基于改進(jìn)U-Net的關(guān)節(jié)滑膜磁共振圖像的分割

魏小娜 ，邢嘉祺，王振宇，王穎珊，石 潔，趙 地，汪紅志*

（1.上海市磁共振重點(diǎn)實(shí)驗(yàn)室（華東師范大學(xué)），上海 200062；2.上海市中醫(yī)藥大學(xué)針灸推拿學(xué)院，上海 200032；3.上海市光華中西醫(yī)結(jié)合醫(yī)院，上海 200052；4.中國科學(xué)院計算技術(shù)研究所，北京 100190）

（?通信作者電子郵箱hzwang@phy.ecnu.edu.cn）

0 引言

滑膜炎是類風(fēng)濕關(guān)節(jié)炎的基本病理改變，是一種無菌型炎癥，是由于關(guān)節(jié)扭傷和多種關(guān)節(jié)內(nèi)損傷而引起的，其對人體造成的危害不容小覷?；すδ墚惓?dǎo)致關(guān)節(jié)液無法正常生成和吸收，關(guān)節(jié)就會產(chǎn)生積液?；ぱ淄ǔ１憩F(xiàn)為滑膜充血、水腫、滲出，中性粒細(xì)胞、淋巴細(xì)胞浸潤，進(jìn)而出現(xiàn)滑膜增厚，毛細(xì)血管增多，滑膜內(nèi)產(chǎn)生血管翳［1-2］。血管翳多見于關(guān)節(jié)周圍，并逐漸沿關(guān)節(jié)表面向關(guān)節(jié)和關(guān)節(jié)軟骨表面延伸、侵入，使得整個關(guān)節(jié)軟骨表面被遮蓋了起來，以至于出現(xiàn)營養(yǎng)物質(zhì)流失，發(fā)生變性、壞死現(xiàn)象。隨著病情的發(fā)展，關(guān)節(jié)軟骨及軟骨下骨都會逐漸遭到破壞，造成關(guān)節(jié)結(jié)構(gòu)受損，情況嚴(yán)重者甚至?xí)纬晒切詮?qiáng)直［3］，存在較高的致殘危機(jī)。在中國類風(fēng)濕關(guān)節(jié)炎的發(fā)病率為0.4%，在全世界約為0.5%～1.0%［4-5］。目前臨床上尚無有效的治療方案，仍停留在對炎癥及后遺癥的治療，嚴(yán)重危害患者健康和生活質(zhì)量［6］?？紤]到骨質(zhì)破壞是關(guān)節(jié)畸形的首發(fā)癥狀，因此對類風(fēng)濕關(guān)節(jié)炎進(jìn)行早期診斷并尋找骨質(zhì)破壞的指標(biāo)，對于病情評估及制定有效的治療方案具有極為重要的意義［7-8］。

鑒于磁共振圖像（Magnetic Resonance Image，MRI）具有無電離無輻射、軟組織分辨率極高、可任意方向成像等特點(diǎn)，且與傳統(tǒng)X 光片相比，MRI 能直接顯示滑膜增生、關(guān)節(jié)腔積液、關(guān)節(jié)軟骨破壞等早期病理改變［9］。MRI 不僅能清楚地顯示關(guān)節(jié)正常結(jié)構(gòu)，對于小關(guān)節(jié)病癥的基本病理變化也能及時顯示出來［10］，是其他影像學(xué)方法所達(dá)不到的［1］。研究［11-14］表明，MRI 檢測到的炎癥，對于病變的早期診斷具有極大的幫助。MRI對于早期滑膜炎性病變的診斷與治療及療效觀察具有以下意義［15］：1）鑒別滑膜炎和非滑膜關(guān)節(jié)疾病，特別是不典型部位的大關(guān)節(jié)；2）確定相關(guān)關(guān)節(jié)的數(shù)量，以便于進(jìn)行準(zhǔn)確評分；3）提供客觀、全面、可重復(fù)顯示的信息以便于評估炎癥活性和功效。

