基于改進(jìn)型V-net卷積神經(jīng)網(wǎng)絡(luò)的胃壁分割方法

趙呈陸，方志軍，高永彬，王海玲，衛(wèi)子然，蔡清萍

1.上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海201620；2.上海長(zhǎng)征醫(yī)院普外二科，上海200003

前言

胃癌是我國(guó)第二大癌癥，一直是困擾中國(guó)醫(yī)學(xué)界的重大疾病之一［1］。胃癌TNM（Tumor Node Metastasis）分期是現(xiàn)階段分析腫瘤侵犯程度的重要手段［2-3］。而TNM 分期中的T（Tumor）分期是TNM分期的關(guān)鍵標(biāo)準(zhǔn)，T 分期的結(jié)果將直接影響醫(yī)生對(duì)患者手術(shù)的可行性評(píng)估與手術(shù)的方案制定，更決定著患者術(shù)后的存活率。通常情況下，醫(yī)院評(píng)估患者的胃癌情況要依照專家組對(duì)患者的醫(yī)學(xué)影像結(jié)果分析評(píng)估，綜合胃鏡影像［4］、增強(qiáng)造影CT［5］等信息進(jìn)行科學(xué)評(píng)估，最終給出一個(gè)初步的分期結(jié)果，并根據(jù)分期結(jié)果制定手術(shù)方案。術(shù)后重新對(duì)患者的殘留組織進(jìn)行解剖并給出最終分期結(jié)果。而這些流程過(guò)于繁瑣，人工智能領(lǐng)域的快速發(fā)展為快速準(zhǔn)確地給出輔助診斷結(jié)果提供了新思路。T 分期的依據(jù)是腫瘤侵犯胃壁的深度，通過(guò)CT 影像分割出胃壁與腫瘤是利用人工智能技術(shù)實(shí)現(xiàn)T分期的關(guān)鍵一步，本文對(duì)上腹部CT影像中的胃壁分割展開研究。

上腹部CT 圖像實(shí)現(xiàn)胃壁分割面臨以下問(wèn)題：（1）醫(yī)學(xué)影像的數(shù)據(jù)比較少，尤其是CT 圖像，可以獲取到的有效數(shù)據(jù)更是有限，如果網(wǎng)絡(luò)的結(jié)構(gòu)模型過(guò)于復(fù)雜、參數(shù)過(guò)多，就會(huì)導(dǎo)致訓(xùn)練的模型過(guò)擬合，從而造成結(jié)果偏差。而傳統(tǒng)的數(shù)據(jù)增強(qiáng)是在圖像的基礎(chǔ)上做旋轉(zhuǎn)、平移等操作，CT圖像中器官的相對(duì)位置是固定的，增強(qiáng)之后的數(shù)據(jù)已經(jīng)不在CT 圖像的范疇之內(nèi)了。（2）CT 圖像中語(yǔ)義信息比較簡(jiǎn)單，圖像結(jié)構(gòu)單一，各器官的位置相對(duì)固定，器官位置會(huì)隨著CT層次的變化而發(fā)生相對(duì)位置偏移，但根據(jù)層次信息仍然有規(guī)律可循。（3）圖像對(duì)比度低，器官與器官之間的CT 值被平均化，因此需要更好的網(wǎng)絡(luò)框架對(duì)數(shù)據(jù)的特征進(jìn)行提取。

針對(duì)上述問(wèn)題本文主要貢獻(xiàn)如下：（1）針對(duì)數(shù)據(jù)量較少的問(wèn)題，本文采用在訓(xùn)練集中加入噪聲的方法對(duì)訓(xùn)練集進(jìn)行擴(kuò)充，擴(kuò)充后的數(shù)據(jù)不改變?cè)嫉奈副谙鄬?duì)位置。（2）現(xiàn)階段CT 圖像分割方法均采用將CT 圖像轉(zhuǎn)化為普通灰度圖像的方法進(jìn)行訓(xùn)練，使得圖像特征信息丟失嚴(yán)重。尤其是轉(zhuǎn)化為二維圖像后，丟失掉了CT 圖像各層次間的信息。本文使用可視化分割和注冊(cè)工具包（The Insight Segmentation and Registration Toolkit, ITK）［6］保留了原始CT 圖像的CT值，將CT值做成256×256×32的矩陣塊，極大保留了數(shù)據(jù)的原始特征。（3）提出正則化水平集損失函數(shù)，并在改進(jìn)的V-net 網(wǎng)絡(luò)框架上，首次實(shí)現(xiàn)上腹部CT影像的胃壁區(qū)域分割，將原始V-net在胃壁的分割精度提高了6%。

