臺灣博碩士論文加值系統

對於臨床醫生來說，頸部腫塊一直是具有挑戰性的課題。 在這些眾多診斷中，我們最需要警惕的是惡性頸部淋巴結轉移，主要是因為通常這代表預後較差的結果。 而除了病史和身體檢查，我們還可以使用超音波來檢測頸部淋巴結。 儘管超音波檢查有許多優點，但實際上仍是有缺點。 近年人工智能越來越常應用在影像診斷上。藉由神經網絡的深度學習我們可以弭補超音波先天缺點。 從臨床上頸部淋巴結腫塊患者收集超音波圖像，與其病史臨床診斷進行結合，再結合神經網路的幫助，我們運用GoogleNet以及AlexNet做轉移學習，準確率可以達到0.81及0.90的準確率，從理論上證實使用該模型來幫助提供圖像診斷的客觀建議。

Cervical mass is always a challenging lesson for clinicians. Among those diagnoses, cervical lymph node metastasis is the most thing that we need to be alert. That usually represent a poorer outcome. Despite history and physical examination, we also can use sonography for image detection of cervical lymph node malignancy. Though many advantages are mentioned about sonography, operator-dependent technique. And sometimes, its image defect can’t be evitable due to physical property. Artificial intelligence is gaining much more attention with image diagnosis. Also deep learning with neural network can help us for more optimal consult. We will collect sonographic image from patient with neck mass involvement. Combining image result with their history and pathologic data retrospectively, we introduced neural network for transfer learning. We use GoogleNet and AlexNet as pre-trained model, Accuracy may reach 0.81 and
x
0.90 respectively. These result suggested deep learning may assist image diagnosis in patient with head and neck tumor.

目錄
審定書 i
誌謝 ii
表目錄 v
圖目錄 vi
中文摘要 viii
Abstract ix
第一章 緒論 1
1.1研究動機 1
1.2研究目的 2
第二章 文獻查證 3
2.1淋巴結轉移對於頭頸癌的重要性 3
2.2淋巴結影像特徵 5
2.3深度學習 9
2.4超音波與深度學習 13
第三章 研究方法與實施步驟 19
3.1資料來源 19
3.1.1病患篩選 20
3.1.2病歷資料整理 20
3.1.3超音波操作方法 21
3.2實驗方法 23
3.2.1淋巴腺影像之分類 23
3.2.2資料影像之處理 25
3.2.3深度學習影像分類演算法 27
第四章 分析與結果 29
4.1實驗結果 29
4.1.1實驗樣本 29
4.1.2病患資料分析 30
4.2深度學習影像分類結果 33
4.2.1 AlexNet組結果 33
4.2.2 GoogleNet組結果 36
第五章 討論 39
5.1實驗限制 39
5.2 AlexNet和GoogleNet的差異 39
5.3 探討辨識錯誤原因 40
5.4 神經網路調整 41
5.5 超音波及細針穿刺在診斷上的應用 43
5.6 Region of interest (ROI) 的選取 45
5.7與傳統的淋巴結辨識方法做比較 48
5.8 運用深度學習於頭頸部癌症之淋巴結轉移 48
5.9於臨床上使用的反思 51
第六章 結論 53
參考文獻 54
表目錄
表 1 比較各個不同超音波特徵與組織取樣方法 7
表 2 超音波下淋巴結有意義的惡性特徵 7
表 3 病患資料統計 30
表 4 ALEXNET各分組的訓練結果 33
表 5 GOOGLENET中各組的實驗結果 37
表 6 淋巴腺腫大原因的分類 44
4圖目錄
圖 1 TNM 癌症分期 4
圖 2依分期追蹤頭頸癌SURVIVAL RATE 4
圖 3 超音波下淋巴結特徵 8
圖 4 以不同的特徵組合來測試受試者操作特徵曲線(RECEIVER OPERATING CHARACTERISTIC CURVE, ROC)，該研究分析以三種特徵組合得到的ROC曲線下最大面積值為82.3%。 9
圖 5 目前深度學習在醫學上的應用 10