為了準(zhǔn)確診斷患者病情并制定有效的治療方案，醫(yī)生需要對MRI圖像中的滑膜區(qū)域進(jìn)行手工標(biāo)注和勾畫。但手工勾畫存在以下問題：1）耗時長、效率低，醫(yī)生需要耗費(fèi)大量的時間和精力來完成滑膜區(qū)域的標(biāo)注工作；2）存在一定的主觀性，不同的醫(yī)生由于經(jīng)驗(yàn)不同，對同一個病人MRI 圖像的勾畫結(jié)果往往存在一定的差異性；3）圖像信息利用率低、可重復(fù)性低。針對醫(yī)生手工勾畫滑膜區(qū)域存在的問題，試圖探究使用人工智能（Artificial Intelligence，AI）訓(xùn)練模型實(shí)現(xiàn)滑膜增生的自動檢測。相較于手工勾畫，由于AI具有較強(qiáng)的自主學(xué)習(xí)能力、識別能力、計算能力以及極其穩(wěn)定的持續(xù)工作的性能，而得到越來越多的醫(yī)生和研究人員的關(guān)注。

近年來，隨著深度學(xué)習(xí)的蓬勃發(fā)展，基于深度學(xué)習(xí)的圖像分割算法被廣泛用于醫(yī)學(xué)圖像分割任務(wù)中。受此啟發(fā)，本文在深度學(xué)習(xí)理論的基礎(chǔ)上，提出了一種基于改進(jìn)U-Net［16］的關(guān)節(jié)滑膜分割算法——2D ResU-net。

1 基于2D ResU-net的關(guān)節(jié)滑膜分割算法

U-Net是一種端到端的網(wǎng)絡(luò)結(jié)構(gòu)，由左側(cè)用于獲取上下文信息的收縮路徑和右側(cè)用于對任務(wù)目標(biāo)精確定位的擴(kuò)張路徑兩部分組成，兩個路徑相對稱，形成一個“U”型。與其他分割網(wǎng)絡(luò)相比，U-Net 的最大特點(diǎn)在于，通過反卷積過程中的跳躍拼接，將特征在channel維度拼接在一起，形成更“厚”的特征，將淺層特征與深層特征進(jìn)行融合。使網(wǎng)絡(luò)同時兼顧了淺層信息和深層信息的貢獻(xiàn)，增強(qiáng)了網(wǎng)絡(luò)全局特征的學(xué)習(xí)能力，使分割效果有了一定的提升。

但U-Net 的深度略有不足，針對該問題，本文提出了一種新的網(wǎng)絡(luò)結(jié)構(gòu)，即2D ResU-net結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)將U-Net與殘差網(wǎng)絡(luò)（Residual Network，ResNet）相結(jié)合，加深了U-Net 的深度，并解決了網(wǎng)絡(luò)較深時梯度消失的問題，使分割效果有了顯著提升。

1.1 網(wǎng)絡(luò)架構(gòu)

1.1.1 殘差塊

在卷積神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)層次越深，訓(xùn)練時產(chǎn)生的錯誤越多，訓(xùn)練時間越長［17］。為了解決這一問題，采用He 等［17］于2015 年在ImageNet 圖像識別競賽中提出的殘差網(wǎng)絡(luò)。殘差網(wǎng)絡(luò)提出了一個“捷徑”的概念，即跳過一個或多個層，將輸入結(jié)果直接添加到底層，如式（1）所示：

其中：H(x)為底層映射，x為輸入，F(xiàn)(x)=H(x) -x為殘差映射即網(wǎng)絡(luò)中的隱藏層輸出結(jié)果。如果將輸入直接添加到底層，那么殘差映射就是該網(wǎng)絡(luò)單元需要學(xué)習(xí)的目標(biāo)。本文把這種學(xué)習(xí)殘差映射的網(wǎng)絡(luò)單元稱為殘差塊，結(jié)構(gòu)如圖1所示。

圖1 殘差塊Fig.1 Residual block

與其他網(wǎng)絡(luò)相比，殘差網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，該網(wǎng)絡(luò)將多個卷積層級聯(lián)的輸出與輸入相加后對圖片進(jìn)行特征提取，減少了計算量，解決了在極深度條件下深度卷積神經(jīng)網(wǎng)絡(luò)性能退化的問題。

2D ResU-net 將圖1 中的殘差結(jié)構(gòu)融入U-Net 中，加深了U-Net 的深度，避免了過擬合現(xiàn)象的發(fā)生，并解決了網(wǎng)絡(luò)深度加深時出現(xiàn)的梯度消失問題，有效提升了模型的分割性能。