1 相關(guān)工作

分割是人工智能理解CT圖像信息的基礎(chǔ)環(huán)節(jié)，也是計(jì)算機(jī)輔助診斷技術(shù)的重要任務(wù)。分割根據(jù)圖像中的像素信息以及分割目標(biāo)中的像素劃分為前景和背景。而對(duì)于CT圖像而言，每張CT圖像包含了人體各器官因?yàn)閷?duì)X光的反射密度不同而產(chǎn)生的影像，并將其轉(zhuǎn)化為-1 000～1 000的CT值。使得本文通過(guò)利用CT值的信息來(lái)實(shí)現(xiàn)器官的分割任務(wù)成為可能。

相對(duì)于傳統(tǒng)圖像而言CT 圖像的處理具有一定的難度，一方面要保留原始數(shù)據(jù)的數(shù)據(jù)量不丟失，另一方面還要統(tǒng)一與RGB 圖像之間的位數(shù)關(guān)系（例如CT 值轉(zhuǎn)8 位的像素值）方便神經(jīng)網(wǎng)絡(luò)處理。現(xiàn)階段醫(yī)學(xué)圖像分割領(lǐng)域有很多成熟的網(wǎng)絡(luò)，如V-net 采用全卷積網(wǎng)絡(luò)的形式，不添加任何連接層即可實(shí)現(xiàn)圖像的分割［7］。Shen 等［8］利用V-net 在CT 影像上實(shí)現(xiàn)心臟動(dòng)脈分割并達(dá)到了90%的分割精度，Hu 等［9］的U-net腫瘤分割均采用神經(jīng)網(wǎng)絡(luò)的方法取得了較好的分割效果。而為了進(jìn)一步提高分割的準(zhǔn)確度和泛用性，CE-net［10］、CLCI-net［11］為了解決MRI圖像分割中下采樣過(guò)程圖像梯度消失的問(wèn)題，分別將殘差模塊和深度連接層的思想融入到全卷積神經(jīng)網(wǎng)絡(luò)中去。與CE-net、CLCI-net采用的MRI數(shù)據(jù)不同的是，CT圖像具有更低的對(duì)比度，多器官在掃描成像時(shí)產(chǎn)生容積效應(yīng)而引起器官邊緣模糊。尤其是胃壁區(qū)域，邊緣特征與總體特征均不明顯，加之胃壁厚度在整個(gè)圖像中的比例很小，這無(wú)疑對(duì)單純改變網(wǎng)絡(luò)結(jié)構(gòu)來(lái)實(shí)現(xiàn)胃壁分割造成了較大的挑戰(zhàn)。

2 本文提出方法

本文的方法首先通過(guò)數(shù)據(jù)增強(qiáng)的方法擴(kuò)充訓(xùn)練集，然后送入搭建好的卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，保留訓(xùn)練的模型參數(shù)。測(cè)試時(shí)，將模型參數(shù)導(dǎo)入原始神經(jīng)網(wǎng)絡(luò)框架，將測(cè)試集輸入神經(jīng)網(wǎng)絡(luò)獲取預(yù)測(cè)結(jié)果，最后通過(guò)Dice參數(shù)和交并比（Intersection Over Union,IOU）評(píng)估測(cè)試的結(jié)果。

2.1 數(shù)據(jù)增強(qiáng)

