基于多維度特征提取網(wǎng)絡(luò)的肝臟圖像分割

劉蕊,續(xù)欣瑩,謝珺

(1.太原理工大學(xué) 電氣與動力工程學(xué)院,山西 太原 030024；2.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院,山西 晉中 030600)

肝癌是世界范圍內(nèi)的主要公共衛(wèi)生問題，是全球最常見的惡性腫瘤之一[1].肝臟腫瘤最常用的檢測手段是計(jì)算機(jī)斷層掃描技術(shù)(computed tomography，CT)，清晰而準(zhǔn)確地描繪肝臟及腫瘤的范圍是肝癌診斷過程中至關(guān)重要的環(huán)節(jié).傳統(tǒng)的醫(yī)學(xué)影像處理方法是由放射科醫(yī)生手動逐張標(biāo)注病灶區(qū)域，工作耗時(shí)且人工負(fù)擔(dān)極大[2].隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，基于醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷技術(shù)以其精度高、速度快和成本低的特點(diǎn)在醫(yī)學(xué)圖像自動分割的臨床應(yīng)用中得到極大關(guān)注.

傳統(tǒng)的計(jì)算機(jī)視覺算法，如閾值分割、區(qū)域生長和基于機(jī)器學(xué)習(xí)的方法等，由于受限于先驗(yàn)特征且容易受到噪聲影響，并不適合肝臟腫瘤圖像分割的臨床應(yīng)用.隨著近年來深度學(xué)習(xí)方法的發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)，這種基于數(shù)據(jù)驅(qū)動的生物醫(yī)學(xué)數(shù)據(jù)檢測與分割方法無需手工操作即可實(shí)現(xiàn)端到端的病灶結(jié)果分析[3],目前已被用于多種醫(yī)學(xué)圖像處理，包括肺結(jié)節(jié)、眼底血管、腦卒中病變和腦腫瘤分割等[4-7].

對于肝臟CT圖像，不同病人樣本之間肝臟形狀和位置略有偏差，同一病例的肝臟形態(tài)也會隨著切片的不同而發(fā)生改變.肝臟與周圍組織器官密度相差較小，導(dǎo)致圖像的目標(biāo)對比度較低，邊界不清晰.并且CT圖像的成像過程引入了大量噪聲，這些都是自動分割算法研究中必須解決的關(guān)鍵難點(diǎn).與此同時(shí)，現(xiàn)有條件下難以獲取大量的帶標(biāo)注數(shù)據(jù)，所以從有限的數(shù)據(jù)中提取充分的特征信息是提升分割準(zhǔn)確度的關(guān)鍵，信息提取不充分會造成邊緣細(xì)節(jié)丟失等問題.由于醫(yī)學(xué)CT圖像數(shù)據(jù)的三維特性，數(shù)據(jù)中包含著單一方向的平面信息和體積方向的空間信息，因此需要采用合適的網(wǎng)絡(luò)結(jié)構(gòu)，以保證原始數(shù)據(jù)特征信息的充分獲取.

