基于深度学习的全景片中颌骨疾病分类研究

任家银，郭际香

（1.四川大学华西口腔医学院，成都610065；2.四川大学计算机学院，成都610065）

0 引言

根据2017 年9 月卫计委发布的第四次全国口腔健康流行病学调查结果[1]，近年来我国口腔疾病的患病率呈明显上升趋势，口腔疾病患者数量庞大。2017 年口腔门诊、急诊人次达1.44 亿，增长近10 个百分点，而且诊疗人数还不包括大量口腔诊所等机构。此外，一些口腔健康观念的落后导致我国口腔患者的诊疗率偏低，而且随着人口的逐渐老龄化，口腔医疗的需求将大幅增长。然而据统计，我国每百万人口拥有的口腔医生仅137 名，远低于发达国家500-1000 名的水平，口腔医疗人员非常缺乏。

作为人工智能领域的主流技术，深度学习在在医疗影像分割、病灶检测、识别和诊断等领域取得了巨大的飞跃[2-3]。深度学习技术已逐步应用于医学的诸多领域，在肺结节检测、乳腺癌识别、皮肤癌识别、眼底病识别、病理识别等领域取得了诸多成果。人工智能与医学的结合，不仅获得越来越多的计算机领域科研工作者的关注，在医学界也掀起了一波智能医学的研究热潮。国内外各大顶尖医院都开始与人工智能公司合作，希望借助人工智能技术，对疾病进行有效的诊断、治疗、预测和管理。

颌骨疾病是口腔领域常见的多发疾病，口腔全景片是其检查的主要手段。及时从全景片中检测颌骨疾病，有助于减轻医疗人员工作量，提高工作效率，在一定程度上缓解日益紧张的口腔医疗资源。本文以深度学习中卷积神经网络为基础，设计分类网络，以正确识别和分类正常全景片和三种常见的颌骨疾病，包括骨髓炎、囊肿、牙源性肿瘤。

1 深度学习在医学影像中的应用

近三十年来随着医学影像技术的迅猛发展和影像设备的日趋成熟及普及，核磁共振成像（Magnetic Resonance Image，MRI）、计算机断层扫描（Computer Tomography，CT）、锥状射束电脑断层扫描（Cone Beam Computer Tomography，CBCT）、正电子发射断层扫描（Positron Emission Tomography，PET）、超声（Ultrasound）、X射线（X-ray）等医学影像技术，已成为开展临床检查、疾病诊断、手术方案制定、治疗决策、预后评估和随访不可或缺的组成部分，且日益重要。全世界每天生成大量医学影像数据，如何利用当前人工智能领域的主流技术深度学习方法处理分析医学影像大数据，为临床医学中各种重大疾病的筛查、诊断、治疗提供行之有效的方法，是当前医学图像处理领域的研究热点和前沿问题。

在深度学习（Deep Learning，DL）中，深度卷积神经网络（Deep Convolutional Neural Networks，DCNNs）由于其强大的特征表达和提取能力，先后在自然图像和医学图像的处理上都获得了巨大成功。它能够从医学影像大数据中自动学习、提取隐含的特征，近几年已迅速成为医学图像分析的核心、关键技术。基于深度学习的医学图像定位与检测、分类与识别、分割、配准是当前医学图像分析的主要任务，涵盖医学的诸多领域，如脑、眼科、肺癌、乳腺、心脏、腹腔等。

基于深度学习技术的医学图像的分类与识别可以自动辅助诊断病人病情的轻重程度，给出治疗建议。2016 年，谷歌公司的科学家们在《JAMA》杂志上报道了利用深度卷积神经网络从10 万余张视网膜眼底图像中诊断糖尿病性视网膜病变及黄斑水肿[4]，获得了较好的敏感性和特异性。2017 年，斯坦福大学的研究者们在《Nature》杂志上报道了利用深度学习技术在皮肤癌诊断的三个关键性诊断任务[5]，即角化细胞癌的分类、黑素瘤的分类和通过皮肤镜检查的黑素瘤分类中获得了媲美皮肤科医生的结果。同年，Golden 等人[6]在《JAMA》杂志发表了通过深度学习，可以迅速地阅读病理照片，从而诊断乳腺癌患者腋窝淋巴结有无癌细胞扩散，其结果要优于病理医师用显微镜的常规做法，且大大提高了诊断速度，减轻了病理学家的负担。