圖 6 每個神經網路準確率以及處理時間圖 12
圖 7 機器學習在超音波領域上分析及應用 14
圖 8運用機器學習於放射學之流程圖 15
圖 9 卷積神經網絡以及深度學習運用在超音波影像辨識上 16
圖 10 運用PRE-TRAINED GOOGLENET分類甲狀腺結節 17
圖 11 運用CAD SYSTEM於偵測超音波上甲狀腺癌的淋巴轉移 18
圖 12 主要實驗步驟 19
圖 13收納與排除之影像收集 20
圖 14 頭頸部腫塊影像之收集定義 21
圖 15 超音波操作示意圖 22
圖 16 運用不同的角度對同一顆淋巴結擷取影像 23
圖 17 超音波下的淋巴結 24
圖 18臨床淋巴結分類方法 24
圖 19超音波影像處理，移除1, 2, 3 之資訊以選取ROI影像 25
圖 20左側為惡性淋巴結ROI影像；右側為良性淋巴結ROI影像 26
圖 21後續ROI影像依不同神經網絡方法調整大小 26
圖 22 深度學習方法之ALEXNET及GOOGLENET架構圖 28
圖 23 實驗影像收集數及過程 30
圖 24 細針穿刺良性報告案例個數 31
圖 25 惡性組影像統計 32
圖 26 惡性組分布圖 32
圖 27 以ALEXNET組最佳ACCURACY70/30組，展示模型訓練訓練模型過程中演算法完整使用過資料集每筆資料的狀態。 34
圖 28 ALEXNET中70/30組的CONFUSION MATRIX圖（GOOD組表示良性，BAD組表示惡性） 35
圖 29 ALEXNET中70/30組之ROC曲線 36
圖 30 GOOGLENET中80/20組之ROC曲線 37
圖 31 GOOGLENET的80/20組的CONFUSION MATRIX 38
圖 32將良性辨識為惡性的錯誤範例 41
圖 33 將惡性辨識為良性的錯誤範例 41
圖 34運用MATLAB PRE-TRAINED網路的流程圖 42
圖 35 以子宮內膜癌CT 影像的TRAINING ALGORITHM範例 46
圖 36 以CNN分類腹部超音波範例 47
圖 37 運用超音波在頭頸癌的機器學習研究文章整理 50
圖 38有關於頭頸部癌症之超音波機器學習的文章內容分析 51

Alexander K.C. Leung, H. D. D. (2009). cervical lymphadenitis: etiology, diagnosis, and management. Current Infectious Disease Reports, 2009, 11: 183 - 189. doi:10.1007/s11908-009-0028-0
Brattain, L. J., Telfer, B. A., Dhyani, M., Grajo, J. R., & Samir, A. E. (2018). Machine learning for medical ultrasound: status, methods, and future opportunities. Abdom Radiol (NY), 43(4), 786-799. doi:10.1007/s00261-018-1517-0
Canziani, A. a. P., Adam and Culurciello, Eugenio. (2016). An analysis of deep neural network. arXiv:1605.07678.
Cheng, P. M., & Malhi, H. S. (2017). Transfer Learning with Convolutional Neural Networks for Classification of Abdominal Ultrasound Images. J Digit Imaging, 30(2), 234-243. doi:10.1007/s10278-016-9929-2
Chi, J., Walia, E., Babyn, P., Wang, J., Groot, G., & Eramian, M. (2017). Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network. J Digit Imaging, 30(4), 477-486. doi:10.1007/s10278-017-9997-y
Cho, J. K., Hyun, S. H., Choi, N., Kim, M. J., Padera, T. P., Choi, J. Y., & Jeong, H. S. (2015). Significance of lymph node metastasis in cancer dissemination of head and neck cancer. Transl Oncol, 8(2), 119-125. doi:10.1016/j.tranon.2015.03.001
Delbos, A. H. a. P. V. a. A. (2017). Deep learning with spatiotemporal consistency for nerve segmentation in ultrasound images. arXiv:1706.05870.