二維網(wǎng)絡(luò)被廣泛應(yīng)用在醫(yī)學(xué)圖像分割中，Ben-Cohen等[8]和Yuan[9]采用了級聯(lián)網(wǎng)絡(luò)的思想，將經(jīng)典的全連接網(wǎng)絡(luò)進(jìn)行串聯(lián)，對肝臟和腫瘤區(qū)域進(jìn)行逐步分割.Tian等[10]在全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)和CNN的2D肝臟腫瘤分割網(wǎng)絡(luò)基礎(chǔ)上，加入了由長短期記憶模型循環(huán)神經(jīng)網(wǎng)絡(luò)(long-short term memory，LSTM)和注意力機(jī)制組成的語言理解模塊，可在分割圖像的結(jié)果上直接生成診斷報(bào)告.Zhou等[11]在UNet結(jié)構(gòu)基礎(chǔ)上重新設(shè)置了密集跳躍連接方式，可針對不同任務(wù)靈活地改變網(wǎng)絡(luò)深度.Li等[12]將多種經(jīng)典模塊進(jìn)行組合，同時(shí)加強(qiáng)瓶頸處特征的應(yīng)用，提高了肝臟邊界分割效果.但二維網(wǎng)絡(luò)忽視了體積信息，僅利用單方向上的平面特征不能獲得足夠高的分割精度.后續(xù)研究人員提出了引入體積信息的2.5D網(wǎng)絡(luò)概念，Han[13]將多張連續(xù)切片疊加輸入到UNet和Resnet相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)中，在避免大幅增加網(wǎng)絡(luò)復(fù)雜度的同時(shí)引入了空間信息.Yang等[14]和Yun等[15]采用了多視角分割方法，對3個(gè)軸向的2D切片分別進(jìn)行分割，再使用投票機(jī)制將3方向結(jié)果進(jìn)行融合.這種方式雖然引入了一定的空間信息，但是切片的多通道融合會導(dǎo)致特征信息混雜，同時(shí)CT數(shù)據(jù)的各向異性使得不同軸向的切片之間分辨率存在較大差異，為多視角分割帶來障礙.三維網(wǎng)絡(luò)在體積數(shù)據(jù)利用方面擁有著極大的優(yōu)勢，不僅在單獨(dú)使用時(shí)獲得了明顯的精度提升，而且能夠與二維網(wǎng)絡(luò)相結(jié)合.Li等[16]使用了2D和3D DenseUNet分別提取切片內(nèi)和切片間特征，之后利用混合特征融合層對2個(gè)維度的特征進(jìn)行融合.Isensee等[17]在肝臟腫瘤分割任務(wù)中首先使用3D UNet結(jié)構(gòu)對腫瘤進(jìn)行粗分割，之后利用2D UNet進(jìn)行輔助分割，以提升分割精度.三維網(wǎng)絡(luò)在醫(yī)學(xué)圖像的體積信息提取和分割效果上都有明顯的優(yōu)勢，可以作為首選方法，但網(wǎng)絡(luò)復(fù)雜度和計(jì)算成本之間的平衡依然是制約三維網(wǎng)絡(luò)靈活應(yīng)用的問題.

由于醫(yī)學(xué)圖像的分割目標(biāo)往往是尺寸較小的腫瘤或器官，導(dǎo)致醫(yī)學(xué)圖像數(shù)據(jù)只有小部分陽性樣本，標(biāo)簽嚴(yán)重不平衡.一些損失函數(shù)已經(jīng)為解決該問題做出一定探索，焦點(diǎn)損失函數(shù)[18]通過在交叉熵?fù)p失函數(shù)的基礎(chǔ)上增加調(diào)制系數(shù)，對分割樣本的權(quán)重進(jìn)行了重塑，增加對難分割樣本的關(guān)注.針對醫(yī)學(xué)圖像分割任務(wù)，廣義Dice損失函數(shù)[19]依據(jù)標(biāo)簽出現(xiàn)的頻率來控制該標(biāo)簽的權(quán)重，從而達(dá)到平衡各標(biāo)簽訓(xùn)練的效果.指對數(shù)Dice損失函數(shù)[20]對Dice數(shù)值取對數(shù)，并加入指數(shù)形式，通過標(biāo)簽頻率來改善數(shù)據(jù)的不平衡問題.現(xiàn)有工作的數(shù)據(jù)不平衡問題多針對二維數(shù)據(jù)，對三維數(shù)據(jù)的相關(guān)問題研究仍有所欠缺.

為解決上述問題，本文構(gòu)建了一種多維度特征提取網(wǎng)絡(luò)RDD-UNet(residual dilated deep supervised-UNet)，從體素、軸向和網(wǎng)絡(luò)層級3個(gè)維度上充分提取特征信息，提高了肝臟分割的精確度.