本文選用的學(xué)習(xí)框架基于3D V-net 全卷積神經(jīng)網(wǎng)絡(luò)，由于CT 圖像是有序的圖像序列，普通的二維卷積網(wǎng)絡(luò)只是從單張圖像中提取特征信息。而3D網(wǎng)絡(luò)可以同時(shí)將有序的CT 圖像進(jìn)行多層卷積，可以捕捉到各層次胃壁結(jié)構(gòu)之間的相關(guān)特征信息。本網(wǎng)絡(luò)的輸入為經(jīng)過(guò)人工篩選后選取的52位胃癌患者的含有胃壁特征信息的CT 圖像，共包含1 664 張有效數(shù)據(jù)。通過(guò)特殊處理，每組數(shù)據(jù)做成一個(gè)256×256×32的圖像塊。由于數(shù)據(jù)量相對(duì)較少，為了能夠提高訓(xùn)練效率，抑制過(guò)擬合，本文采用數(shù)據(jù)增強(qiáng)的方法來(lái)擴(kuò)充一部分?jǐn)?shù)據(jù)。

普通RGB 圖像的處理方法往往采用數(shù)據(jù)增強(qiáng)的方式來(lái)擴(kuò)充數(shù)據(jù)，例如旋轉(zhuǎn)、裁剪、放射變換等。但是這些方法并不適用于本研究領(lǐng)域，主要原因是胃壁一般在上腹部的上方位置，胃壁的規(guī)則不一。CT圖像往往是逐層掃描獲得的，在掃描的過(guò)程中獲取到的圖像層次間具有一定的規(guī)律性，一般前幾層的胃壁總是出現(xiàn)在下方（賁門的位置），隨著掃描的進(jìn)行，胃壁會(huì)由右下方逐漸變換到右上方（幽門和胃底的位置）。而數(shù)據(jù)增強(qiáng)的方法產(chǎn)生的圖像已經(jīng)不屬于胃部CT 的圖像特征領(lǐng)域。本文采用加入隨機(jī)噪聲的方法產(chǎn)生新的圖像，能更好地模擬原始的CT 圖像，在擴(kuò)充數(shù)據(jù)的同時(shí)能更好地抑制過(guò)擬合。為了不破壞圖像的原始結(jié)構(gòu)，本文采用插入線性隨機(jī)擾動(dòng)的方法，使得像素值在一定范圍內(nèi)變化，插值公式如下：

其中，Pi'為插入的像素值，Pi為當(dāng)前像素值。γ1、γ2為隨機(jī)生成的0～1之間的浮點(diǎn)數(shù)，加入噪聲后生成的圖像如圖1所示。

圖1 數(shù)據(jù)加入噪聲前后對(duì)比Fig.1 Comparison of data before and after adding noise

從圖1可以看出，圖像在增加噪聲后，沒有破壞原始圖像的結(jié)構(gòu)與特征。本文通過(guò)上述方法對(duì)原始數(shù)據(jù)進(jìn)行翻倍擴(kuò)充，最終獲得74組訓(xùn)練數(shù)據(jù)，每組數(shù)據(jù)含有32 張CT 圖像；15 組測(cè)試數(shù)據(jù)，每組有32 張CT圖像。

2.2 改進(jìn)型V-net網(wǎng)絡(luò)框架

本文采用上腹部CT 圖像，從食管開始掃描，向下每隔5 mm 進(jìn)行一次圖像采集。因此CT 圖像序列可以看作是一個(gè)離散的三維圖像。每一層圖像之間具有一定的空間關(guān)系，目前的圖像分割網(wǎng)絡(luò)在形式上均是編碼-解碼的方式，也稱為下采樣編碼再上采樣解碼，但是傳統(tǒng)的二維卷積網(wǎng)絡(luò)在編碼時(shí)會(huì)丟失大量的空間域信息，因此本文選用的是3D V-net 全卷積神經(jīng)網(wǎng)絡(luò)，3D 卷積神經(jīng)網(wǎng)絡(luò)能夠同時(shí)對(duì)32 層的CT圖像進(jìn)行卷積，在學(xué)習(xí)圖像特征的同時(shí)，能夠?qū)W習(xí)胃壁在各層次之間的位置變化信息。

