基于SENet注意力機制和深度殘差網(wǎng)絡(luò)的腹部動脈分割

趙杰， 李絮， 申通

(河北大學(xué)電子信息工程學(xué)院， 保定 071002)

腹部動脈為許多器官供應(yīng)血液，血管的位置和結(jié)構(gòu)信息對于診斷和治療至關(guān)重要。血管信息是用于識別器官位置并分析癌癥轉(zhuǎn)移診斷中的重要依據(jù)，能指導(dǎo)醫(yī)生識別目標(biāo)血管以進行手術(shù)。外科醫(yī)生通過夾緊血管來控制手術(shù)區(qū)域中的血流，如果對血管信息了解不足，或者扭曲血管結(jié)構(gòu)信息，將會在手術(shù)過程中對血管造成損傷。許多研究學(xué)者利用血管信息已經(jīng)提出了腹腔鏡手術(shù)的各種輔助方法，可見血管已成為當(dāng)今的一個研究熱點。腹部血管的分支模式，分支位置和分支長度在患者之間具有較大差異，如果在手術(shù)之前獲得了患者特定的血管信息，外科醫(yī)生可以在術(shù)前模擬確認血管的位置和結(jié)構(gòu)，提高手術(shù)的成功率[1]。這個情報還可以用于術(shù)中導(dǎo)航。所以，確定患者腹部血管的位置和結(jié)構(gòu)信息是一個重要話題。

深度學(xué)習(xí)已廣泛應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域，例如，大量研究將其應(yīng)用于醫(yī)學(xué)圖像分割并獲得了較高的分割精度，與三維體積中的血管相比[2-3]，視網(wǎng)膜圖像中的血管位置變化有限[4]，因此，視網(wǎng)膜血管分割相對容易且成效顯著，醫(yī)學(xué)圖像的自動分析在血管、肝臟、腫瘤等部位的病灶檢測、圖像配準、分割與分類等方面應(yīng)用廣泛[5-6]。其中，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)[7]和全卷積網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)[8-10]在視網(wǎng)膜血管分割[11]中應(yīng)用最為常見。醫(yī)學(xué)上的許多3D血管分割方法已經(jīng)被提出，包括使用模型擬合，(基于Hessian的方法)增強濾波器[12]和順序蒙特卡洛跟蹤。近期，提出了從3D圖像中進行血管分割的方法，例如計算機斷層掃描(computer tomography，CT)和磁共振(magnetic resonance，MR)。He等[13]提出了以殘差單元為基礎(chǔ)的ResNet網(wǎng)絡(luò)，此網(wǎng)絡(luò)針對上述問題作出了有效改善。Hu等[14]于2018年提出了SENet網(wǎng)絡(luò)，此網(wǎng)絡(luò)可以自動獲取每一條路徑的目標(biāo)特征，并由此來增加有用信息和抑制冗余信息。Chen等[15]提出了一種來自大腦MR圖像的動脈分割方法，采用了一種基于3D補丁(小圖像)的分割方法，使用具有位置輸入路徑的原始FCN。大腦中動脈的位置和形狀與MR圖像中的位置有關(guān)系，因此，在FCN中增加了一個補丁位置輸入路徑。FCN有一個類似于3D U-Net[16]的編碼器-解碼器風(fēng)格,其結(jié)果的靈敏度低，表明產(chǎn)生了許多錯誤。根據(jù)此結(jié)果，補丁位置信息對提高分割精度沒有用。Nardelli等[17]提出了一種肺動脈和靜脈分割的方法，使用CNN來分割血管，然后應(yīng)用圖形切割來細化結(jié)果，其分割的困難在于血管和小氣道的區(qū)別。因此深度學(xué)習(xí)技術(shù)有望改善血管的分割性能。

