基于D?Unet 神經(jīng)網(wǎng)絡(luò)的鼻腔鼻竇腫瘤分割算法

李富豪，趙希梅，2

（1.青島大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，山東青島 266071；2.山東省數(shù)字醫(yī)學(xué)與計(jì)算機(jī)輔助手術(shù)重點(diǎn)實(shí)驗(yàn)室，山東青島 266071）

0 概述

鼻腔鼻竇腫瘤是臨床上的一種多發(fā)性疾?。?］，幾乎各類組織的腫瘤都可以發(fā)生在鼻腔鼻竇中，具有惡性高、轉(zhuǎn)移灶等特點(diǎn)［2］，使患者的生命安全受到極大的威脅。鼻腔鼻竇腫瘤較隱蔽，常與鼻竇炎并存，癥狀含混，導(dǎo)致易被忽略而延誤就診［3］。因此，實(shí)現(xiàn)早診斷、早治療對(duì)延長(zhǎng)患者的生命具有十分重要的臨床意義［4］。臨床常采用影像學(xué)技術(shù)進(jìn)行掃描檢查，其中CT 掃描的目的是判斷腫瘤的侵犯范圍，以便制定治療方案及治療后及時(shí)診斷是否復(fù)發(fā)［3］。一般情況下，由于腫瘤形狀不規(guī)則，很難進(jìn)行測(cè)量，且測(cè)量準(zhǔn)確性也有限，因此臨床醫(yī)生須花費(fèi)大量時(shí)間手動(dòng)追蹤病變輪廓。但僅憑醫(yī)生的肉眼判斷，產(chǎn)生的診斷結(jié)果往往帶有主觀性，難以實(shí)現(xiàn)精準(zhǔn)診斷。

隨著數(shù)字醫(yī)療設(shè)備和計(jì)算機(jī)圖像處理［5］的快速發(fā)展和深度學(xué)習(xí)領(lǐng)域中算法和理論的涌現(xiàn)，用于醫(yī)學(xué)圖像分割領(lǐng)域的計(jì)算機(jī)輔助診斷（Computer Aided Diagnosis，CAD）［6］技術(shù)為鼻腔鼻竇腫瘤的診斷帶來(lái)了新的生機(jī)，為實(shí)現(xiàn)該腫瘤的早期診斷和精準(zhǔn)治療奠定基礎(chǔ)。

目前，應(yīng)用于圖像分割的算法主要分為傳統(tǒng)機(jī)器學(xué)習(xí)［7］和深度學(xué)習(xí)［8］2 大方面。在機(jī)器學(xué)習(xí)方面，PASSERA［9］提出并驗(yàn)證了一種用于鼻竇和鼻腔腫瘤體積分析的分割算法，該算法基于半監(jiān)督模糊CMeans 聚類方法，具有較高的腫瘤面積量化精度，可用于腫瘤治療反應(yīng)的評(píng)估。在深度學(xué)習(xí)方面，PASSERA 等［10］提出一種用于腸型腺癌（ITAC）體積評(píng)估的半自動(dòng)分割方法，該方法基于高斯隱馬爾可夫隨機(jī)場(chǎng)（GHMRF）模型，在量化腫瘤面積方面具有較高的準(zhǔn)確率。

鼻腔鼻竇腫瘤的CT 影像具有形態(tài)不規(guī)則、分界不均勻、密度不均的軟組織腫塊影等特征，影響神經(jīng)網(wǎng)絡(luò)對(duì)腫瘤特征信息的學(xué)習(xí)和讀取，導(dǎo)致學(xué)習(xí)效率和分割準(zhǔn)確度降低。本文對(duì)U-Net［11］算法結(jié)構(gòu)進(jìn)行改進(jìn)，提出一種鼻腔鼻竇腫瘤的可變形神經(jīng)網(wǎng)絡(luò)分割框架（D-Unet），以實(shí)現(xiàn)對(duì)腫瘤CT 圖像的自動(dòng)精準(zhǔn)分割。將可變形卷積網(wǎng)絡(luò)（Deformable Convolution Network，DCN）［12］融入D-Unet 網(wǎng)絡(luò)，使網(wǎng)絡(luò)具有自適應(yīng)的感受野，以便應(yīng)對(duì)不同形狀和尺寸的腫瘤并進(jìn)行特征學(xué)習(xí)。在此基礎(chǔ)上，采用Tversky 損失函數(shù)［13］，并關(guān)注較小的目標(biāo)，以解決樣本失衡問(wèn)題。此外，為驗(yàn)證所提算法的效果，將其與U-Net、Res-Unet［14］及Attention U-Net［15］算法進(jìn)行對(duì)比實(shí)驗(yàn)。