3D卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)含有龐大參數(shù)體系的網(wǎng)絡(luò)模型，為了使模型更好地發(fā)揮其性能，本文方法的整體流程如圖2所示。

圖2 改進(jìn)V-net模型訓(xùn)練原理圖Fig.2 Schematic diagram of improved V-net model training

下采樣過(guò)程中，高層特征圖包含語(yǔ)義類別信息，低層特征圖保留圖像細(xì)節(jié)信息。卷積神經(jīng)網(wǎng)絡(luò)在下采樣的過(guò)程中，會(huì)丟掉重要的類別信息。隨著下采樣過(guò)程的進(jìn)行，圖像梯度逐漸消失，為了解決該問(wèn)題，并且保留高層圖像的語(yǔ)義信息，本文將高層的卷積結(jié)果通過(guò)連接層送入到上采樣過(guò)程，但是完全送入上采樣過(guò)程無(wú)疑增加了訓(xùn)練難度，本文通過(guò)全局平均權(quán)重模塊將下采樣過(guò)程中的特征圖通過(guò)乘以一定的權(quán)重值連接到上采樣過(guò)程中，具體做法是首先將下采樣過(guò)程中前4層輸出的特征圖進(jìn)行平均池化，然后通過(guò)Softmax 函數(shù)計(jì)算出對(duì)應(yīng)的權(quán)重值。計(jì)算權(quán)重的公式如下：

其中，F(xiàn)i表示第i層的卷積輸出結(jié)果。采用全局平均池化（Global Average Pooling,GAP）的目的是為了消除下采樣過(guò)程中因尺度不同對(duì)權(quán)重值產(chǎn)生的影響，采用全局平均權(quán)重模塊（Global Average Weight,GAW）有效利用多尺度的特征信息提高了深度學(xué)習(xí)的學(xué)習(xí)效率。權(quán)重獲取過(guò)程如圖3所示。

圖3 全局平均權(quán)重（GAW）模塊Fig.3 Global average weight module

2.3 損失函數(shù)

傳統(tǒng)的醫(yī)學(xué)圖像分割網(wǎng)絡(luò)一般采用交叉熵［12］（Cross Entropy, CE）或者Dice coefficient 損失函數(shù)（Dice loss）。這些損失函數(shù)應(yīng)用于很多領(lǐng)域，如Shen 等［8］在CT 冠脈分割領(lǐng)域利用Dice loss 取得了較好的結(jié)果。但CE或者Dice loss在本研究的胃壁分割中效果均不理想。原因是上述損失函數(shù)在尚未獲得準(zhǔn)確的胃壁邊緣時(shí)就已經(jīng)陷入了局部最優(yōu)。

水平集損失函數(shù)（LS loss）是Kim 等［13］在2019年提出的一種基于水平集方法的損失函數(shù)［14］，第一次將水平集方法應(yīng)用在深度學(xué)習(xí)網(wǎng)絡(luò)的損失函數(shù)中。LS loss定義為：

其中，μ≥0,v≥0,λ1,λ2> 0 為定值參數(shù)，Ω 是整個(gè)圖像區(qū)域，φ是水平集函數(shù)，c1、c2 是φ= 0 曲線內(nèi)、外各自像素平均值。Length(φ)和Area(φ)分別表示曲線長(zhǎng)度和面積正則化項(xiàng)，μ0(x,y)為圖像中(x,y)處的像素值。H為可微分的階躍函數(shù)，其中α為超參數(shù)，用于提高函數(shù)的梯度，實(shí)驗(yàn)中設(shè)置為2.5。