在醫(yī)學(xué)圖像分割中，CT圖像的分割相比于普通2D圖像來說存在很多問題。在器官分割的空間界限上很難確定血管的具體位置，有些血管附著在其他器官上，再加上骨骼的灰度值和血管的灰度值相近，因此經(jīng)過血管造影后的CT影像很難區(qū)分。因此，現(xiàn)提出一種基于SENet注意力機制和深度殘差網(wǎng)絡(luò)分割算法(Res-SENet)，在網(wǎng)絡(luò)中加入殘差網(wǎng)絡(luò)可以解決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；注意力機制下的軟閾值化的加入可以增強對有用信息的關(guān)注度，剔除無用信息。并改變原有的卷積核數(shù)量以及其他優(yōu)化參數(shù)，旨在增加深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練階段的學(xué)習(xí)效率，提升血管分割的性能。

1 材料與實驗環(huán)境

1.1 數(shù)據(jù)材料

實驗數(shù)據(jù)來自公共數(shù)據(jù)集3Dircadb(https://www.ircad.fr/research/3dircadb/)，此數(shù)據(jù)庫中包含20名病人的血管CT序列圖像，其中12名包含腹部動脈血管，共1 738張序列圖片，序列切片像素值為512×512，平面像素間距為0.58～0.86 mm，斷層間距為1.0～4.0 mm。每一個數(shù)據(jù)都包含了人的整個腹部，并且都是血管造影劑增強處理后的成像。使用了10個病人的腹部切片作為訓(xùn)練集，一共1 432張，進行數(shù)據(jù)擴增后達到9 948張，進而訓(xùn)練網(wǎng)絡(luò)權(quán)重，其余2個病人作為測試集進行網(wǎng)絡(luò)性能的評估。本實驗將原始CT圖轉(zhuǎn)化為二維圖像作為網(wǎng)絡(luò)的輸入。

1.2 實驗環(huán)境

基于Python3.7編程語言，使用keras編譯平臺來進行實驗，訓(xùn)練和測試的服務(wù)器環(huán)境是NVIDIA Quadro P6000的GPU系統(tǒng)。利用Adam優(yōu)化器對神經(jīng)網(wǎng)絡(luò)中的數(shù)值參數(shù)及權(quán)重進行調(diào)參，epoch設(shè)置值為300，Batch size的設(shè)置值為8。評估參數(shù)利用MATLAB編譯軟件，對預(yù)測出的二值圖像進行結(jié)果的統(tǒng)計分析。

1.3 實驗流程

將所有腹部血管CT數(shù)據(jù)隨機劃分為訓(xùn)練集和測試集，且兩者不存在交叉。在實驗過程中，首先在網(wǎng)絡(luò)模型訓(xùn)練階段輸入原始數(shù)據(jù)和標(biāo)簽數(shù)據(jù)。然后通過旋轉(zhuǎn)、放大縮小等方式對二者進行數(shù)據(jù)增強和預(yù)處理等相關(guān)操作，并將處理完的圖像輸入到基于SENet注意力機制的深度殘差網(wǎng)絡(luò)中。模型通過正向傳播得到分割結(jié)果，與標(biāo)簽樣本進行對比得到輸出誤差，并通過Loss反傳的方式傳輸?shù)街饘泳W(wǎng)絡(luò)中，不斷優(yōu)化網(wǎng)絡(luò)參數(shù)，在此過程會得到一個最優(yōu)的權(quán)重值用于測試階段的血管分割。最后，在測試階段將兩名受試者的原始數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)模型進行逐層處理，得到血管分割的最終結(jié)果，具體流程圖如圖1所示。

圖1 本文方法流程圖Fig.1 Flow chart of the method in this paper

2 實驗方法

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)格式為Dicom，通過windowing的方法，設(shè)置window level和window width來控制圖像的亮度和對比度。然后利用均衡化來增加圖像的全局對比度。把直方圖上每個屬性的計數(shù)除以所有屬性的計數(shù)之和，就得到了歸一化直方圖。實現(xiàn)算法如下。

(1)計算圖像f的各個灰度級中像素出現(xiàn)的概率：

(1)

式(1)中：n為圖像中所有的像素數(shù)；ni為灰度級i出現(xiàn)的次數(shù)；L為圖像中所有的灰度數(shù)；p為圖像進行直方圖歸一化后的概率，如果把c作為對應(yīng)p的累計概率函數(shù)，則定義為

ci=∑p(xj)

(2)