1 相關(guān)理論

1.1 U-Net 網(wǎng)絡(luò)

U-Net 是一種新的全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）［16］結(jié)構(gòu)，多用于醫(yī)學(xué)圖像的分割。相比于傳統(tǒng)圖像，醫(yī)學(xué)圖像的表現(xiàn)更復(fù)雜，具有目標(biāo)邊界模糊、對(duì)比度差等特點(diǎn)。而且，在生物醫(yī)學(xué)研究方面，通常無(wú)法獲得足夠的訓(xùn)練樣本以完成深度學(xué)習(xí)，存在數(shù)據(jù)樣本量不足和樣本差異性較大等問(wèn)題。U-Net 為解決這些問(wèn)題提供了新的思路。

通常卷積神經(jīng)網(wǎng)絡(luò)做圖像分割任務(wù)時(shí)，會(huì)在卷積后接上若干個(gè)全連接層，并將卷積層產(chǎn)生的特征圖（feature map）映射成為一個(gè)固定長(zhǎng)度的特征向量，期望得到輸入圖像的分類概率。這主要適用于圖像級(jí)別的分類和回歸任務(wù)，但其存在存儲(chǔ)開(kāi)銷大、重復(fù)計(jì)算、感受野較小等缺點(diǎn)。FCN 作為語(yǔ)義分割網(wǎng)絡(luò)的一種，可以將不同尺度的圖片作為輸入，利用反卷積將特征圖上采樣恢復(fù)到原圖大小，并將分類問(wèn)題精確到目標(biāo)圖片的每一個(gè)像素點(diǎn)，避免了冗余計(jì)算。但該網(wǎng)絡(luò)對(duì)圖片中的細(xì)節(jié)不敏感，而且割裂了局部和整體的一致性。

為解決以上問(wèn)題，文獻(xiàn)［11］使用了U-Net 網(wǎng)絡(luò)，算法采用跳躍連接對(duì)醫(yī)學(xué)圖像進(jìn)行分割，將擴(kuò)張路徑中上采樣結(jié)果與收縮路徑中具有相同分辨率的子模塊的輸出進(jìn)行連接，作為擴(kuò)張路徑中下一個(gè)子模塊的輸入。通過(guò)學(xué)習(xí)目標(biāo)的深層特征，并與后續(xù)層特征結(jié)合，從而保留高分辨率特征［17-18］。該算法由編碼器-解碼器組成，編碼器進(jìn)行特征提取過(guò)程中，將逐漸減少池化層的空間維度。采用解碼器以精確定位，逐步修復(fù)物體的細(xì)節(jié)和空間維度。其結(jié)構(gòu)如圖1 所示，左側(cè)可視為一個(gè)編碼器，右側(cè)可視為一個(gè)解碼器。編碼器有4 個(gè)子模塊組成，每個(gè)子模塊包含2 個(gè)卷積層，且每個(gè)子模塊后有1 個(gè)通過(guò)最大池化實(shí)現(xiàn)的下采樣層。輸入圖像的分辨率是572×572，第1～5 個(gè)模塊的分辨率分別是572×572、284×284、140×140、68×68 和32×32。解碼器也包含4 個(gè)子模塊，分辨率通過(guò)上采樣操作依次上升，并將低層特征和高層特征進(jìn)行融合，直到與輸入圖像的分辨率一致。

圖1 U-Net 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of U-Net network

綜上所述，U-Net 采用對(duì)稱結(jié)構(gòu)，將高低層特征融合，從而能更好地恢復(fù)圖像細(xì)節(jié)，且支持少量數(shù)據(jù)樣本訓(xùn)練，擁有更高的分割準(zhǔn)確率。但該網(wǎng)絡(luò)依然對(duì)低層特征信息利用率不足，尤其對(duì)于鼻腔鼻竇腫瘤來(lái)說(shuō)，其小目標(biāo)物體存在較多，語(yǔ)義信息稀少，低層特征頗多，分割準(zhǔn)確度會(huì)受到數(shù)據(jù)集影響。