LS loss 的思想是首先利用階躍函數(shù)將預(yù)測(cè)結(jié)果和Ground truth 的外壁邊緣以內(nèi)全部置1，邊緣外部置0，在計(jì)算損失時(shí)，與預(yù)測(cè)結(jié)果和Ground Truth相乘然后累加求和計(jì)算損失，取反后再執(zhí)行同樣的操作。這樣做的目的是給邊緣加足夠的權(quán)重，這種損失函數(shù)適用于單外邊緣物體的分割，不適用于胃壁這種內(nèi)外雙邊緣物體的分割。本文在水平集的基礎(chǔ)上，提出了一種正則化水平集損失函數(shù)（LSR loss），可以通過(guò)LS loss 優(yōu)化邊緣的同時(shí)，通過(guò)正則化來(lái)約束胃壁的內(nèi)部細(xì)節(jié)特征，較好地發(fā)揮了水平集方法和深度學(xué)習(xí)方法各自的優(yōu)點(diǎn)。LSR loss定義為：

其中，Ω 表示整個(gè)圖像區(qū)域，GI(x,y)表示Ground Truth 中的像素值，φ(x,y)表示網(wǎng)絡(luò)預(yù)測(cè)出的圖像的像素值。其中：

當(dāng)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值φ(x,y)與胃壁的對(duì)應(yīng)位置越精確時(shí)，cl1、cl2的值會(huì)越接近1，那么Ground Truth與其做差就會(huì)相當(dāng)于取反，再與預(yù)測(cè)值φ(x,y)對(duì)應(yīng)相乘就會(huì)接近于0。但是當(dāng)胃壁邊界有誤差時(shí)，該損失值會(huì)非常的大，因此本文添加λ1、λ2來(lái)約束該損失函數(shù)的大小，使其歸一化。實(shí)驗(yàn)時(shí)，由于胃壁邊緣權(quán)重大，H(φ(x,y))會(huì)將預(yù)測(cè)結(jié)果中接近0的像素點(diǎn)置1，導(dǎo)致內(nèi)部非胃壁區(qū)域誤判為1，因此本文在損失函數(shù)最后添加了L2正則化項(xiàng)，來(lái)約束內(nèi)部的預(yù)測(cè)損失，并用參數(shù)λ3來(lái)約束正則項(xiàng)的大小。

本文提出的損失函數(shù)繼承了傳統(tǒng)水平集函數(shù)良好的邊緣優(yōu)化特性，又很好的抑制了過(guò)擬合現(xiàn)象。這一方法很好的解決了胃壁外邊緣損失的問(wèn)題，同時(shí)也更好的降低了多器官的容積效應(yīng)對(duì)分割結(jié)果的影響。后面的實(shí)驗(yàn)中也證實(shí)了使用該損失函數(shù)的方法要優(yōu)于單獨(dú)使用水平集損失函數(shù)方法。

2.4 評(píng)估指標(biāo)

本文采用的評(píng)估指標(biāo)是Dice 系數(shù)和IOU。其中Dice 系數(shù)通過(guò)計(jì)算預(yù)測(cè)圖像與Ground Truth 之間的匹配度來(lái)比較不同分割方法的精確度。IOU 則比較預(yù)測(cè)圖像與Ground Truth 之間的交集和并集的比值。Dice 系數(shù)和IOU 值的范圍都在0～1 之間，數(shù)值越高，證明分割的精度越高，計(jì)算公式分別如下：

其中，YG代表Ground Truth，Yp代表神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)值。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)平臺(tái)與數(shù)據(jù)集

實(shí)驗(yàn)環(huán)境：ubuntu16.04 操作系統(tǒng)，英特爾Xeon（至強(qiáng)）E5-2678 v3 處理器，32 GB 內(nèi)存，Nvidia GeForce GTX 1080 Ti顯卡，實(shí)驗(yàn)網(wǎng)絡(luò)使用的Adam優(yōu)化，初始學(xué)習(xí)率為0.000 01。訓(xùn)練2 000個(gè)epoch。

數(shù)據(jù)來(lái)自長(zhǎng)征醫(yī)院醫(yī)學(xué)影像組，包含52位胃癌患者的醫(yī)學(xué)診斷圖像，共計(jì)1 664張包含胃壁信息的CT數(shù)據(jù)。擴(kuò)充后，74組訓(xùn)練數(shù)據(jù)作為訓(xùn)練集，15組作為測(cè)試集。每組數(shù)據(jù)由32張連續(xù)大小為256×256像素的CT圖像組成。

