基于人工神经网络的肺癌细胞图像特征的提取与识别

包头医学院计算机科学与技术系 唐思源

基于人工神经网络的肺癌细胞图像特征的提取与识别

包头医学院计算机科学与技术系 唐思源

目的：探讨基于人工神经网络的肺癌细胞图像特征的提取与识别。方法：建立基于人工神经网络和计算机图像处理的肺癌细胞病理电脑诊断系统，对120例经皮肺穿刺标本的肺癌细胞学涂片进行图像特征的提取与识别，并与术后病理组织诊断结果进行对比分析。结果：(1)肺癌细胞病理电脑诊断系统能够较为准确的提取肺癌细胞图像特征，完成对肺部病灶癌细胞和非癌细胞的识别。(2)运用肺癌细胞病理电脑诊断系统诊断肺癌主要病理类型鳞状细胞癌、腺癌、未分化癌、小细胞癌的结果与术后病理组织诊断结果的总符合率93.33%。结论：基于人工神经网络和计算机图像处理对肺癌细胞的图像特征进行提取和识别，对肺癌患者实施诊断，准确率高，能够为肺癌的早期诊断提供客观参考依据。

肺癌；人工神经网络；计算机图像处理；细胞图像特征；提取；识别

引言

伴随着信息网络技术和科学技术的迅速发展，计算机在肺癌临床诊断中的应用日益深入[1]。人工神经网络（Artif i cial Neural Network；ANN）是上个世纪80年代兴起的人工智能领域的研究内容，其主要是利用计算机从信息处理的角度对人脑神经元网络进行抽象，建立某种简单的模型，并按照不同的连接方式组成不同结构的网络[2]。早期主要被应用于工程界与学术界，现阶段已经取得了很大的研究进展，在医疗领域的疾病诊断中也得到了应用[3]。肺癌是对我国人群生命健康危害最大的恶性肿瘤疾病，实现该疾病的早期诊断具有重要的临床意义[4]。基于上述研究现状，本研究对基于人工神经网络的肺癌细胞图像特征的提取与识别进行探讨，旨在明确能够提高肺癌患者早期确诊率的诊断方法。

1.资料与方法

1.1 一般资料

本研究选取2014年3月至2016年7月期间在包头医学院第一附属医院行经皮肺穿刺活检的120例肺癌患者作为研究对象。纳入标准：（1）经皮肺穿刺活检和术后病理组织诊断结果均为肺癌；（2）未发生转移；（3）未合并患有其他严重器质性疾病；（4）同意参与本次研究。排除标准：（1）经皮肺穿刺活检诊断为肺部良性疾病；（2）疾病发展至终末期；（3）拒绝参与本次研究。120例患者中，包括男性患者69例，女性患者41例，年龄区间35～70岁，平均年龄为（48.14±5.32）岁。采集患者肺组织后，迅速制作成肺癌细胞学涂片，进行常规固定和HE染色，常规脱水封片，保存待用。

1.2 研究方法

建立基于人工神经网络和计算机图像处理的肺癌细胞病理电脑诊断系统，对120例经皮肺穿刺标本的肺癌细胞学涂片进行图像特征的提取与识别，并与术后病理组织诊断结果进行对比分析，具体研究过程如下：

本研究建立的肺癌细胞病理电脑诊断系统的硬件配置包括计算机系统、显微镜、摄像镜头、图像采集卡。诊断时，实时获取患者肺癌细胞涂片上的视频信号，进行图像采集和处理后转化为红（R）、绿（G）、蓝（B）真彩色图像，上传至计算机诊断系统中进行图像特征提取和识别，具体流程见图1所示。

人工神经网络模仿大脑神经网络和功能而建立，通过采集数据并进行学习的方法为数据系统提供样本，再依靠样本不断学习和训练，得到计算模型，建立网络结构。神经网络系统可以用大量样本不断学习和训练实现对肺癌细胞图像特征的识别，并最大程度的减少错误识别，而这一系统需要基于肺癌细胞病理电脑诊断系统实现。肺癌细胞病理电脑诊断系统通过图形采集选择高质量的肺癌细胞涂片的原始图像，进行预处理和灰度转换。采应用直方图和双阈值对图像进行分割，将质量不合格的细胞区域筛除。将已经录入专家库的正常细胞和肺癌细胞的核、浆进行对比和排列，应用八链码表示法提取肺癌细胞的图像特征作为参照，从形态和色度方面对肺癌细胞进行初步识别，对肺癌细胞和非肺癌细胞进行判断。然后应用计算机专家系统对判定为肺癌的细胞的形态、位置、染色质分布进行推理诊断，进一步对肺癌细胞和非肺癌细胞进行判断。最后应用人工神经网络模拟人脑结构和大脑的信息传导方式，建立数据分析模型，通过特征提取有效待检细胞的14个特征向量，其中包括6个形态特征、6个色度特征和整幅图像的细胞区域灰度平均值和红色分量平均值，模拟人脑思维，对样本进行学习和训练。本系统的诊断程序为先进行全片扫描，通常每次检查100～200个细胞，然后对细胞进行形态学和色度学检查，应用专家系统识别肺癌细胞和非肺癌细胞，再通过人工神经网络识别和判断肺癌细胞类型，经过层层识别和判断，得出最终诊断结果。本系统识别诊断的工作程序见图2所示。

