基于空間自適應(yīng)和混合損失對抗網(wǎng)絡(luò)的乳腺腫塊圖像分割方法

劉 東，陳境宇，王生生**

(1. 湘南學(xué)院 醫(yī)學(xué)影像人工智能湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 郴州 423300；2. 湘南學(xué)院 計(jì)算機(jī)與人工智能學(xué)院，湖南 郴州 423300；3. 吉林大學(xué) 符號計(jì)算與知識工程教育部重點(diǎn)實(shí)驗(yàn)室，吉林 長春 130012；4. 吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林 長春 130012)

根據(jù)世界衛(wèi)生組織國家癌癥研究機(jī)構(gòu)（International Agency for Research on Cancer，IARC）2020 年發(fā)布的最新數(shù)據(jù)，乳腺癌已取代肺癌成為全球第一大高發(fā)癌. 基于醫(yī)學(xué)影像的輔助診斷技術(shù)可有效提升癌癥的篩查效率[1]，對于腫瘤早篩診斷具有重要意義. 乳腺腫塊是乳腺篩查過程中重要的病理特征，精確分割出乳腺腫塊區(qū)域能夠?yàn)槿橄倌[塊的良性惡性分類以及精準(zhǔn)診斷提供可靠依據(jù)[2-3].

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，大量關(guān)于乳腺腫塊分割的算法被提出，大致可劃分為兩類. ①人工特征提取的方法，包括基于區(qū)域的方法、基于邊緣輪廓的方法和聚類方法. 例如，文獻(xiàn)[4]從優(yōu)化動(dòng)態(tài)規(guī)劃的角度提出乳腺圖像腫塊邊界區(qū)域跟蹤方法；Rahmati 等[5]則采用伽馬分布估計(jì)思想，設(shè)計(jì)了一種基于水平集的腫塊輪廓?jiǎng)討B(tài)分割方法；文獻(xiàn)[6]基于紋理特征采用模糊C 均值聚類算法實(shí)現(xiàn)乳腺腫塊的半自動(dòng)分割. 上述基于人工特征提取的分割方法設(shè)計(jì)較為簡單，攜帶一定的語義特性，但分割性能受到一定限制，在復(fù)雜場景中難以滿足需求. ②深度學(xué)習(xí)方法. 深度網(wǎng)絡(luò)模型的出現(xiàn)將圖像分割模型在泛化性和分割精度方面提升了一個(gè)層次[7]. 文獻(xiàn)[8]提出基于U-Net 的深度網(wǎng)絡(luò)結(jié)構(gòu)在乳腺圖像軟組織病灶區(qū)域分割中獲得較好的性能. 文獻(xiàn)[9]則提出兩階段學(xué)習(xí)網(wǎng)絡(luò)，分別對乳腺病灶區(qū)域進(jìn)行粗分割、細(xì)粒度優(yōu)化. 文獻(xiàn)[10]改進(jìn)了U-Net 分割模型應(yīng)用于乳腺腫瘤邊界的分割.Hai 等[11]則通過多尺度信息的刻畫提升深度網(wǎng)絡(luò)的乳腺腫塊分割性能. 最近提出的一項(xiàng)代表性工作是AUNet 方法[12]，其綜合利用密集上采樣和注意力機(jī)制思想，設(shè)計(jì)了一種新的網(wǎng)絡(luò)在乳腺腫塊分割中取得良好的效果. 上述方法在一定程度上提升了乳腺腫塊分割的精度，但依然存在一些待解決的問題：①分割過程對掩碼的像素是分開區(qū)分的，造成分割結(jié)果的空間連續(xù)性不夠理想；②掩碼中的一些細(xì)節(jié)存在模糊不清，需要借助后處理進(jìn)行修正，但是計(jì)算復(fù)雜性較高；③深度模型依賴海量數(shù)據(jù)，語義特征利用不夠充分.