1)本方法采用了改進(jìn)的三維殘差UNet網(wǎng)絡(luò)結(jié)構(gòu)，加入了長短跳躍連接，融合了上下層網(wǎng)絡(luò)結(jié)構(gòu)中的多尺度信息，在原始數(shù)據(jù)體積信息完整保留的情況下充分利用了層內(nèi)和層間特征.

2)本方法在編碼路徑中設(shè)計(jì)了DSC(dilated separable convolution)模塊，利用不平衡深度可分離空洞卷積操作，在擴(kuò)大卷積核感受野的同時(shí)，一定程度上緩解了三維網(wǎng)絡(luò)計(jì)算存儲空間需求大的問題.

3)本方法設(shè)計(jì)了混合損失函數(shù)，加入改進(jìn)的Dice損失函數(shù)以改善數(shù)據(jù)不平衡問題，加入SSIM(structural similarity)損失函數(shù)以提升肝臟邊界處分割效果,同時(shí)與深度監(jiān)督結(jié)構(gòu)相結(jié)合，進(jìn)一步提升肝臟分割精度.

1 RDD-UNet方法

所提網(wǎng)絡(luò)基于UNet基本結(jié)構(gòu)，加入了殘差連接，以長短跳躍連接相結(jié)合的方式充分融合層內(nèi)和層間切片信息；編碼路徑中設(shè)計(jì)了不平衡深度可分離空洞卷積模塊，在減少網(wǎng)絡(luò)計(jì)算量的同時(shí)擴(kuò)大了感受野，充分提取網(wǎng)絡(luò)多尺度層間語義信息；同時(shí)設(shè)計(jì)了混合損失函數(shù)和深度監(jiān)督相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)，能夠在改善小區(qū)域數(shù)據(jù)不平衡問題的同時(shí)，提升肝臟邊緣分割的精確度.

1.1 RDD-UNet網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的RDD-UNet網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，在經(jīng)典的醫(yī)學(xué)分割UNet[21]基礎(chǔ)結(jié)構(gòu)上，將網(wǎng)絡(luò)維度延伸至三維并增加了網(wǎng)絡(luò)深度.網(wǎng)絡(luò)主要包含編碼路徑、解碼路徑和深度監(jiān)督3部分.編碼路徑由4個(gè)編碼模塊和4個(gè)降采樣模塊組成，編碼模塊由卷積層、PReLU非線性層和dropout層組成，降采樣模塊使用步長為2的卷積層代替了一般的池化操作.其中第4個(gè)編碼模塊使用的是不平衡深度可分離空洞卷積模塊(DSC模塊)，在降低三維網(wǎng)絡(luò)運(yùn)算量的同時(shí)提升了網(wǎng)絡(luò)特征提取的效率，該模塊在1.2節(jié)中詳細(xì)介紹.解碼路徑和編碼路徑的結(jié)構(gòu)對稱，由4個(gè)解碼模塊和4個(gè)上采樣模塊組成.網(wǎng)絡(luò)主干通路中加入了UNet長連接和殘差短連接[22]，將網(wǎng)絡(luò)層級間不同尺度的語義信息進(jìn)行融合.輸出部分加入了深度監(jiān)督結(jié)構(gòu)，不同尺度的特征圖經(jīng)過反卷積層、相應(yīng)倍數(shù)的上采樣層和Sigmoid層恢復(fù)成原始數(shù)據(jù)尺寸，并結(jié)合混合損失函數(shù)，得到最終的分割結(jié)果，混合損失函數(shù)和深度監(jiān)督的結(jié)合使用在1.3節(jié)中具體介紹.