1.2 可變形卷積

一般卷積神經(jīng)網(wǎng)絡(luò)由于構(gòu)建模塊中固定的幾何結(jié)構(gòu)，同一層特征點(diǎn)的感受野大小不變，且局限于模型幾何變換，故均只對(duì)輸入圖片的固定位置進(jìn)行特征學(xué)習(xí)。2017 年微軟亞洲研究院DAI 等［12］提出可變形卷積網(wǎng)絡(luò)，通過(guò)將額外的偏移量加入到常規(guī)卷積操作的每個(gè)采樣點(diǎn)上，使卷積操作中采樣點(diǎn)的位置根據(jù)目標(biāo)形狀自由改變，擁有自適應(yīng)的感受野，更好地解決了學(xué)習(xí)目標(biāo)具有空間形變的問(wèn)題，提升了特征提取的能力。

圖2 所示為常規(guī)卷積和3 種可變形卷積的采樣點(diǎn)位置，圖2（a）中的黑點(diǎn)表示常規(guī)卷積采樣位置，圖2（b）代表可變形卷積中具有增大偏移量的變形采樣點(diǎn)，圖2（c）和圖2（d）是圖2（b）的特殊情況，表示可變形卷積可以進(jìn)行縮放、旋轉(zhuǎn)和不同長(zhǎng)寬比變化的各種變換，其感受野的大小也根據(jù)采樣點(diǎn)位置的變化而變化，進(jìn)一步展示了可變形卷積適應(yīng)目標(biāo)空間形變的能力。

圖2 3×3 常規(guī)卷積和變形卷積采樣點(diǎn)位置對(duì)比示意圖Fig.2 Schematic diagram of 3×3 conventional convolution and deformation convolution sampling point position comparison

如圖3 所示，可變形卷積通過(guò)在輸入特征圖上使用一個(gè)平行卷積層學(xué)習(xí)得到偏移量。其卷積核具有與當(dāng)前卷積層相同的空間分辨率，輸出偏移量與輸入特征圖具有相同的空間分辨率，通道尺寸2N對(duì)應(yīng)于N個(gè)2D 偏移。在訓(xùn)練期間，采用雙線性插值方法同時(shí)學(xué)習(xí)用于生成輸出特征和偏移的卷積核。

圖3 3×3 可變形卷積結(jié)構(gòu)Fig.3 Structure of 3×3 deformable convolution

在通常情況下，常規(guī)卷積操作由2 部分組成：1）在輸入的特征圖上使用規(guī)則網(wǎng)絡(luò)G進(jìn)行采樣；2）計(jì)算采樣點(diǎn)的加權(quán)采樣值之和。G代表感受野的大小和擴(kuò)張，例如：

定義一個(gè)擴(kuò)張率為1的3×3大小的卷積核，對(duì)于輸出特征圖y上的每個(gè)位置m0，通過(guò)式（2）得到輸出值y（m0）：

其中：mn代表特征圖G中的每個(gè)位置。

在可變形卷積操作中，需要規(guī)則網(wǎng)絡(luò)G加上一個(gè)偏移量Δmn|n=1，2，…，N，N=|G|。

1.3 Tversky 損失函數(shù)

數(shù)據(jù)不平衡是醫(yī)學(xué)圖像分割中常見(jiàn)的問(wèn)題，表現(xiàn)為病變像素的數(shù)量遠(yuǎn)低于非病變像素的數(shù)量，雖然卷積神經(jīng)網(wǎng)絡(luò)在快速和精確的圖像分割方面具有很好的潛力，但使用不平衡的數(shù)據(jù)進(jìn)行訓(xùn)練可能會(huì)導(dǎo)致預(yù)測(cè)精度過(guò)高而召回率過(guò)低。SALEHI 等［15］提出一種基于Tversky 指數(shù)的廣義損失函數(shù)，對(duì)假陽(yáng)性（FPs）和假陰性（FNs）進(jìn)行同等加權(quán)，以解決數(shù)據(jù)不平衡的問(wèn)題，在精度和召回率之間找到更好的平衡。Tiversky 指數(shù)定義為：