因此，針對以上問題，本文研究在對抗網(wǎng)絡(luò)中引入語義信息刻畫的分割方法，提出一種基于空間自適應(yīng)和混合損失對抗網(wǎng)絡(luò)的乳腺腫塊分割方法.在兩個(gè)公開數(shù)據(jù)集上對所提出的方法進(jìn)行了大量乳腺腫塊分割實(shí)驗(yàn)，多個(gè)客觀性指標(biāo)表明了本文方法的優(yōu)越性和有效性. 主要貢獻(xiàn)包括：

（1）采用條件生成對抗網(wǎng)絡(luò)對分割模型輸出的結(jié)果進(jìn)行精細(xì)化處理，使得像素之間空間連續(xù)性得到一定程度改善；

（2）在對抗網(wǎng)絡(luò)判別器中，結(jié)合空間自適應(yīng)歸一化模塊學(xué)習(xí)乳腺腫塊的高級特征，以捕捉更多蘊(yùn)含的語義特性；

（3）提出一種混合損失函數(shù)，分別添加Dice 損失和感知損失，以期改善類別不平衡問題，并減小預(yù)測掩碼和對應(yīng)的真實(shí)標(biāo)簽在卷積過程中特征圖之間的距離.

1 本文方法

本文提出一種基于空間自適應(yīng)的輕量級混合損失對抗分割網(wǎng)絡(luò)模型，其工作流程如圖1 所示，主要包括兩個(gè)步驟：訓(xùn)練生成器和添加判別器. 首先，對乳腺X 光圖像進(jìn)行預(yù)處理并送入生成器，通過一系列降采樣和上采樣操作得到初始的粗略結(jié)果. 其次，將對抗訓(xùn)練框架加入模型，把粗略結(jié)果和對應(yīng)的真實(shí)標(biāo)簽送入判別器，通過判別器的輸出以及相應(yīng)的損失回傳幫助生成器改善生成結(jié)果，即對初步分割結(jié)果進(jìn)行優(yōu)化. 整體而言，所提模型的訓(xùn)練類似于生成對抗網(wǎng)絡(luò)訓(xùn)練過程，將輕量級的可分離卷積U-Net 作為生成器進(jìn)行粗略結(jié)果的生成，添加判別器構(gòu)成對抗訓(xùn)練的基本條件.

圖1 乳腺腫塊圖像分割流程圖Fig. 1 The flow chart of breast mass image segmentation

1.1 數(shù)據(jù)預(yù)處理 首先，對乳腺X 光圖像數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、對稱等數(shù)據(jù)增強(qiáng)操作，并將圖像數(shù)據(jù)調(diào)整為統(tǒng)一的尺寸便于實(shí)驗(yàn). 然后，采用基于像素值的算法去除不相關(guān)的黑色背景區(qū)域，僅保留與乳房影像相關(guān)的區(qū)域. 最后，將紋理特征相似的圖像進(jìn)行分離，以確保它們不會同時(shí)作為一個(gè)批量被輸入到模型中.

1.2 可分離卷積U-Net 模型 目前流行的U-Net模型在醫(yī)學(xué)圖像分割領(lǐng)域取得較優(yōu)異的性能[13].然而，U-Net 計(jì)算量很大，作為生成器與生成對抗網(wǎng)絡(luò)結(jié)合后可能導(dǎo)致模型運(yùn)算效率不高. 因此，本文提出采用可分離卷積U-Net 模型以降低深度網(wǎng)絡(luò)計(jì)算時(shí)間.

圖2 可分離卷積示意圖Fig. 2 The computing process of separable convolution model

以一幅5×5 的RGB 三通道彩色圖像為例，以常規(guī)卷積計(jì)算，經(jīng)過3×3 卷積核的卷積層，輸出通道為4，最終輸出4 個(gè)Feature Map，則卷積層參數(shù)數(shù)量為4×3×3×3=108. 而若采用深度可分離卷積，則首先經(jīng)過3 個(gè)3×3 的卷積，再經(jīng)過3 個(gè)1×1 的卷積，輸出通道同樣為4，其卷積層參數(shù)數(shù)量為3×3×3+1×1×3×4=39. 不難發(fā)現(xiàn)，相比常規(guī)卷積操作，可分離卷積模型的參數(shù)數(shù)量和運(yùn)算成本大大降低.