圖1 RDD-UNet網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of RDD-UNet

該模型的輸入X∈h×w×k是長寬為h×w(h=w=512)，厚度為k的三維數(shù)據(jù)，經(jīng)過預(yù)處理和重采樣步驟將尺寸縮放到256×256×k(本實(shí)驗(yàn)中k=48)，經(jīng)過網(wǎng)絡(luò)的運(yùn)算后，深度監(jiān)督端產(chǎn)生4個(gè)輸出h×w×k，分別對應(yīng)不同分辨率的分割結(jié)果，和作為網(wǎng)絡(luò)的輔助監(jiān)督中間結(jié)果，與混合損失函數(shù)相結(jié)合，共同調(diào)節(jié)網(wǎng)絡(luò)的訓(xùn)練過程，得到最終的分割結(jié)果該網(wǎng)絡(luò)可以充分利用CT數(shù)據(jù)各維度的信息，同時(shí)加入的殘差連接有助于改善網(wǎng)絡(luò)深層的梯度指數(shù)衰減，促進(jìn)信息傳播，使模型訓(xùn)練更加充分.

1.2 DSC卷積模塊

本方法中針對三維網(wǎng)絡(luò)計(jì)算存儲空間需求大的問題，在網(wǎng)絡(luò)中設(shè)計(jì)了DSC卷積模塊，在不平衡多分支結(jié)構(gòu)基礎(chǔ)上組合使用深度可分離和空洞卷積，具體描述如圖2所示:

圖2 DSC模塊結(jié)構(gòu)Fig.2 Structure of DSC block

該模塊包含3條分支，分別設(shè)置了不同的空洞卷積率，大感受野的卷積分支可以更多地提取大目標(biāo)的抽象特征，而小感受野的卷積分支則更針對小目標(biāo)的細(xì)節(jié)信息，各個(gè)分支信息最終融合，從體素維度上對輸入圖像進(jìn)行多尺度特征信息的提取.圖2中，框內(nèi)包含的2層結(jié)構(gòu)是深度可分離卷積操作，輸入特征圖Fi∈H×W×D×Ci，其中長寬為H×W，深度為D，輸入和輸出通道數(shù)為Ci和C0.原始卷積操作經(jīng)過k維卷積核所需參數(shù)為k×k×k×Ci×C0，現(xiàn)經(jīng)過深度分離和逐點(diǎn)卷積分解，參數(shù)量為k×k×k×1×Ci+1×1×1×C0×Ci.在本實(shí)驗(yàn)中，k=3且C0=128時(shí)參數(shù)量僅為原始的12%.

按照空洞卷積的原理，如果網(wǎng)絡(luò)中連續(xù)的卷積層使用相同的空洞率，會產(chǎn)生網(wǎng)格效應(yīng)，即高層特征圖中一個(gè)像素內(nèi)容是由底層圖像中分散的像素點(diǎn)組成，原理示意如圖3所示，這樣會造成圖像位置信息的丟失.為避免此問題，本方法采用混合空洞卷積的原則[23]，DSC模塊中2條空洞卷積分支的空洞率分別設(shè)置為[2,3]和[2,3,5]，保證感受野可以覆蓋完整的圖像信息，不存在孔洞或者邊緣信息丟失.

圖3 空洞卷積網(wǎng)格效應(yīng)Fig.3 Illustration of gridding problem

1.3 混合損失函數(shù)和深度監(jiān)督結(jié)構(gòu)

損失函數(shù)是深度學(xué)習(xí)模型中的重要部分，本方法設(shè)計(jì)了一種混合損失函數(shù)，主要解決肝臟分割的數(shù)據(jù)不平衡問題，同時(shí)提高了肝臟邊緣的分割精度.該混合損失函數(shù)由以下3部分組成：

1)改進(jìn)的Dice損失函數(shù)(FEL-Dice).Dice系數(shù)是醫(yī)學(xué)圖像分割中重要的衡量標(biāo)準(zhǔn)，它通過描述預(yù)測結(jié)果和真實(shí)標(biāo)簽之間的重疊區(qū)域大小來計(jì)算分割精確度.由Dice系數(shù)轉(zhuǎn)變成的Dice損失函數(shù)[24]已經(jīng)被廣泛應(yīng)用于醫(yī)學(xué)圖像分割任務(wù)中，但對于小尺寸目標(biāo)的分割問題，少量的錯(cuò)誤分割點(diǎn)就會導(dǎo)致?lián)p失值的大幅上升，影響最終的分割結(jié)果.本方法提出了一種改進(jìn)的Dice損失函數(shù)