式(2)中：xj實際上是灰度值為j的像素；c為對圖像所有像素值的累計歸一化直方圖，取值范圍為[0,1]。

(2)創(chuàng)建一個形式為y=T(x)的變化，原始圖像中的每個像素值會生產(chǎn)一個y,這樣y的累計概率函數(shù)形式就可以在所有值范圍內(nèi)進行線性化，轉(zhuǎn)換公式為

yi=T(xi)=ci

(3)

式(3)中：T(xi)為對灰度為i的像素進行線性化；yi表示灰度為i的像素xi經(jīng)過線性化后得到的數(shù)值。

針對數(shù)據(jù)量少的問題，本實驗采用數(shù)據(jù)增強的方法擴充數(shù)據(jù)集，以防止訓(xùn)練過程中出現(xiàn)模型過擬合。實驗采用旋轉(zhuǎn)、縮放、鏡像翻轉(zhuǎn)等常用的數(shù)據(jù)增強技術(shù)[18]對數(shù)據(jù)集進行n倍擴增。

2.2 本文Res-SENet算法

2.2.1 殘差網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)提出了一種擬合殘差映射的方法，即不直接將卷積結(jié)果作為輸出，而是采用殘差映射的方式來進行計算，稱之為“捷徑”(shortcut)。當(dāng)對這一堆積層結(jié)構(gòu)輸入為x時，其所學(xué)到的特性記為H(x)，期望其能夠?qū)W到殘差為F(x)=H(x)-x，因此，實際上最初的學(xué)習(xí)特征可以表示為F(x)+x。而當(dāng)殘差為零時，堆積層也只是做到了恒等映射，即在網(wǎng)絡(luò)特性沒有降低的前提下，堆積層能夠?qū)W習(xí)到新的特性，從而具有更良好的特性。殘差塊的實現(xiàn)如圖2所示。

殘差網(wǎng)絡(luò)提出了一個捷徑(shortcut)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，殘差網(wǎng)絡(luò)計算公式為

H(x)=x+F(x)

(4)

式(4)中：H(x)為底層的映射；x為輸入結(jié)果；F(x)為網(wǎng)絡(luò)中的隱藏層輸出結(jié)果。通過將多個卷積層級聯(lián)的輸出與輸入相加的方式對圖片進行特征提取，減少了訓(xùn)練參數(shù)。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。殘差網(wǎng)絡(luò)的出現(xiàn)在一定程度上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。

圖2 殘差網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure of residual network

2.2.2 SENet注意力機制下的殘差網(wǎng)絡(luò)模型

Squeeze-and-Excitation Network(SENet)網(wǎng)絡(luò)是一個經(jīng)典的注意力機制且廣泛被業(yè)界專家應(yīng)用。它能夠使用一些小規(guī)模的子網(wǎng)絡(luò)，經(jīng)過自動學(xué)習(xí)得出某個權(quán)重值，對特征圖的所有路徑加以權(quán)重。SENet還可與殘差模型相結(jié)合，因為跨層恒等路徑的出現(xiàn)，SENet能夠更方便進行練習(xí)。此外，各個樣本的連接權(quán)值系數(shù)都是嚴格按照其本身設(shè)定的，也就是說，各個樣本都可能具有自身特殊的一組連接權(quán)值系數(shù)。

SENet注意力與殘差網(wǎng)絡(luò)融合的基本模塊如圖3所示。具體實現(xiàn)上，是用一種Global Average Pooling-FC-ReLU-FC-Sigmoid方法，SENet具有兩個全連接層，兩者作用是相反的。首先第一層的FC層會降低網(wǎng)絡(luò)的通道數(shù)量，反之在第二層的FC再把通路數(shù)量進行增加，權(quán)重就會在這個過程中產(chǎn)生且權(quán)重數(shù)量與通道數(shù)相等，其仍然可以為相對應(yīng)的通道提供權(quán)重值。SENet的核心就是使用網(wǎng)絡(luò)的loss去了解特征權(quán)重，從而使高效的特征圖權(quán)重大，無用或效率較小的特征圖權(quán)重小來訓(xùn)練建模，獲得較好的結(jié)果。