1.3 基于空間自適應(yīng)和混合損失的對抗分割網(wǎng)絡(luò)模型 對抗網(wǎng)絡(luò)結(jié)構(gòu)可以良好地捕捉到圖像的高級特征，從而提升醫(yī)學(xué)圖像病灶分割性能[14]. 本文提出一種新的輕量級混合損失對抗分割網(wǎng)絡(luò)模型應(yīng)用于乳腺腫塊分割，即在分離卷積U-Net 分割模型后增加判別器，使用對抗訓(xùn)練的方式對U-Net 分割出來的結(jié)果進(jìn)行后處理優(yōu)化，并提出一種空間自適應(yīng)層替換原始的歸一化層，以獲取更多的語義和本質(zhì)特征.

圖3 展示了所提模型的完整架構(gòu)，對抗網(wǎng)絡(luò)結(jié)構(gòu)中的生成器采用可分離卷積U-Net，原始圖像經(jīng)過3×3 的卷積獲取高級特征，進(jìn)而經(jīng)過3×3 的卷積層和2×2 的上采樣層映射為分割掩碼，圖中的藍(lán)線表示“跳躍連接”. 判別器則采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由若干卷積和歸一化操作構(gòu)成，完成對輸入圖像真假的判別.

圖3 基于空間自適應(yīng)和混合損失的對抗分割網(wǎng)絡(luò)模型Fig. 3 The adversarial networks model based on spatial adaptive and mixed loss

1.3.1 空間自適應(yīng)歸一化層 深度神經(jīng)網(wǎng)絡(luò)中一般具有一個(gè)歸一化層，對于加速網(wǎng)絡(luò)收斂和避免梯度消失具有重要的意義. 但是，當(dāng)蘊(yùn)含語義信息的分割掩碼被歸一化操作后，可能導(dǎo)致掩碼中隱含的語義信息被過濾掉. 特別是對于在乳腺腫塊分割這類語義分割任務(wù)，掩碼只有一個(gè)標(biāo)簽(1 表示目標(biāo)區(qū)域，0 表示非目標(biāo)區(qū)域)，進(jìn)行歸一化后值將全變?yōu)?，從而丟失了語義信息. 因此，本文提出空間自適應(yīng)策略保持輸入圖像的語義信息，不僅將卷積后的特征圖作為歸一化層輸入，同時(shí)將判別器的輸入圖像也作為補(bǔ)充信息，如圖4 所示. 對圖像進(jìn)行逐通道歸一化，并用學(xué)習(xí)到的調(diào)節(jié)參數(shù)，即縮放平移變量進(jìn)行調(diào)節(jié). 同時(shí)，調(diào)整判別器的輸入圖像尺寸使其和特征圖大小保持一致.

圖4 空間自適應(yīng)歸一化層示意圖Fig. 4 The schematic diagram of spatial adaptive normalization layer

假定第i次卷積后的特征圖高度和寬度分別為Hi和Wi，下面給出空間自適應(yīng)歸一化的形式化過程.

步驟 1 計(jì)算特征圖像素的均值 μic：

步驟 2 計(jì)算特征圖像素的方差：

步驟 3 對輸入數(shù)據(jù)進(jìn)行歸一化：

步驟 4 進(jìn)行尺度變化和偏移，獲取最終特征圖：

其中，參數(shù)γ和β是經(jīng)過卷積層學(xué)習(xí)得到的，并且隨著輸入的改變而改變. 以這種方式學(xué)習(xí)得到的參數(shù)將保留更多圖像中的語義信息. 使用一個(gè)兩層的卷積網(wǎng)絡(luò)來訓(xùn)練這兩個(gè)參數(shù)，并通過學(xué)習(xí)得到的這兩個(gè)參數(shù)來進(jìn)行變化重構(gòu)，從而保持圖片中的語義信息.

1.3.2 混合損失函數(shù)設(shè)計(jì) 為進(jìn)一步提升乳腺腫塊分割性能，提出一種混合損失函數(shù)，主要由對抗損失、特征映射之間的附加損失和分割損失3部分組成.