(1)

其中，N是總體素?cái)?shù)量；pi和gi是在i點(diǎn)的預(yù)測值和標(biāo)簽值；常量ε用于防止函數(shù)分母為0.相比原始Dice函數(shù)，對數(shù)函數(shù)形式增加了損失的非線性程度，參數(shù)γ用于改變損失函數(shù)的斜率，這樣的改進(jìn)保證了數(shù)據(jù)中易分割點(diǎn)的損失函數(shù)沒有大的變化，而難分割點(diǎn)損失值大幅增加，從而增加了網(wǎng)絡(luò)對難分割點(diǎn)的關(guān)注度.在此實(shí)驗(yàn)中，由經(jīng)驗(yàn)取值γ=0.3.

2)二元交叉熵?fù)p失函數(shù)(binary cross entropy,BCE).這一函數(shù)可針對每個(gè)體素點(diǎn)計(jì)算差值，已被廣泛應(yīng)用在分割網(wǎng)絡(luò)中.

(2)

3)損失函數(shù)借鑒了結(jié)構(gòu)相似度(SSIM)，該相似度是圖像質(zhì)量的評判標(biāo)準(zhǔn)之一，通過對比圖像之間的亮度、對比度等信息，對圖像相似度進(jìn)行評判，值越大代表兩者結(jié)構(gòu)相似性越高.將SSIM作為損失函數(shù)引入圖像分割網(wǎng)絡(luò)，可針對肝臟邊緣的分割效果進(jìn)行提升.其損失函數(shù)為

(3)

其中，μp和μg表示圖像中預(yù)測值p和真實(shí)值q的平均值；σp和σg表示標(biāo)準(zhǔn)差；σpg表示兩者的協(xié)方差；常量C1和C2用于防止函數(shù)分母為0，根據(jù)文獻(xiàn)[25]的數(shù)據(jù)設(shè)置為C1=0.012,C2=0.032.

混合損失函數(shù)為

Lmul=LFEL-Dice+LBCE+LSSIM.

(4)

為了充分學(xué)習(xí)各尺度特征信息，本方法進(jìn)一步將混合損失函數(shù)與深度監(jiān)督結(jié)構(gòu)相結(jié)合，利用網(wǎng)絡(luò)低層和中層特征信息輔助網(wǎng)絡(luò)訓(xùn)練，加快訓(xùn)練過程的收斂速度，提高最終的分割精度.圖1虛線框中圈出的區(qū)域?yàn)樯疃缺O(jiān)督結(jié)構(gòu)，在解碼路徑中，網(wǎng)絡(luò)的最終輸出作為主監(jiān)督分支(黑色箭頭表示)，在3個(gè)解碼模塊后設(shè)置輔助監(jiān)督分支(藍(lán)色虛線箭頭表示).4個(gè)側(cè)向輸出產(chǎn)生的不同分辨率特征圖被送入反卷積層、相應(yīng)倍數(shù)的上采樣層和Sigmoid層，恢復(fù)成原始數(shù)據(jù)尺寸，利用混合損失函數(shù)與標(biāo)簽進(jìn)行對比，產(chǎn)生的誤差作為深度監(jiān)督信號，提升網(wǎng)絡(luò)的訓(xùn)練效果.