其中：p和G分別為預(yù)測(cè)值和真實(shí)值二進(jìn)制標(biāo)簽的集合；α和β為控制FPs 和FNs 的加權(quán)大小。

使用式（5）定義Tiversky 損失函數(shù)：

其中：在最后層的輸出中，p0i為像素i是病變的概率；p1i為像素i是非病變的概率。同樣，g0i為1 時(shí)代表病變像素，為0 時(shí)代表非病變像素，g1i則相反。式（5）中關(guān)于p0i和p1i的損失梯度計(jì)算式如式（6）和式（7）所示：

Tversky 損失函數(shù)通過(guò)調(diào)整超參數(shù)α和β控制假陽(yáng)性和假陰性之間的平衡，以可接受范圍內(nèi)的精度下降為代價(jià)來(lái)訓(xùn)練網(wǎng)絡(luò)獲得更高靈敏度，擁有更高的泛化能力。此外，提高訓(xùn)練不平衡數(shù)據(jù)的網(wǎng)絡(luò)性能，這在許多醫(yī)學(xué)圖像分割任務(wù)中至關(guān)重要。

2 本文算法

2.1 D-Unet 網(wǎng)絡(luò)

本文網(wǎng)絡(luò)充分考慮了鼻腔鼻竇腫瘤數(shù)據(jù)集特性，一方面保留了原U-Net 網(wǎng)絡(luò)對(duì)稱的結(jié)構(gòu)，另一方面針對(duì)原網(wǎng)絡(luò)無(wú)法充分學(xué)習(xí)目標(biāo)形變信息和樣本失衡的問(wèn)題，加入可變形卷積和使用Tversky 損失函數(shù)，提升網(wǎng)絡(luò)學(xué)習(xí)物體空間變化的能力，使每一層網(wǎng)絡(luò)能夠根據(jù)物體大小和形狀調(diào)整得到自適應(yīng)的感受野，充分利用低層特征。D-Unet 網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示，特征圖的大小在兩旁列出。

圖4 D-Unet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of D-Unet network

D-Unet 網(wǎng)絡(luò)將原U-Net 網(wǎng)絡(luò)收縮路徑中的常規(guī)卷積升級(jí)為可變形卷積，使用3×3 變形卷積核提取特征，為網(wǎng)絡(luò)提供一個(gè)穩(wěn)定且靈活的接受域，對(duì)學(xué)習(xí)鼻腔鼻竇腫瘤空間形變非常有利。通過(guò)加快訓(xùn)練過(guò)程的處理速度，并在可變形卷積模塊中插入了一批歸一化層，從而解決內(nèi)部協(xié)變移位問(wèn)題。圖5 展示了可變形卷積模塊的具體結(jié)構(gòu)。當(dāng)圖片輸入到本文網(wǎng)絡(luò)時(shí)，首先將其尺寸調(diào)整為512×512，并通過(guò)3 通道的模型輸入，然后進(jìn)入收縮路徑中進(jìn)行特征提取。D-Unet 繼承了U-Net 在空間結(jié)構(gòu)中采用增加特征圖個(gè)數(shù)而降低特征圖尺度的策略，并在可變形卷積模塊學(xué)習(xí)后，使用最大池化將圖像分辨率依次縮小了2 倍、4 倍、8 倍和16 倍。在最后一次常規(guī)卷積操作后進(jìn)入網(wǎng)絡(luò)的擴(kuò)張路徑，對(duì)特征圖進(jìn)行3 種操作：上采樣，側(cè)邊合并和卷積。在擴(kuò)張路徑中，一方面恢復(fù)圖像分辨率，另一方面結(jié)合可變形卷積模塊強(qiáng)化學(xué)習(xí)到的低層特征（位置、紋理），從而修復(fù)物體的細(xì)節(jié)和空間維度。

圖5 可變形卷積模塊結(jié)構(gòu)Fig.5 Structure of deformable convolution module

2.2 評(píng)價(jià)指標(biāo)