（1）對抗損失 假定模型輸入為乳腺圖像x，S(x)表 示分割網(wǎng)絡(luò)輸出的乳腺圖像掩碼，D(x,y)為判別器判斷輸入y是原始乳腺圖像x真實(shí)標(biāo)簽的概率. 那么，模型訓(xùn)練目的主要在于生成器盡可能生成能夠欺騙判別器的分割結(jié)果，同時(shí)，判別器盡可能把生成的圖像和真實(shí)的圖像區(qū)分開來. 按照原始GAN 的基本思想，其對抗訓(xùn)練的結(jié)果則是判別器盡可能地最大化D(x,y)、 最小化D(x,S(x))，同時(shí)生成器想最大化D(x,S(x))，因此，對抗損失函數(shù)如下：

其中，α是平衡因子.

（3）分割損失 通過對乳腺圖像數(shù)據(jù)的分析，可以發(fā)現(xiàn)乳腺背景等占據(jù)了圖像很大一部分，如果僅使用L1 損失指導(dǎo)訓(xùn)練方向，將使圖像中的目標(biāo)和背景像素得到同樣的重視程度，顯然不夠合理.因此，進(jìn)一步采用Dice 損失督促分割網(wǎng)絡(luò)并把注意力放在感興趣區(qū)域，提高腫塊區(qū)域的重視程度，以提升特征的學(xué)習(xí)能力，命名這種損失為分割損失LSEG.

其中，n表示預(yù)測分割掩碼中的像素?cái)?shù)量，i代表像素的位置，yi和S(x)i則表示i位置的像素在真實(shí)標(biāo)簽中的值和在預(yù)測分割掩碼中的值.

最終，提出融合3 個(gè)損失的混合損失函數(shù)如下：

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)與設(shè)置 實(shí)驗(yàn)采用兩種公開、來源合法的乳腺圖像數(shù)據(jù)集. ①INbreast 數(shù)據(jù)集[15]，是葡萄牙波爾圖乳腺癌中心獲取并公開給學(xué)術(shù)界用于科學(xué)研究的數(shù)據(jù)集，共有410 張圖像，其中包含鈣化、不對稱、腫塊等多種類型的乳腺疾病. 針對本文腫塊分割任務(wù)，選取其中107 張圖像作為實(shí)驗(yàn)數(shù)據(jù). ②CBIS-DDSM[16]，為一種大型醫(yī)學(xué)數(shù)據(jù)集，選取其中800 個(gè)乳腺腫塊影像作為實(shí)驗(yàn)數(shù)據(jù). 上述數(shù)據(jù)均由放射科專家進(jìn)行標(biāo)注與識別，具有準(zhǔn)確的分割標(biāo)簽. 圖5 顯示了部分樣本.

圖5 乳腺腫塊樣本圖像示例Fig. 5 Sample image of breast mass

實(shí)驗(yàn)采用NVIDIA GeForce GTX 1080Ti GPU(11 GB)平臺，并使用PyTorch 框架. 在訓(xùn)練過程中，交替訓(xùn)練生成器和判別器以達(dá)到平衡狀態(tài).

實(shí)驗(yàn)參數(shù)設(shè)置訓(xùn)練批量大小為4，學(xué)習(xí)率初始固定為0.005，使用Adam 優(yōu)化器改變學(xué)習(xí)率. 由于分割損失在腫塊分割任務(wù)中用于衡量最終的分割結(jié)果和相應(yīng)的標(biāo)簽之間的相似度，直接決定了分割效果的好壞，因此給予分割損失平衡因子λ分配較大的權(quán)重，而附加損失主要用于優(yōu)化分割網(wǎng)絡(luò)輸出的粗分割結(jié)果，則給α分配相對較小的權(quán)重，因此最終將λ和α分別設(shè)為10 和1.

評價(jià)標(biāo)準(zhǔn)選取準(zhǔn)確率(Accuracy)、靈敏度(Sensitivity)、特異度(Specificity)和集合相似度(Dice)[17]4 個(gè)常用指標(biāo)進(jìn)行實(shí)驗(yàn)性能評估.