本文改進的U-net網(wǎng)絡(luò)——Res-SENet，比傳統(tǒng)U-net網(wǎng)絡(luò)增加了殘差網(wǎng)絡(luò)(ResNet)，并引入注意力機制，以去除強噪、冗余信息，為的是避免在學(xué)習(xí)血管特征時產(chǎn)生更多的錯誤，提升網(wǎng)絡(luò)性能，并且在原始的網(wǎng)絡(luò)中增加網(wǎng)絡(luò)層數(shù)并改變卷積核數(shù)量，實驗結(jié)果顯示，增加了網(wǎng)絡(luò)模型分割的準確性。使用一個基于U-Net[19]的FCN來進行腹部動脈分割。該網(wǎng)絡(luò)結(jié)構(gòu)層的構(gòu)成如圖4所示，左邊部分由卷積和最大集合層組成，稱為分析路徑。它從輸入圖像中提取特征進行分割。右邊部分由卷積層和上卷積層組成，稱為合成路徑，它從特征中生成輸出圖像。此模型共涉及20個2D卷積層(Conv2D)、4個最大池化層、4個上采樣、2個Dropout層和19個批歸一化層(BN)。網(wǎng)絡(luò)最后一個卷積層大小為1×1，用作二分類，從而將血管和背景區(qū)域進行區(qū)分。

圖3 SENet注意力機制下的殘差網(wǎng)絡(luò)(Res-SE block)Fig.3 Residual networks under SENet attention mechanism

網(wǎng)絡(luò)中的方框代表特征圖的集合；方框下的數(shù)字表示特征圖或核的數(shù)量圖4 U-net網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 U-net network structure

2.2.3 損失函數(shù)

深度學(xué)習(xí)中，醫(yī)學(xué)圖像的分割問題一般采用骰子系數(shù)(dice coefficient，Dice)作為損失函數(shù),它是一種集合相似度度量函數(shù)，一般在比較兩個樣本的相似度上應(yīng)用廣泛。采用Dice作為損失函數(shù)，使得在反向傳播過程中根據(jù)loss函數(shù)值不斷更新權(quán)重w和偏差，從而將結(jié)果達到最優(yōu)值。具體的損失函數(shù)為

(5)

式(5)中：M為類別數(shù)；pm,i∈[0,1]和gm,i∈{0,1}分別是對應(yīng)類別m預(yù)測的概率和金標(biāo)準；N為像素的個數(shù)；m和i的初始值均為1。

3 實驗及結(jié)果分析

3.1 評估指標(biāo)

通過實驗后的預(yù)測圖與真實圖進行對比，采用五項評價指標(biāo)進行評估：靈敏度(sensitivity，Se)、準確率(accuracy，Acc)、Dice系數(shù)(DSC)、體積重疊率VOE以及精確率(precision，Pr)共同進行研究分析。Acc是在像素級別進行衡量的，指分割正確的像素占所有像素比例；Se正確地被分為正樣本的數(shù)量占所有正樣本的比例；Dice系數(shù)是一種評估相似度的函數(shù)，通常用于計算兩個樣本的相似度或者重疊度；VOE即體積重疊誤差；Pr指的是所有的被歸為正樣本中，真實的正樣本占的比例。以上指標(biāo)計算公式為

(6)

(7)

(8)

(9)

(10)

計算上述評估指數(shù)的基礎(chǔ)需要利用真陽性(true positive，TP)、真陰性(true negative，TN)、假陽性(false positive，F(xiàn)P)、假陰性(false negative，F(xiàn)N)4種。在本次實驗中，TP即實際標(biāo)簽為正樣本，預(yù)計結(jié)論就是正樣本；TN即實際標(biāo)簽為負樣本，預(yù)測結(jié)果也為負樣本；FP即實際標(biāo)簽是負樣本，但預(yù)測結(jié)果卻是正樣本；FN即實際標(biāo)簽是正樣本，但預(yù)測結(jié)果卻是負樣本。A表示血管預(yù)測結(jié)果；B表示標(biāo)準真實血管(ground-truth，GT)。