為評(píng)估本文算法的分割性能，使用3 個(gè)指標(biāo)進(jìn)行定量評(píng)價(jià)：Dice 系數(shù)，查準(zhǔn)率PPV 和查全率TPR［19］。Dice 系數(shù)是一個(gè)度量預(yù)測(cè)集合和標(biāo)簽集合相似性的指標(biāo)；PPV 也稱為精度，表示真實(shí)陽(yáng)性樣本占所有預(yù)測(cè)陽(yáng)性樣本的比例；TPR 也稱為靈敏度，測(cè)量正確率。

其中：TTP為真正樣本數(shù)；FFP為假陽(yáng)性樣本數(shù)；FFN表示假陰性樣本的個(gè)數(shù)；A為標(biāo)簽真實(shí)值；B為預(yù)測(cè)分割結(jié)果；DDice系數(shù)的取值范圍是［0，1］，其值越大代表該算法的分割效果越準(zhǔn)確；PPPV指標(biāo)過(guò)低，代表分割結(jié)果不夠精準(zhǔn)；TTPR太低說(shuō)明較多鼻腔鼻竇腫瘤區(qū)域未被預(yù)測(cè)分割出來(lái)。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)使用的設(shè)備環(huán)境是Windows 10（64 位）操作系統(tǒng)，內(nèi)存為32 GB，GPU為NVIDIA GeForce GTX 1080Ti。使用的軟件環(huán)境是Anaconda3下的Spyder3.4，采用深度學(xué)習(xí)框架Tensorflow［20］進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果的可視化由tensorboard 和matplotlib 實(shí)現(xiàn)。

3.2 鼻腔鼻竇腫瘤分割數(shù)據(jù)集

本文所用到的醫(yī)學(xué)圖像數(shù)據(jù)均來(lái)自青島大學(xué)附屬醫(yī)院影像科，在臨床醫(yī)師的指導(dǎo)下認(rèn)識(shí)鼻腔鼻竇腫瘤圖像的有效區(qū)域。經(jīng)過(guò)對(duì)比，本文選取了一種最有利于鼻腔鼻竇腫瘤分割的標(biāo)注形式，由一名專業(yè)醫(yī)師手動(dòng)標(biāo)注，使用開(kāi)源標(biāo)注工具labelme 按照COCO 公開(kāi)數(shù)據(jù)集的標(biāo)準(zhǔn)制作了鼻腔鼻竇腫瘤檢分割數(shù)據(jù)集，本數(shù)據(jù)集共包含725 張圖像以及對(duì)應(yīng)的725 個(gè)標(biāo)簽文件，數(shù)據(jù)集中典型的CT 圖像如圖6所示。

圖6 鼻腔鼻竇腫瘤示例Fig.6 Examples of nasal cavity and paranasal sinuses tumor

數(shù)據(jù)集中的樣本被隨機(jī)分配為訓(xùn)練集（480）、驗(yàn)證集（120）和測(cè)試集（125），訓(xùn)練集用于訓(xùn)練并調(diào)整模型權(quán)重，驗(yàn)證集用來(lái)選擇最優(yōu)權(quán)重，測(cè)試集用于性能評(píng)價(jià)。

3.3 實(shí)驗(yàn)結(jié)果

本文系統(tǒng)地比較了D-Unet 與U-Net、Res-Unet和Attention U-Net 在鼻腔鼻竇腫瘤數(shù)據(jù)集上分割的差異，并給出了測(cè)試集上的鼻腔鼻竇腫瘤分割結(jié)果。

實(shí)驗(yàn)參數(shù)設(shè)置：epoch 訓(xùn)練輪數(shù)為100，每次迭代的batchsize 為4，采用Adam 優(yōu)化器［21］，使用Tversky作為損失函數(shù)。本文首先設(shè)置了3 組實(shí)驗(yàn)來(lái)評(píng)估D-Unet 網(wǎng)絡(luò)在鼻腔鼻竇腫瘤分割任務(wù)中的性能，分別對(duì)可變形卷積和Tversky 損失函數(shù)進(jìn)行了實(shí)驗(yàn)測(cè)試。表1 所示為各個(gè)算法的對(duì)比結(jié)果，其中，實(shí)驗(yàn)1為原U-Net 網(wǎng)絡(luò)，實(shí)驗(yàn)2 代表未使用Tversky 作為損失函數(shù)的D-Unet 網(wǎng)絡(luò)，實(shí)驗(yàn)3 代表本文算法D-Unet，加粗?jǐn)?shù)字表示該組數(shù)據(jù)的最大值。