2.2 實(shí)驗(yàn)結(jié)果分析 為客觀驗(yàn)證本文方法的性能，在實(shí)驗(yàn)中對比了目前醫(yī)學(xué)圖像分割領(lǐng)域的幾種流行方法：FCNs[7]、U-Net[8]、CGAN 和AUNet[12]. 其中，F(xiàn)CNs 和U-Net 常作為醫(yī)學(xué)圖像分割領(lǐng)域的基準(zhǔn)模型. CGAN 是指在U-Net 的基礎(chǔ)上，以原始乳腺X 光圖像作為原始輸入，以對抗訓(xùn)練方式訓(xùn)練的分割模型. AUNet 則是最新提出的基于注意力的分割模型. 下面分別在INbreast 和CBIS-DDSM 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)評估.

2.2.1 INbreast 數(shù)據(jù)集實(shí)驗(yàn)評估 所有對比方法在INbreast 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如表1 所示，圖6展示了測試數(shù)據(jù)關(guān)于4 組評價(jià)指標(biāo)的箱線圖. 同時(shí)，給出了不同方法的分割效果圖，如圖7 所示.

圖6 準(zhǔn)確率、集合相似度、靈敏度、特異度4 組評價(jià)指標(biāo)的箱線圖Fig. 6 The boxplots of the four evaluation criterions for accuracy, dice, sensitivity and specificity

圖7 對比方法在INbreast 數(shù)據(jù)集上的分割效果圖Fig. 7 The segmentation results of compared methods on INbreast dataset

表1 對比方法在INbreast 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Tab. 1 The experimental results of compared methods on INbreast dataset

分析上述實(shí)驗(yàn)結(jié)果可以得到如下結(jié)論：①從分割精度上看，本文方法在4 個(gè)評價(jià)指標(biāo)上均取得最高的性能，尤其是在集合相似度指標(biāo)上獲得較大提升，這說明使用Dice 損失替代原有的L1 損失，能夠有效提升對抗學(xué)習(xí)的性能；②從箱線圖來看，相比其他方法而言，本文所提方法具有最小的范圍波動(dòng). 其中集合相似度指標(biāo)，結(jié)果處于78%到83%范圍之內(nèi)，遠(yuǎn)小于其他方法的范圍；③從分割效果上來看，所提模型獲取的分割結(jié)果相比其他方法更接近真實(shí)標(biāo)簽，取得更令人滿意的效果. 通過實(shí)驗(yàn)對比發(fā)現(xiàn)，形狀規(guī)則、面積較大的腫塊分割效果較好，而不規(guī)則、面積小的腫塊則在分割過程中面臨更大的挑戰(zhàn)；④值得說明的是，所有對比方法均獲得很高的準(zhǔn)確率，這是由于數(shù)據(jù)集中圖像的腫塊區(qū)域相比背景很小，這導(dǎo)致目標(biāo)區(qū)域的像素被錯(cuò)誤分類時(shí)，并不會對準(zhǔn)確率產(chǎn)生較大影響. 同理，特異度也遠(yuǎn)高于靈敏度.

2.2.2 CBIS-DDSM 數(shù)據(jù)集實(shí)驗(yàn)評估 在CBISDDSM 數(shù)據(jù)集中進(jìn)行評估. 表2 展示了對比方法在4 個(gè)指標(biāo)上的分割結(jié)果，圖8 給出了幾組樣本的分割效果圖.

圖8 對比方法在CBIS-DDSM 數(shù)據(jù)集上的分割效果圖Fig. 8 The segmentation results of compared methods on CBIS-DDSM dataset

表2 對比方法在CBIS-DDSM 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Tab. 2 The experimental results of compared methods on CBIS-DDSM dataset

通過CBIS-DDSM 數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，本文方法在4 個(gè)評價(jià)指標(biāo)上獲得最高的性能，這說明所提模型可以適應(yīng)于不同乳腺影像數(shù)據(jù)，具備較強(qiáng)的泛化能力. 從分割效果上看，本文方法針對不同形狀和尺寸的乳腺腫塊，均取得較好效果.此外，CBIS-DDSM 數(shù)據(jù)集中背景區(qū)域更大，這意味著類別不平衡問題更為嚴(yán)重，本文方法依然取得顯著的性能提升.