網(wǎng)絡(luò)的主監(jiān)督分支使用混合損失函數(shù)

(5)

3條輔助監(jiān)督的損失函數(shù)均分別使用FEL-Dice損失函數(shù)

(6)

網(wǎng)絡(luò)的總體損失函數(shù)由上述兩部分共同組成

(7)

其中，超參數(shù)α是調(diào)節(jié)監(jiān)督信息間比例關(guān)系的平衡系數(shù)，用于調(diào)整輔助監(jiān)督分支在網(wǎng)絡(luò)訓(xùn)練過程中的作用強(qiáng)度.α初始取值為0.3，之后隨迭代次數(shù)的增多而逐漸減小，每50次迭代后進(jìn)行一次衰減計(jì)算，最終趨近于0.具體衰減計(jì)算公式為

(8)

其中，M為總迭代次數(shù)，t為每50次的迭代次數(shù).

2 實(shí)驗(yàn)數(shù)據(jù)集與評價(jià)標(biāo)準(zhǔn)

2.1 實(shí)驗(yàn)數(shù)據(jù)集

本實(shí)驗(yàn)使用的數(shù)據(jù)集是2017 LiTS肝臟腫瘤分割挑戰(zhàn)賽的公開數(shù)據(jù)集，包含131個(gè)腹部增強(qiáng)三維CT掃描.由于圖像數(shù)據(jù)通過不同的儀器和來源收集，因此樣本間的分辨率和圖像質(zhì)量方面有差異.為了節(jié)省時(shí)間，在實(shí)驗(yàn)中原始CT數(shù)據(jù)在解剖切面被重采樣為256×256尺寸.在預(yù)處理過程中，所有掃描的圖像經(jīng)過窗口化操作，CT值控制在[-200，200]，以忽略其他器官的干擾，之后進(jìn)行了直方圖均衡化步驟，達(dá)到增強(qiáng)圖像對比度的效果.

2.2 評價(jià)標(biāo)準(zhǔn)

本實(shí)驗(yàn)采用的評價(jià)標(biāo)準(zhǔn)有Dice系數(shù)、體積重疊誤差(VOE)、相對體積誤差(RVD)、平均對稱表面距離(ASD)和最大對稱表面距離(MSD)等，計(jì)算公式為

(9)

(10)

(11)

(12)

(13)

其中，A和B分別表示預(yù)測分割區(qū)域和標(biāo)簽區(qū)域，S(A)代表A的曲面體素集.

全式(14)中‖·‖代表歐氏距離，d(v,S(A))代表任意體素v到S(A)的最短距離,計(jì)算公式為

(14)

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)?zāi)Ｐ痛罱ōh(huán)境為Python3.7，Pytorch框架，ubuntu18.04操作系統(tǒng)，采用NVIDIA TiTanXP 12G內(nèi)存GPU.網(wǎng)絡(luò)Dropout率設(shè)置為0.3，初始學(xué)習(xí)率為0.000 1，使用Adam算法進(jìn)行梯度更新.

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 混合損失函數(shù)與深度監(jiān)督實(shí)驗(yàn)效果

本實(shí)驗(yàn)的目的是證明方法所提出的混合損失函數(shù)和深度監(jiān)督網(wǎng)絡(luò)結(jié)構(gòu)，能夠在不平衡數(shù)據(jù)和目標(biāo)邊界區(qū)域表現(xiàn)出極大的效果改善.實(shí)驗(yàn)結(jié)果如表1和圖4所示.從圖4a-f中可以看出，混合損失函數(shù)結(jié)合深度監(jiān)督結(jié)構(gòu)的效果遠(yuǎn)高于單一損失函數(shù)的結(jié)果.從圖4c-e中的對比可以看出，混合損失函數(shù)能夠保留更多的細(xì)節(jié)信息，對肝臟邊緣細(xì)節(jié)的分割更精確.

此外，深度監(jiān)督結(jié)構(gòu)是從網(wǎng)絡(luò)隱含層中集成語義信息的重要組成結(jié)構(gòu).表1的結(jié)果顯示，相同損失函數(shù)條件下，加入了深度監(jiān)督的網(wǎng)絡(luò)效果有明顯提升.同時(shí)通過對圖4c和圖4f的比較可以看出，由于深度監(jiān)督的隱含層特征提取作用，非連通區(qū)域的分割效果有了明顯改善.