表1 不同算法的實(shí)驗(yàn)結(jié)果對(duì)比Table 1 Comparison of experimental results of different algorithms %

從各項(xiàng)評(píng)價(jià)指標(biāo)來(lái)看，本文算法與原U-Net 網(wǎng)絡(luò)相比，在一定程度上提升了鼻腔鼻竇腫瘤分割精度，錯(cuò)誤分割區(qū)域占比變小。這是因?yàn)閿?shù)據(jù)集中小目標(biāo)圖片較多，使用Tversky 損失函數(shù)關(guān)注小腫瘤，能夠進(jìn)一步提升測(cè)試集的分割精度。

將本文算法分別與U-Net、Res-Unet 和Attention U-Net 進(jìn)行測(cè)試對(duì)比，結(jié)果如表2 所示。由表2 可知，D-Unet 各項(xiàng)指標(biāo)均有一定提升，進(jìn)一步驗(yàn)證了本文算法的性能。為進(jìn)一步觀察3 種模型的分割結(jié)果，對(duì)比了3 種模型對(duì)鼻腔鼻竇腫瘤的分割效果，如圖7所示。通過(guò)對(duì)比不同算法分割結(jié)果的細(xì)節(jié)發(fā)現(xiàn)，相比于其他3 種算法，本文網(wǎng)絡(luò)D-Unet 分割得到的鼻腔鼻竇腫瘤區(qū)域形狀與標(biāo)簽更加接近。

表2 不同算法在測(cè)試集上的定量對(duì)比Table 2 Quantitative comparison of different algorithms on test set %

圖7 不同算法的分割結(jié)果Fig.7 Segmentation results of different algorithms

細(xì)小的腫瘤突出所占像素較少、特征不明顯。但由圖7 可知，D-Unet 對(duì)模糊的邊界具有更精確的分割細(xì)節(jié)，而其他算法受到背景特征的干擾，且忽略了鼻腔鼻竇腫瘤細(xì)微特征，因此分割效果不佳。此外，本文算法可以利用可變形卷積充分學(xué)習(xí)低層特征，為最終的分割結(jié)果提供位置、形狀等信息。

本文還對(duì)算法的訓(xùn)練時(shí)間進(jìn)行了對(duì)比，如表3所示，D-Unet 框架因?yàn)樘砑恿丝勺冃尉矸e，網(wǎng)絡(luò)計(jì)算量變大，模型訓(xùn)練時(shí)間有所增加，每一輪次的平均時(shí)間為52 s。但在醫(yī)學(xué)圖像領(lǐng)域，精度更為重要，而本文算法相比于其他算法具有更高的分割準(zhǔn)確率。

表3 不同算法每輪的訓(xùn)練時(shí)間Table 3 Training time of each round of different algorithms s

4 結(jié)束語(yǔ)

為提高U-Net 網(wǎng)絡(luò)分割精度，本文提出一種基于D-Unet 神經(jīng)網(wǎng)絡(luò)的新算法。針對(duì)鼻腔鼻竇腫瘤空間形變特點(diǎn)，在U-Net 網(wǎng)絡(luò)中加入可變形卷積，并利用可變形卷積能夠依據(jù)目標(biāo)形態(tài)改變感受野的特點(diǎn)，充分學(xué)習(xí)低層特征，提升特征提取的能力。為解決數(shù)據(jù)集數(shù)據(jù)不平衡的問(wèn)題，使用Tversky 作為損失函數(shù)，從而提升網(wǎng)絡(luò)的分割效果。實(shí)驗(yàn)結(jié)果表明，所提算法與U-Net、Res-Unet 等常見(jiàn)算法相比，能有效提高鼻腔鼻竇腫瘤分割精度。下一步將在保證算法準(zhǔn)確率的前提下，通過(guò)優(yōu)化網(wǎng)絡(luò)架構(gòu)提升訓(xùn)練速度，并將D-Unet 架構(gòu)擴(kuò)展到三維，以便在醫(yī)學(xué)圖像分析任務(wù)中獲得更精確的結(jié)果。