2.2.3 消融實(shí)驗(yàn) 最后，在INbreast 數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)，以評估每個(gè)附加組件的性能，設(shè)置如下4 個(gè)基準(zhǔn)模型：① L1：在U-Net 模型的基礎(chǔ)上添加條件對抗訓(xùn)練，使用原始乳腺圖像作為條件信息，即U-Net+CGAN；② L2：在L1 的基礎(chǔ)上添加多重?fù)p失函數(shù)，即L1+ Mixed loss；③ L3：在L1 的基礎(chǔ)上添加空間自適應(yīng)歸一化層，即L1+ SGN；④ L4：在L3 的基礎(chǔ)上添加多重?fù)p失函數(shù)，即本文提出的方法：L3+Mixed loss.

上述4 個(gè)模型的實(shí)驗(yàn)結(jié)果如表3 所示.此外，為進(jìn)一步驗(yàn)證所提方法在計(jì)算復(fù)雜度方面的優(yōu)勢，分別采用經(jīng)典卷積和可分離卷積部署L4 模型，得到兩種操作下的參數(shù)量和計(jì)算量如表4 所示.

表3 4 個(gè)基準(zhǔn)模型在INbreast 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Tab. 3 The experimental results of four bechmark models on INbreast dataset

表4 經(jīng)典卷積和可分離卷積的參數(shù)量及計(jì)算量對比Tab. 4 The parameter number and computation cost of clasical and separable convolution MB

從實(shí)驗(yàn)結(jié)果可以看出，每個(gè)部件的增加都在一定程度上提升了分割的性能，具體分析如下：①添加了混合損失函數(shù)后的L2 優(yōu)于L1，這歸因于在多重?fù)p失函數(shù)中引入了蘊(yùn)含特征表達(dá)的損失，使得模型更加關(guān)注感興趣區(qū)域，而不是將注意力均勻分散到反映大量背景的每個(gè)像素；②添加了空間自適應(yīng)歸一化層后的L3 模型在準(zhǔn)確率、靈敏度、特異度、集合相似度等指標(biāo)上相較于L1 均有明顯提升，這說明空間自適應(yīng)歸一化層能有效保持一定的語義信息，提升模型訓(xùn)練性能；③提出的L4 模型取得最好的實(shí)驗(yàn)結(jié)果，這說明基于空間自適應(yīng)歸一化和混合損失的對抗網(wǎng)絡(luò)方法綜合了優(yōu)化訓(xùn)練方向、語義特征保持等多方面的優(yōu)勢，能夠有效提升乳腺腫塊的分割性能；④由表4 可知，深度可分離卷積相比經(jīng)典卷積，參數(shù)量和計(jì)算量分別減少了50%和58%，有效地提升了計(jì)算效率.

3 結(jié)論

本文主要研究乳腺腫塊分割問題，提出一種基于空間自適應(yīng)和混合損失函數(shù)的對抗網(wǎng)絡(luò)分割模型，即使用卷積可分離U-Net 作為生成器，通過對抗訓(xùn)練中判別器優(yōu)化生成器的分割結(jié)果. 通過引入空間自適應(yīng)歸一化模塊提升語義信息的表達(dá)能力，并設(shè)計(jì)了一種混合損失函數(shù)規(guī)避不利因素帶來的影響. 在兩個(gè)公開數(shù)據(jù)集上的實(shí)驗(yàn)表明，所提方法的各個(gè)模塊有機(jī)連接、互相支撐，在多個(gè)評價(jià)指標(biāo)上取得優(yōu)于其他模型的性能. 通過對分割結(jié)果的主觀觀察亦可發(fā)現(xiàn)，所提方法獲取的分割結(jié)果與醫(yī)生的診斷標(biāo)注十分接近，有望應(yīng)用于臨床實(shí)際應(yīng)用.

由于X 光成像中乳腺腫塊尺寸差異較大、邊界模糊問題較為嚴(yán)重，本文方法在不規(guī)則小腫塊分割中還存在少許的誤差，如何進(jìn)一步提高分割模型的魯棒性，尤其是提升不規(guī)則小病灶區(qū)域的分割性能，是未來研究工作需要重點(diǎn)解決的問題.