本實(shí)驗(yàn)獲取的上腹部CT 圖像有4 個(gè)掃描周期：門靜脈期、動(dòng)脈期、平衡期、延遲期。動(dòng)脈期主動(dòng)脈由于靜脈注射的高密度造影劑通過(guò)心臟左心室流入動(dòng)脈，使得動(dòng)脈密度很高，在CT 上、相對(duì)于其他區(qū)域顯現(xiàn)出較高亮度。脾臟呈花斑樣，肝動(dòng)脈有明顯邊界，肝臟一般沒有強(qiáng)化。各器官在動(dòng)脈期由于造影劑尚未完全到達(dá)各器官內(nèi)血管，胃周動(dòng)脈會(huì)有不均勻強(qiáng)化現(xiàn)象［15］。動(dòng)脈晚期門靜脈期可以有密度稍高，下腔靜脈及肝靜脈沒有顯示密度升高，腎臟顯示皮質(zhì)強(qiáng)化明顯，髓質(zhì)沒有強(qiáng)化。門靜脈期是門靜脈血管充盈顯影期，此時(shí)肝臟由于主要由門靜脈供血，而造成肝臟增強(qiáng)，這個(gè)時(shí)期看門靜脈比較清晰。平衡期是一定時(shí)間后血管都已充盈顯影，這個(gè)時(shí)期的整體腹部血管系統(tǒng)增強(qiáng)顯影。延遲期是影像增強(qiáng)后，隨著時(shí)間推移，血管內(nèi)造影劑持續(xù)通過(guò)腎臟過(guò)濾回流膀胱導(dǎo)致造影劑明顯減少的時(shí)期。但如果有腫瘤等富血管組織，由于腫瘤內(nèi)血管混雜，其內(nèi)的造影劑衰退比較慢，延遲期腫瘤區(qū)域部分造影劑殘留，形成相對(duì)高密度區(qū)域。充分考慮各時(shí)期的特點(diǎn)，本實(shí)驗(yàn)選取了動(dòng)脈期作為胃壁分割的重要時(shí)期。主要考慮到動(dòng)脈期胃周動(dòng)脈不均勻強(qiáng)化，使得胃壁和腫瘤與其他組織區(qū)域亮度不一致，利用上述方法從動(dòng)脈期胃部圖像分割出胃壁，可以獲得更好的效果。

3.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)在本文的數(shù)據(jù)集之上，分別在不同的網(wǎng)絡(luò)上實(shí)驗(yàn)并分析，實(shí)驗(yàn)結(jié)果如圖4所示。本文的方法較好的保留了腫瘤區(qū)域和胃壁褶皺區(qū)域，相對(duì)于其他方法也有一定的優(yōu)勢(shì)。其中V-net分割方法誤將水識(shí)別為胃壁區(qū)域，導(dǎo)致分割效果較差，外邊緣的效果相對(duì)于Ground Truth 以及本文的方法也相對(duì)差一些。CE-net 的邊緣效果較好，但是個(gè)別位置胃壁有缺損，效果相對(duì)于本文的方法也略差。本文的方法比較接近Ground Truth，但是腫瘤區(qū)域相對(duì)于Ground Truth略厚，還是沒有達(dá)到很高的精度，有一定的提升空間。而本文的方法，外邊緣由于損失函數(shù)計(jì)算邊緣的權(quán)重較大，相對(duì)于其他方法有一定的優(yōu)勢(shì)，整體分割結(jié)果也相對(duì)較好。

圖4 本文方法胃壁分割的效果展示Fig.4 Results of gastric wall segmentation

評(píng)估指標(biāo)的結(jié)果如表1所示。從表1中可以看出，本文網(wǎng)絡(luò)結(jié)構(gòu)平均Dice相對(duì)于采用LS loss的V-net分割結(jié)果提升了6%，相對(duì)于最新的CE-net 和Dense U-net 也都有一定的優(yōu)勢(shì)，其中相對(duì)于CE-net 提升了2.7%，相對(duì)于Dense U-net提升了3.1%。