图1 肺癌细胞病理电脑诊断系统诊断流程图

图2 肺癌细胞病理电脑诊断系统识别诊断的工作程序

1.3 观察指标

本研究观察基于人工神经网络和计算机图像处理的肺癌细胞病理电脑诊断系统的肺癌诊断结果与患者术后病理组织诊断结果的符合率以及该系统诊断肺癌的敏感性和特异性。

2.结果

运用肺癌细胞病理电脑诊断系统诊断肺癌主要病理类型鳞状细胞癌、腺癌、未分化癌、小细胞癌的结果与术后病理组织诊断结果的总符合率93.33%，具体研究数据见表1所示。

表1 肺癌细胞病理电脑诊断系统的肺癌诊断结果与患者术后病理组织诊断结果的符合率统计

3.讨论

肺癌是全球范围内发病率和病死率增长最快的恶性肿瘤疾病。近50年来，世界范围内多个国家的肺癌发病率和病死率均呈现出逐年上升的趋势，现阶段该疾病已成为威胁人类生命健康最常见的恶性肿瘤疾病[5]。长期观察发现，肺癌具有起病隐匿的特点，多数患者在疾病中晚期时确诊，治疗难度明显增大，预后较差。因此，实现肺癌的早期诊断、及时治疗十分必要[6]。总结我国临床的肺癌诊治经验发现，该疾病早期诊断的误诊率较高，如何提高肺癌的早期诊断准确率已成为我国医疗领域近年来的热点研究内容[7]。国内外研究学者认为任何恶性肿瘤疾病的早期诊断均不能依靠一种诊断方法，肺癌的早期诊断也是如此，需要多种诊断方法的相互辅助实现[8]。

本研究对基于人工神经网络的肺癌细胞图像特征的提取与识别进行探讨，并分析该系统在肺癌患者临床诊断中的应用价值。研究过程中应用计算机系统对肺癌细胞学涂片的图像信息进行提取和识别，该种图像特征分析方法在速度和准确性方面均明显优于肺癌病理学专家的肉眼识别。统计得出肺癌细胞病理电脑诊断系统的肺癌诊断结果与患者术后病理组织诊断结果的符合率为93.33%，120例肺癌患者共包括鳞状细胞癌、腺癌、未分化癌、小细胞癌四种肺癌病理类型，表明通过应用肺癌细胞病理电脑诊断系统获取的肺癌图像信息进行肺癌诊断，能够对不同病理类型的肺癌进行判断。国外研究学者D. Jude[9]等基于人工神经网络提取和识别肺癌细胞图像的特征，并根据图像特征对患者实施诊断，诊断准确率高于80%。本文研究结果与国外研究学者D. Jude等的研究结果具有较大程度的相似性。分析能够得到上述研究结果的原因为：细胞核的大小、形态等特征是鉴别细胞良恶性的重要参考指标，在定性诊断中应用的描述方法，往往存在一定程度的描述误差，缺乏严格的数据参考。而基于人工神经网络建立系统对肺癌细胞图像特征进行提取、识别，采用的人工智能和图像处理技术，能够有效克服传统描述方法在直接处理、结构性信息描述方面存在的弊端。

对上述研究内容及结果进行总结性分析，本研究认为基于人工神经网络和计算机图像处理对肺癌细胞的图像特征进行提取和识别，对肺癌患者实施诊断，准确率高，能够为肺癌的早期诊断提供客观参考依据，具有推广应用价值。但由于本次研究所选取样本量较少，研究过程有待进一步规范，且现阶段临床上关于该方面的课题研究较少，因此本研究所得研究的客观性仍需通过后续进行大量的实践研究进行验证。

[1]龚平,郭华雄,王文清等.基于人工神经网络的肺癌细胞形态学诊断模型的建立及应用[J].中华生物医学工程杂志,2012,18(1):73-76.

[2]C.Iglesias,J.Martinez Torres,P.J.Garcia Nieto et al.Turbidity Prediction in a River Basin by Using Artificial Neural Networks:A Case Study in Northern Spain[J].Water resources management,2014,28(2):319-331.

[3]黄利娟,梁学柱,查君敬等.基于BP神经网络的肺癌手术患者住院费用影响因素分析[J].中国病案,2014,15(6):53-55.

[4]田刚,周明术,杭永伦等.肿瘤标志对肺癌诊断价值PLS-DA和ANN-MPL模型评估[J].中华肿瘤防治杂志,2014,21(5):380-383,392.

[5]Jose Miguel Flores-Fernandez,Enrique J. Herrera-Lopez,Francisco Sanchez-Llamas et al.Development of an optimized multi-biomarker panel for the detection of lung cancer based on principal component analysis and artificial neural network modeling[J].Expert Systems with Applicati on,2012,39(12):10851-10856.

[6]王威,段晓冉,谭善娟等.基于3种基因启动子甲基化联合端粒长度构建肺癌筛查神经网络模型[J].郑州大学学报(医学版),2014,13(2):176-179.

[7]李学沧,贾识桢.基于卷积神经网络的小细胞型肺癌辅助检测方法[J].中国数字医学,2013,7(10):65-67,72.

[8]Feng,F.,Wu,Y.,Nie,G.et al.The effect of artificial neural network model combined with six tumor markers in auxiliary diagnosis of lung cancer.[J].Journal of medical systems,2012,36(5):2973-2980.

[9]D.Jude Hemanth,C.Kezi Selva Vijila,A.Immanuel Selvakumar et al.Performance Improved Iteration-Free Artificial Neural Networks for Abnormal Magnetic Resonance Brain Image Classification[J].Neurocomp uting,2014,130(Apr.23):98-107.

本文受内蒙古自治区自然科学基金项目（项目编号:2016 MS0601），包头医学院科学研究基金项目（项目编号：BYJJ-QM 201637）资助。

唐思源（1981－），女，硕士，副教授，主要研究方向为：医学图像处理。