1.1.2 批標(biāo)準(zhǔn)化

為了解決深層網(wǎng)絡(luò)難以訓(xùn)練的問題，本文在每層卷積后，進(jìn)行了批標(biāo)準(zhǔn)化（Batch Normalization，BN）處理。對于深層網(wǎng)絡(luò)，每層輸入的分布在訓(xùn)練期間會隨著前一層參數(shù)的變化而變化，這就要求必須使用一個很小的學(xué)習(xí)率以及對參數(shù)進(jìn)行很好的初始化，這樣勢必會使訓(xùn)練變得很慢。而加入批標(biāo)準(zhǔn)化后，可有效解決這一問題。批標(biāo)準(zhǔn)化具有以下優(yōu)勢：

1）可以選擇較大的學(xué)習(xí)率，解決反向傳播過程中的梯度爆炸問題；若不使用批標(biāo)準(zhǔn)化，大的學(xué)習(xí)率可能會增加層參數(shù)的規(guī)模，在反向傳播中會放大梯度導(dǎo)致梯度爆炸，由式（2）可知，進(jìn)行批標(biāo)準(zhǔn)化后，層的反向傳播不受其參數(shù)規(guī)模的影響，反向傳播的梯度也不會受到影響。

2）可加快模型的收斂速度，不再依賴精細(xì)的參數(shù)初始化過程；Ioffe等在文獻(xiàn)［18］中給出了BN的具體操作流程：

3）可適量減少dropout 層的使用，并能在一定程度上提升模型的泛化能力。

1.1.3 損失函數(shù)

損失函數(shù)即用于評估模型的預(yù)測值與真實(shí)值之間差異的函數(shù)，在整個網(wǎng)絡(luò)中起到“指揮棒”的作用，通常情況下，損失函數(shù)越小，模型的性能越好。針對本文的分割圖像，往往一幅圖像中只有一個或兩個目標(biāo)，且目標(biāo)的像素比例較小，網(wǎng)絡(luò)訓(xùn)練較為困難，區(qū)別于常規(guī)圖像分割任務(wù)中選取交叉熵作為損失函數(shù)，本文選取V-Net［19］一文中提到的Dice_Loss 作為損失函數(shù)，能夠很好解決像素比列不均衡的問題，從而達(dá)到對小目標(biāo)精確分割的目的。對于二分類問題，Dice_Loss的表達(dá)式為：

圖2 2D ResU-net模型Fig.2 2D ResU-net model

1.1.4 2D ResU-net 網(wǎng)絡(luò)模型

2D ResU-net 網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖2 所示，與U-Net 相比，2D ResU-net加入了殘差網(wǎng)絡(luò)，并進(jìn)行了批標(biāo)準(zhǔn)化處理。虛線箭頭表示“捷徑”層，虛線方塊代表通過“捷徑”層后取得的結(jié)果。

2D ResU-net算法的模型結(jié)構(gòu)延續(xù)了U-Net 算法的U 型結(jié)構(gòu)，也是由收縮網(wǎng)絡(luò)和擴(kuò)張網(wǎng)絡(luò)兩部分組成：

1）收縮網(wǎng)絡(luò)。

左側(cè)收縮網(wǎng)絡(luò)交替使用了卷積和最大池化操作，用以減少特征圖的空間維度（特征圖尺寸減半），同時逐層增加特征圖的數(shù)量。在原U-Net 結(jié)構(gòu)的基礎(chǔ)上，本文在2 個3×3 的卷積層（Convolutional layer，Conv）和1個2×2的最大池化層之間增加了1個兩層結(jié)構(gòu)的殘差塊。因此，收縮網(wǎng)絡(luò)重復(fù)采用了2個3×3 的卷積、1 個3×3 的兩層結(jié)構(gòu)的殘差塊和一個2×2 的最大池操作，每次卷積后都先進(jìn)行批BN 操作，然后通過線性修正單元（Rectified Linear unit，ReLu）激活函數(shù)進(jìn)行激活。每個卷積層均采用零填充（padding=same）的方式進(jìn)行填充，以確保輸出圖像與輸入圖像尺寸一致。

2）擴(kuò)張網(wǎng)絡(luò)。

擴(kuò)張網(wǎng)絡(luò)是與收縮網(wǎng)絡(luò)相對稱的上采樣過程，用以恢復(fù)目標(biāo)細(xì)節(jié)及空間維度。每次上采樣，特征圖大小增倍，特征數(shù)量減半。在上采樣操作中，與原U-Net模型不同，本文采用3×3的卷積核進(jìn)行Conv2DTranspose反卷積操作。每次上采樣包含2個3×3的卷積、1個3×3的兩層結(jié)構(gòu)的殘差塊，每次上采樣前，需要進(jìn)行特征融合。由于本文對每個卷積層均采用零填充（padding=same）的方式進(jìn)行填充，因此，可通過復(fù)制（copy）操作，直接將收縮網(wǎng)絡(luò)中對應(yīng)的特征圖與反卷積獲得的特征圖進(jìn)行融合。與收縮網(wǎng)絡(luò)類似，擴(kuò)張網(wǎng)絡(luò)中每層都進(jìn)行了批標(biāo)準(zhǔn)化處理，而后通過ReLu激活函數(shù)進(jìn)行激活。