3.2 結(jié)果與分析

在整個訓(xùn)練階段，網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)共20 h左右，迭代300次，在此過程中，模型學(xué)習(xí)的準確率和損失值均趨于穩(wěn)定，準確率高達96%左右，由此可見，此網(wǎng)絡(luò)對血管特征的學(xué)習(xí)有效。圖5為訓(xùn)練和驗證階段過程模型準確率、損失值的變化曲線。

圖5 模型的各項指標(biāo)變化情況Fig.5 Changes in the indicators of the model

本實驗過程中涉及的主要參數(shù)有學(xué)習(xí)速率、批量大小(Batch size)。學(xué)習(xí)速率的設(shè)置會對后期模型訓(xùn)練的好壞有著很大影響。因此本實驗在深度殘差注意力網(wǎng)絡(luò)的基礎(chǔ)上對批量大小以及初始學(xué)習(xí)速率進行驗證，選擇對血管分割效果的最優(yōu)值。在此過程中，保證其他網(wǎng)絡(luò)參數(shù)不變，自變量是批量大小和初始學(xué)習(xí)速率，因變量是腹部血管測試集準確率。實驗首先按照從大到小的順序，初始學(xué)習(xí)速率從0.1開始進行驗證，并根據(jù)實驗的設(shè)置初始Batch size為32。

表1為以上兩個實驗參數(shù)對腹部血管分割的測試集準確率。其中加粗字體代表實驗的最優(yōu)結(jié)果。由表1可知，當(dāng)Batch size等于8同時初始學(xué)習(xí)速率為0.01時，測試集的血管分割準確率可達88.94%，此網(wǎng)絡(luò)模型訓(xùn)練最佳，對腹部血管的分割效果最準確。

表1 不同批量大小和學(xué)習(xí)速率對腹部血管分割的影響Table 1 Effect of different batch sizes and learning rates on abdominal vascular segmentation

另外在網(wǎng)絡(luò)模型訓(xùn)練過程中，網(wǎng)絡(luò)優(yōu)化參數(shù)的選擇也會直接影響最終的分割結(jié)果，因此將使用具有單獨dropout，單獨BN，具有dropout和BN的三種殘差模塊組成的網(wǎng)絡(luò)模型進行實驗，進一步驗證優(yōu)化參數(shù)對網(wǎng)絡(luò)模型的影響。如表2所示，加粗字體代表實驗的最優(yōu)結(jié)果。

由實驗數(shù)據(jù)可以發(fā)現(xiàn)，具有dropout和BN兩種優(yōu)化參數(shù)的血管分割準確率更高，且其他評估參數(shù)也更具優(yōu)勢，只有VOE這一項標(biāo)準比單獨帶有BN的網(wǎng)絡(luò)略低，經(jīng)過綜合考慮，采用兩者相結(jié)合的方式作為本次實驗的優(yōu)化參數(shù)。

腹部血管分為動脈和主動脈，由于動脈血管分支較多，在網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)中，不能精確的捕捉細小分支的血管灰度變化，跟主動脈相比，在分割性能上明顯較差。而主動脈血管平整光滑，所以在網(wǎng)絡(luò)學(xué)習(xí)中表現(xiàn)出更優(yōu)的性能，平均分割靈敏度可達96.98%。提出的Res-SENet算法與近幾年其他算法AG-Net[20]、CE-Net[21]在3D-IRCADb數(shù)據(jù)集上進行評估指標(biāo)結(jié)果對比。三種網(wǎng)絡(luò)下二值圖像的分割結(jié)果如圖6所示，圖7為三種網(wǎng)絡(luò)分割結(jié)果的細節(jié)對比圖，由圖6和圖7可以看出，三種方法對腹部血管都存在過分割和欠分割的情況，但從整體來說，本文所用的分割方法對血管的學(xué)習(xí)程度更優(yōu)，精確度更高。