G. Marchal, R. O., * J. Verschakelen,* J. Gelin,* A L. Baert,. (1985). sonographic appearance of normal lymph nodes. J Ultrasound Med, 4.
Greenspan, H., San Jose Estepar, R., Niessen, W. J., Siegel, E., & Nielsen, M. (2020). Position paper on COVID-19 imaging and AI: From the clinical needs and technological challenges to initial AI solutions at the lab and national level towards a new era for AI in healthcare. Med Image Anal, 66, 101800. doi:10.1016/j.media.2020.101800
Krizhevsky, A., Sutskever, I., & Hinton, G. E. J. A. i. n. i. p. s. (2012). Imagenet classification with deep convolutional neural networks. 25.
Lee, J. H., Baek, J. H., Kim, J. H., Shim, W. H., Chung, S. R., Choi, Y. J., & Lee, J. H. (2018). Deep Learning-Based Computer-Aided Diagnosis System for Localization and Diagnosis of Metastatic Lymph Nodes on Ultrasound: A Pilot Study. Thyroid, 28(10), 1332-1338. doi:10.1089/thy.2018.0082
Lee, J. H., Ha, E. J., & Kim, J. H. (2019). Application of deep learning to the diagnosis of cervical lymph node metastasis from thyroid cancer with CT. Eur Radiol, 29(10), 5452-5457. doi:10.1007/s00330-019-06098-8
Lin, C. M., Wang, C. P., Chen, C. N., Lin, C. Y., Li, T. Y., Chou, C. H., . . . Chen, T. C. (2017). The application of ultrasound in detecting lymph nodal recurrence in the treated neck of head and neck cancer patients. Sci Rep, 7(1), 3958. doi:10.1038/s41598-017-04039-3
Liu, S., Wang, Y., Yang, X., Lei, B., Liu, L., Li, S. X., . . . Wang, T. (2019). Deep Learning in Medical Ultrasound Analysis: A Review. Engineering, 5(2), 261-275. doi:10.1016/j.eng.2018.11.020
Ma, J., Wu, F., Jiang, T., Zhu, J., & Kong, D. (2017). Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images. Med Phys, 44(5), 1678-1691. doi:10.1002/mp.12134
Mikolajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. 117-122. doi:10.1109/iiphdw.2018.8388338
Peng, Z., Wang, Y., Wang, Y., Jiang, S., Fan, R., Zhang, H., & Jiang, W. (2021). Application of radiomics and machine learning in head and neck cancers. Int J Biol Sci, 17(2), 475-486. doi:10.7150/ijbs.55716
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., . . . Rabinovich, A. (2015). Going deeper with convolutions. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.
Tan, X. Q., Qian, L. X., Zhao, J. F., Sun, P. F., Li, Q. Q., & Feng, R. X. (2021). Diagnostic Model of Superficial Lymph Nodes Based on Clinical History and Ultrasound Findings: A Prospective Cohort Study. Front Oncol, 11, 756878. doi:10.3389/fonc.2021.756878
Ton Eryilmaz, O., Ucak, R., Ozagari, A. A., & Kabukcuoglu, F. (2021). Diagnostic value of lymph node fine-needle aspiration cytology. Cytojournal, 18, 8. doi:10.25259/Cytojournal_1_2020
Tran, W. T., Suraweera, H., Quaioit, K., Cardenas, D., Leong, K. X., Karam, I., . . . Czarnota, G. J. (2019). Predictive quantitative ultrasound radiomic markers associated with treatment response in head and neck cancer. Future Sci OA, 6(1), Fso433. doi:10.2144/fsoa-2019-0048