最后，通過1×1的卷積操作，將32通道的特征圖轉(zhuǎn)為類別數(shù)為2的特征圖，并經(jīng)過sigmoid函數(shù)輸出一個概率值，該值反映了預(yù)測結(jié)果為滑膜的可能性，概率值越大，說明可能性也就越大。

相較于原U-Net，2D ResU-net 有如下改進(jìn)：1）增加了網(wǎng)絡(luò)層數(shù)，網(wǎng)絡(luò)層數(shù)的增加提高了網(wǎng)絡(luò)的特征提取能力；2）加入了如圖1 所示的殘差塊結(jié)構(gòu)，殘差塊的加入增加了網(wǎng)絡(luò)深度，同時解決了網(wǎng)絡(luò)較深時出現(xiàn)的梯度消失問題。

1.2 數(shù)據(jù)來源及圖像預(yù)處理

本文實(shí)驗(yàn)所用數(shù)據(jù)來自上海市光華中西醫(yī)結(jié)合醫(yī)院，實(shí)驗(yàn)所用樣本是由專業(yè)醫(yī)生利用本組自行開發(fā)的標(biāo)注軟件進(jìn)行手工標(biāo)注的，軟件界面如圖3 所示。該軟件與其他公用的標(biāo)注軟件相比，具有如下優(yōu)勢：1）利用該軟件的邊界勾畫功能，并輔之以修正功能進(jìn)行細(xì)微調(diào)整，即可對目標(biāo)區(qū)域進(jìn)行勾畫標(biāo)注，可極大縮短標(biāo)注時間；2）對于已標(biāo)注勾畫好的圖像，該軟件還可以將原始數(shù)字醫(yī)學(xué)成像通信標(biāo)準(zhǔn)（Digital Imaging and Communication in Medicine，DICOM）圖像與對應(yīng)的mask圖像進(jìn)行二次導(dǎo)入，實(shí)現(xiàn)檢驗(yàn)和修正功能；3）該軟件可以同時導(dǎo)入不同序列掃描的圖像進(jìn)而實(shí)現(xiàn)對比功能。

圖3 軟件界面Fig.3 Interface of software

本文所用圖像為二維斷層圖像，首先將DICOM 格式的圖像統(tǒng)一轉(zhuǎn)化為普通的圖片格式（本文采用bmp 格式），并將圖片尺寸大小統(tǒng)一為256×256，然后對數(shù)據(jù)集進(jìn)行歸一化處理，減均值除方差等。

1.3 數(shù)據(jù)增廣

考慮到本實(shí)驗(yàn)現(xiàn)有數(shù)據(jù)集（共27 例）較為有限，有限的樣本量對網(wǎng)絡(luò)模型會產(chǎn)生一定的影響（易出現(xiàn)過擬合現(xiàn)象），因此本文采用數(shù)據(jù)增廣的方法來獲取更多的樣本，同時樣本增廣是解決過擬合現(xiàn)象最直接最有效的方法。

對于不同的醫(yī)學(xué)圖像所采用的樣本增廣方法往往也是不同的，考慮到關(guān)節(jié)滑膜MRI圖像的特點(diǎn)，本文采用了隨機(jī)角度旋轉(zhuǎn)、隨機(jī)水平翻轉(zhuǎn)、裁剪、縮放，水平、豎直偏移等幾何變換的方式進(jìn)行增廣，增廣的效果如圖4所示。

1.4 模型訓(xùn)練

為了能夠選出效果最好、泛化能力最佳的模型，在訓(xùn)練模型時，將數(shù)據(jù)集（共27例）隨機(jī)分為訓(xùn)練樣本集（24例）和測試樣本集（3 例）。原始訓(xùn)練樣本集共1 691 張斷層圖像，其中1 109張為含有滑膜的圖像。通過增廣操作后，最終訓(xùn)練集共包含13 687 張圖像。其中訓(xùn)練集用來擬合模型，驗(yàn)證集用來調(diào)整模型參數(shù)，測試集用來衡量模型的性能和分類能力。