病灶的定位是临床诊疗中非常重要的步骤，医学图像的定位和检测可以把图像中所有的病变区域检测出来并给出详细的位置，在肺癌筛查中获得成功应用。2016 年，ISBI 组织的LUNA16 人工智能肺结节检测竞赛，吸引了一大批国内外人工智能研究团队的参与[7]，基于深度学习的肺结节检测技术极大地提高了肺癌筛查的效率，缓解了目前该领域医生缺乏、工作量大、诊断时间长等一系列问题。此外，基于深度学习的医学图像分割和配准更是缓解了传统图像分割和配准算法中沉积多年的问题。医学图像分割的准确率不断上升，为医学诊断提供了极大的帮助。在口腔领域，深度学习的应用尚少，现有的研究主要集中在面部标志点的检测上[8]，为正畸、整形方案的制定提供了准确的指导。

综上所述，深度学习技术在医学图像的分析中有极为重要的意义和临床价值，本文研究探索深度卷积于网络在口腔疾病诊断中的应用，以期在一定程度上减轻医生工作量，有助与缓解口腔医疗领域的不断增长需求和日益紧张的医疗资源之间的问题。

2 基于卷积网络的四分类实验

2.1 分类模型

卷积神经网络（Convolutional Neural Network，CNN）是一种成功并广泛应用于医学图像分类的经典深度学习模型，该模型主要包括卷积（Convolution）层、池化（Pooling）层以及全连接（Fully Connected）层，是一种具有深度结构的前馈神经网络。CNN 在1988 年被LeCun 等人[9]提出并应用于手写体识别中。卷基层利用不同的卷积核来对图像进行特征处理和抽象，提取不同层次的本质特征。在卷积层之后，通添加池化层，通过不断降低维数，以减少网络中的参数和计算次数，缩短了训练时间并控制过度拟合。CNN 网络通常包含不同层数个交叉相连的卷积层、池化层，以综合利用提出的信息。对于分类而且，CNN 在卷积和池化之后，连着全连接层与分类器。全连接层通常为多层神经网络，此外为了避免网络在训练样本不充足时出现过拟合情况，一般在全连接层中采用Dropout（随机丢失技术），也使得网络提出的图像特征更具有鲁棒性。目前对于各种卷积神经网络来说，激活函数多采用ReLU激活函数，分类器通常采用Softmax 或支持向量机。本文以卷积神经网络为基础，设计实现口腔全景片的四分类识别网络，用以正确把收集的口腔全景片分为正常、骨髓炎、囊肿、牙源性肿瘤共计四类。如图1 所示，本文设计了一个9 层的卷积网络分类模型，输入为单张牙齿全景片，模型包含3 个卷基层，2 层全连接，及输出层。该模型使用Adam 算法为损失函数计算梯度，以0.001 的学习率最小化交叉熵。

2.2 实验设计

本文收集了来自四川大学华西口腔医学院的近671 张全景片，并由专业医生做了详细标注。如表1 所示，数据包括正常全景片和三种病变骨髓炎、囊肿、牙源性肿瘤的全景片，同时骨髓炎和牙源性肿瘤下又包含了亚分类标注，但是由于各亚分类数据过少，有的仅有几张或十几张图像，所以本文仅进行了四分类实验。671 张图像被分成训练集和测试集，其中训练集占80%用于训练分类网络模型，测试集占20%用于进行模型测试。实验在一台带GPU 1080 显卡的PC 上完成。

图1 牙齿全景片分类模型

表1 实验数据描述

3 实验结果

本采用的分类评价指标为：精准率Precision、召回率Recall、F1Score 和准确率Accuracy。计算公式分别定义如下，其中TP（True Positive）表示分类正确的正样本；TN（True Negative）：表示分类正确的负样本；FP（False Positive）表示分类错误的正样本；FN（False Negative）表示分类错误的负样本。

实验结果如表2 所示，整体准确率在80%。囊肿病变的精准率和召回率最好，牙源性肿瘤的结果较差，其原因在于分类的数据不均衡。本仅是对牙齿全景片分类做一个初步的尝试和验证，未采用数据曾广和非均衡样本下的分类算法，后续将进一步丰富实验过程。虽然本实验结果应用到实际临床中还有所欠缺，但初步结果尚可，囊肿的精准率达90%。

表2 四分类实验结果

4 结语

基于深度学习方法的医学图像分类是当前计算机辅助医学方面的研究热点，深度学习算法在医学图像处理领域具有重要的理论意义和实际应用价值。本文采用深度学习方法中经典的卷积神经网络对牙齿全景片图像的病变分类做了初步尝试。通过输入口腔全景片，由分类模型判断其是否有病变，属于哪一种病变。初步结果显示，分类模型结果较好。在后续的研究工作，将进一步收集更多的数据，丰富颌骨疾病类别；也将深入研究深度学习方法，从多方面提升颌骨疾病诊断效果，以期进一步实现临床应用。