表1 不同網(wǎng)絡(luò)結(jié)構(gòu)分割結(jié)果對(duì)比Tab.1 Comparison of segmentation results obtained by different network structures

3.3 消融實(shí)驗(yàn)

為了驗(yàn)證各模型的功能及作用，本文采用消融研究的方法去驗(yàn)證各個(gè)模型在框架中起到的作用，本文的消融研究方法在基礎(chǔ)框架之上，按圖5的順序逐步添加各個(gè)模塊，實(shí)驗(yàn)結(jié)果如圖5所示。

其中，圖5a是原始的CT影像；圖5b是普通的V-net網(wǎng)絡(luò)加交叉熵?fù)p失函數(shù)（CE loss）的方法；圖5c是V-net網(wǎng)絡(luò)加LS loss 的分割方法；圖5d 是數(shù)據(jù)擴(kuò)充后加入LSR loss 的結(jié)果；圖5e 為在前面的基礎(chǔ)之上加入GAW 模塊的實(shí)驗(yàn)結(jié)果；圖5f 為Ground Truth。從圖5b 可以看出，原始的分割方法很難學(xué)到胃壁的邊緣信息，從而使得分割效果不佳，在圖5c 加入LS loss后，邊緣信息比較完整，但是內(nèi)壁邊緣有較嚴(yán)重的過(guò)擬合現(xiàn)象，圖5d 在擴(kuò)充數(shù)據(jù)的同時(shí)，加入LSR loss 再加入L2正則化后，胃壁內(nèi)邊緣開始有所增強(qiáng)，補(bǔ)全了單獨(dú)使用LS loss 學(xué)習(xí)導(dǎo)致的胃壁缺失部分，但是在優(yōu)化的同時(shí)，胃壁出現(xiàn)了缺損。最后圖5e 在加入GAW 模塊后，缺失有所改善。通過(guò)對(duì)比，可以發(fā)現(xiàn)，本文提出的方法很好的實(shí)現(xiàn)了胃壁分割。而水平集損失函數(shù)對(duì)外邊緣的區(qū)域優(yōu)化明顯。

圖5 消融實(shí)驗(yàn)結(jié)果對(duì)比Fig.5 Comparison of ablation results with ground truth

消融分析的具體實(shí)驗(yàn)數(shù)據(jù)見表2。從表2可以看出，各模塊對(duì)效果都有一定的提升，尤其是數(shù)據(jù)擴(kuò)充后加入LSR loss，相對(duì)于只加入LS loss平均Dice提高了4%。最后加入GAW模塊也有1.9%的提升。

表2 消融分析Tab.2 Ablation analysis

4 結(jié)束語(yǔ)

通過(guò)上述實(shí)驗(yàn)數(shù)據(jù)對(duì)比，本文提出的方法在胃壁分割領(lǐng)域取得了較高的分割精度，可完整的保留胃壁邊緣與腫瘤信息，并且能夠在一定程度上識(shí)別胃壁褶皺區(qū)域。本文提出的方法較好的保留了原始CT圖像的信息，很好的解決了數(shù)據(jù)量較少的問(wèn)題，引用GAW 模塊很好的解決了下采樣過(guò)程的類別信息損失問(wèn)題，采用正則化損失函數(shù)更好的保留了胃壁的邊緣信息并很好的抑制了過(guò)擬合。本文的方法為胃癌腫瘤分期研究奠定了良好的基礎(chǔ)。但是本文的方法中參數(shù)和運(yùn)算復(fù)雜度略高于其它方法，主要是因?yàn)楸疚牟捎?D 卷積以及更復(fù)雜的損失函數(shù)，因此本文的方法還有進(jìn)一步的優(yōu)化空間。因此，我們還會(huì)在此基礎(chǔ)上深入研究，找到更好的方法，并下一步計(jì)劃實(shí)現(xiàn)胃癌T 分期，為中國(guó)醫(yī)療事業(yè)貢獻(xiàn)出綿薄之力。