圖4 滑膜MRI圖及對應(yīng)label圖的增廣效果圖Fig.4 Augmentation effect of synovium MRI image and corresponding label image

模型訓(xùn)練過程中，參數(shù)的設(shè)置和調(diào)整對模型性能起著至關(guān)重要的作用，其中學(xué)習(xí)率和batch size 是影響模型性能非常重要的兩個參數(shù)。本文通過采用搜索法，并記錄損失的變化來確定最佳初始學(xué)習(xí)率（本文初始學(xué)習(xí)率設(shè)為1× 10-4），然后使用自適應(yīng)學(xué)習(xí)率優(yōu)化算法（Adaptive moment estimation，Adam）來動態(tài)調(diào)整每個參數(shù)的學(xué)習(xí)率。對于batch size 的選擇，在一定范圍內(nèi)，增加batch size 有助于收斂的穩(wěn)定性，但隨著batch size 的增加（超過某一臨界點(diǎn)時），模型的泛化能力就會有所下降。由于受實(shí)驗(yàn)平臺硬件設(shè)施的限制，本實(shí)驗(yàn)batch size 取值為8。實(shí)驗(yàn)過程中發(fā)現(xiàn)，大的學(xué)習(xí)率有助于提高模型泛化能力，并且當(dāng)學(xué)習(xí)率增加時，batch size 也應(yīng)跟著增加，這樣收斂更穩(wěn)定。此外，實(shí)驗(yàn)過程中采用K 折交叉驗(yàn)證法對模型進(jìn)行調(diào)優(yōu)，并檢驗(yàn)?zāi)Ｐ偷姆夯阅堋?/p>

2 實(shí)驗(yàn)結(jié)果與分析

本文采用Keras 框架，調(diào)用TensorFlow 后臺實(shí)現(xiàn)基于2D ResU-Net的關(guān)節(jié)滑膜MRI圖像的分割。實(shí)驗(yàn)運(yùn)行的硬件環(huán)境為AMD 銳 龍7-2700X CPU 和GeForce GTX 1660Ti GPU 計算機(jī)。

為了定量評估算法分割性能，本文采用了如下評價指標(biāo)：

1）Dice 相似系數(shù)（Dice Similarity Coefficient，DSC），用于衡量預(yù)測的分割結(jié)果與“金標(biāo)準(zhǔn)”區(qū)域的重合度，公式為：

DSC取值（0，1），當(dāng)預(yù)測結(jié)果（A）與“金標(biāo)準(zhǔn)”區(qū)域（B）完全相同時，DSC 取值為1；當(dāng)預(yù)測結(jié)果與“金標(biāo)準(zhǔn)”不相關(guān)時，DSC取值為0。DSC 值越大，表明模型泛化能力越強(qiáng)，分割效果越好。換言之，模型泛化能力與DSC值的大小成正相關(guān)關(guān)系。

2）交并比（Intersection over Union，IOU）［20］：

其中：area(c)表示自動分割的像素數(shù)，area(G)表示醫(yī)生手工標(biāo)注的像素數(shù)目。IIOU取值（0，1）表示分割精確性，即醫(yī)生手工標(biāo)注和自動分割的像素數(shù)目吻合程度。

3）體積重疊誤差（Volumetric Overlap Error，VOE），用于計算預(yù)測分割結(jié)果與“金標(biāo)準(zhǔn)”區(qū)域間像素體積的重疊誤差，公式為：

VOE取值（0，1），當(dāng)VOE取值0時表示預(yù)測結(jié)果（A）與“金標(biāo)準(zhǔn)”區(qū)域（B）沒有誤差，是最好的分割結(jié)果。因此，VOE 取值越小表示分割誤差越小，精度越高。

