖图像对细胞和分子机制做出解释。通过成像技术可以对细胞机制进行观察分析,揭示健康和疾病细胞的发生发展和转化规律。生物成像技术发展至今,数据量呈指数增长,如何高效地利用这些海量的图像信息成为一个巨大挑战。计算机辅助的图像分析一方面可以缓解因分析人员的主观性和易疲劳等因素导致的客观性和可重复性的降低,另一方面可以在空间和时序上捕捉人眼无法察觉的细微图像特征,进而更高效地获取图像信息。以下将从细胞及其结构检测、细胞有丝分裂检测等方面讲述CNN在细胞生物图像分析中的应用(如图3),并汇总在表1中。
文章来源:《生物医学工程学杂志》 网址: http://www.swyxgcxzzzz.cn/qikandaodu/2021/0619/606.html