表1 不同損失函數(shù)和深度監(jiān)督結(jié)果比較Tab.1 Segmentation results with different loss and deep supervision

3.2.2 空洞卷積與殘差連接實(shí)驗(yàn)效果

本實(shí)驗(yàn)的目的是驗(yàn)證空洞卷積和短殘差連接作為重要的多尺度信息采集方法，在RDD-UNet中得到了明顯的效果.表2和圖5a-e顯示了RDD-UNet的消融實(shí)驗(yàn)情況.從表2中可以看出RDD-UNet的Dice系數(shù)增加約3%，與圖5d相比，圖5c的結(jié)果有明顯的優(yōu)勢，這說明空洞卷積對于非連通目標(biāo)可以準(zhǔn)確提取樣本點(diǎn)的位置信息.同時(shí)，圖5e中的大面積肝臟被錯(cuò)誤地分割為背景，非連通區(qū)域中間邊界被錯(cuò)誤分割為前景，這些結(jié)果說明了加入殘差連接可以有效地增加信息融合效果，提升分割精度.

a.原始圖像；b.肝臟標(biāo)簽；c-e.分別為RDD-UNet、無空洞卷積、無殘差連接模型下的分割結(jié)果.圖5 不同網(wǎng)絡(luò)結(jié)構(gòu)的肝臟分割結(jié)果示例Fig.5 Examples of liver segmentation result with different network architecture

圖6是在測試數(shù)據(jù)上Dice和VOE指標(biāo)數(shù)值范圍的箱型圖.從圖6結(jié)果可以看出，RDD-UNet不僅提高了整體的分割精度，而且對每個(gè)樣本都有一定程度的提升.

a.RDD-UNet的結(jié)果；b-h.分別為FEL-Dice+深度監(jiān)督、FEL-Dice+無深度監(jiān)督、BCE+深度監(jiān)督、BCE+無深度監(jiān)督、混合損失函數(shù)+無深度監(jiān)督、RDD-UNet+無空洞卷積和RDD-UNet+無殘差連接條件下的結(jié)果.圖6 測試結(jié)果箱形圖Fig.6 Box plots evaluated on test data

3.2.3 其他方法對比

本方法與Yuan[9]和Tian[10]等學(xué)者的方法及H-DenseUNet[16]、UNet++[11]、nnU-Net[17]和Bottleneck[12]等幾種方法進(jìn)行了定量比較，結(jié)果如表3所示.其中前2行是2017年MICCIA肝腫瘤分割比賽的冠亞軍結(jié)果.從表3結(jié)果可以看到，RDD-UNet在Dice系數(shù)和Dice Global數(shù)值均位居榜單高位，VOE得到了當(dāng)前較好的結(jié)果.

表3 對比實(shí)驗(yàn)結(jié)果Tab.3 Comparative experimental results

4 結(jié)束語

本方法提出了RDD-UNet網(wǎng)絡(luò)模型，在數(shù)據(jù)軸向?qū)蛹壊捎脜?shù)縮減的3D網(wǎng)絡(luò)提取多方向的有效體積信息，在體素層級運(yùn)用空洞卷積增大每層的有效特征感知區(qū)域，在網(wǎng)絡(luò)層級運(yùn)用多種跳躍連接相結(jié)合的方式融合多尺度上下文語義信息，與此同時(shí)運(yùn)用混合損失函數(shù)和深度監(jiān)督相配合的結(jié)構(gòu)，提升了肝臟器官邊緣的分割精度.本方法在公共數(shù)據(jù)集LiTS上的Dice分?jǐn)?shù)達(dá)到0.965 2，與其他方法相比達(dá)到了較高的精度水平.下一步將針對3D網(wǎng)絡(luò)計(jì)算量大的缺點(diǎn)，繼續(xù)對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，并加入后處理方法，以實(shí)現(xiàn)分割速度和精度的雙重提高.