為了驗(yàn)證本文算法的有效性，利用3 例病人的滑膜斷層圖像構(gòu)建測試樣本，檢測本文算法在滑膜斷層圖像上的分割精度，并與原U-Net模型的分割結(jié)果進(jìn)行對比。圖5展示了測試樣本的部分分割效果，從圖中可以看出，在本文算法分割滑膜得到的預(yù)測結(jié)果中，滑膜整體形狀及位置與醫(yī)生手工標(biāo)注的結(jié)果已經(jīng)十分接近，且預(yù)測圖的邊界相較于手工標(biāo)注的邊界更為圓滑。手工標(biāo)注的結(jié)果是由專業(yè)的醫(yī)學(xué)影像醫(yī)生標(biāo)注，然后經(jīng)資歷較深的影像專家確認(rèn)后所得，并以此作為本文的“金標(biāo)準(zhǔn)”。一般而言，醫(yī)生手工勾畫的邊緣有些銳利，而“金標(biāo)準(zhǔn)”（資歷較深的影像專家手工分割的結(jié)果）實(shí)際上要更圓滑一些。由圖5 可知，通過訓(xùn)練模型所得到的預(yù)測圖的邊界與“金標(biāo)準(zhǔn)”更接近。

圖5 分割結(jié)果Fig.5 Segmentation results

表1 給出了利用原始U-Net 模型進(jìn)行分割與利用本文算法進(jìn)行分割的結(jié)果。

表1 不同算法的分割結(jié)果對比Tab.1 Comparison of segmentation results of different algorithms

從圖5及表1所得結(jié)果可知，使用本文算法對關(guān)節(jié)滑膜增生區(qū)域進(jìn)行分割的精度高于原始U-Net。

為了驗(yàn)證樣本數(shù)量對實(shí)驗(yàn)結(jié)果的影響，利用本文模型對增廣前后的數(shù)據(jù)集分別進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)所得訓(xùn)練集和驗(yàn)證集上的Loss曲線和DSC曲線變化情況如圖6所示。

使用測試集對模型進(jìn)行檢測，所得分割結(jié)果如表2所示。

表2 不同訓(xùn)練集下分割結(jié)果對比Tab.2 Comparison of segmentation results under different training sets

從圖6及表2中結(jié)果可以看出，僅使用原始圖像進(jìn)行模型訓(xùn)練易出現(xiàn)過擬合現(xiàn)象，所得結(jié)果遠(yuǎn)不如采用增廣技術(shù)后，將所有圖像用于網(wǎng)絡(luò)訓(xùn)練所取得的分割效果好。因此，在數(shù)據(jù)量較小的情況下，對圖像進(jìn)行增廣操作，一定程度上提高了模型的性能，減少了網(wǎng)絡(luò)訓(xùn)練過程中的過擬合現(xiàn)象。

對于不同規(guī)模的樣本集，訓(xùn)練集、驗(yàn)證集、測試集的劃分也有所不同，表3 展示了三者不同分配比例情況下的分割結(jié)果。

圖6 數(shù)據(jù)增廣前后訓(xùn)練集與驗(yàn)證集Loss曲線與DSC曲線變化情況Fig.6 Changes of Loss curve and DSC curve of training set and validation set before and after data augmentation

由于能夠用于實(shí)驗(yàn)的樣本相對較少，因此采用了表3 中的分配方法對訓(xùn)練集、驗(yàn)證集和測試集進(jìn)行劃分。由表3 中數(shù)據(jù)可知，在樣本數(shù)據(jù)集相同的情況下，不同的分配比例對分割精度的影響不是特別明顯，但當(dāng)樣本足夠多時，對于不同的數(shù)據(jù)集，三者不同的分配比例對分割精度是否會產(chǎn)生明顯的影響，在后續(xù)的工作中仍需進(jìn)一步探究。

表3 不同分配比例下分割結(jié)果對比Tab.3 Comparison of segmentation results under different allocation ratios

3 結(jié)語

本文提出了一種基于2D ResU-net 的關(guān)節(jié)滑膜MRI 圖像分割算法。該算法借鑒殘差網(wǎng)絡(luò)中殘差學(xué)習(xí)的思想，將ResNet 與U-Net 相融合，增加了網(wǎng)絡(luò)深度，并解決了網(wǎng)絡(luò)較深時梯度消失的問題。實(shí)驗(yàn)結(jié)果表明，本文提出的分割算法可以取得較好的分割效果，并且該算法所需樣本相對較少，訓(xùn)練速度快。但實(shí)驗(yàn)中也存在一定的不足之處，針對滑膜斷層圖像中滑膜目標(biāo)區(qū)較多的圖像，本文算法存在漏分、多分或誤分的情況。針對這一問題，在后續(xù)的工作中將收集更多的多目標(biāo)區(qū)訓(xùn)練樣本，并嘗試其他有效的數(shù)據(jù)增廣方法，進(jìn)一步優(yōu)化模型參數(shù)，以實(shí)現(xiàn)更高精確度的關(guān)節(jié)滑膜自動分割。