腹部動脈血管的分割結(jié)果在數(shù)據(jù)上的統(tǒng)計分析如表3所示，加粗字體代表分割結(jié)果最優(yōu)值。本文所用Res-SENet網(wǎng)絡(luò)的各項評估指標(biāo)相比于其他網(wǎng)絡(luò)均有提升，準確率可達90.48%。從表3中可以明顯看出，在腹部動脈的分割上，與傳CE-Net網(wǎng)絡(luò)相比，Acc提升了0.53%，在Se、Dice、VOE和Pr上分別提升了0.13%、3.16%、3.06%、0.54%。與AG-Net網(wǎng)絡(luò)相比，Acc提升了0.12%，Se系數(shù)提升了0.47%；Dice提升了0.59%；雖然VOE和Pr比AG-Net略低，但綜合來說，本文方法的各項性能更佳，對腹部血管的分割效果更好。而主動脈相較于動脈更加平整，分支較少，其分割結(jié)果的數(shù)據(jù)分析如表4所示，Res-SENet網(wǎng)絡(luò)的分割準確率可達97.82%，Dice可達95.53%。由動脈和主動脈的分割數(shù)據(jù)可以得出，在細小血管的分割上還存在很多不足。

圖6 三種不同網(wǎng)絡(luò)對腹部動脈血管的分割效果圖Fig.6 The segmentation effect of three different networks on the abdominal arterial vasculature

圖7 三種不同網(wǎng)絡(luò)對腹部血管分割結(jié)果的細節(jié)對比圖Fig.7 Detailed comparison of the results of abdominal vessel segmentation by three different networks

表2 Dropout和BN對血管分割性能的影響Table 2 Effect of dropout and BN on the performance of vessel segmentation

表3 不同網(wǎng)絡(luò)下腹部動脈血管分割效果的評估對比Table 3 Comparison of the assessment of the effect of segmentation of the lower abdominal arteries in different network

表4 不同網(wǎng)絡(luò)下腹部主動脈血管分割效果的評估Table 4 Comparison of the evaluation of the effect of abdominal aortic vessel segmentation under different networks

3.3 消融實驗

為了進一步確定本文所加各個模塊確實對分割精確度的提升有作用，特在腹部動脈血管上進行消融實驗，消融實驗是指在本文所用基礎(chǔ)網(wǎng)絡(luò)的基礎(chǔ)上加入不同模塊后，對血管分割性能的比較，實驗結(jié)果如表5所示。為方便統(tǒng)計，將殘差網(wǎng)絡(luò)、SENet分別用R、S表示。另外，“√”表示U-Net網(wǎng)絡(luò)中留下的模塊，“×”表示消去的模塊，表格中加粗字體代表血管分割的最優(yōu)結(jié)果。由表5中數(shù)據(jù)可以看出，以傳統(tǒng)的U-Net網(wǎng)絡(luò)為基礎(chǔ)，單獨加入殘差模塊后，準確率提升了2.48%。Dice系數(shù)、VOE、Pr分別提升了1.4%、1.79%、3.41%，Se這一指標(biāo)降低了0.48%；單獨加入SENet注意力機制，Acc提升了0.53%以外，其余4項指標(biāo)均有所提升，但數(shù)值相差不大；將殘差網(wǎng)絡(luò)與SENet進行融合，所得Acc提升了4.69%，Se提升了2.01%，Dice提升了4.18%，VOE和Pr分別提升了5.48%、5.42%。因此可以看出，將兩種模塊融入U-Net網(wǎng)絡(luò)中，效果最好，并且每個模塊的加入對血管分割的性能均有明顯提升。

表5 本文所用模塊在動脈數(shù)據(jù)上的消融研究Table 5 Ablation studies on arterial data for the modules used in this paper

4 討論

U-net網(wǎng)絡(luò)帶有跳躍連接的編解碼結(jié)構(gòu)能夠融合不同層級的特征，醫(yī)學(xué)圖像本身的固定化結(jié)構(gòu)和小樣本性，共同使得U-Net成為醫(yī)學(xué)圖像分割領(lǐng)域的最佳模型。加深網(wǎng)絡(luò)層數(shù)可以用更少的參數(shù)達到同等水平(或者更強)的表現(xiàn)力。隨著網(wǎng)絡(luò)深度的增加，高層語義的特征被提取出來，但同時也會致使網(wǎng)絡(luò)的錯誤率增加，所以引入了殘差模塊以及注意力機制，提出了本文的血管分割方法Res-SENet。采用實驗數(shù)據(jù)和可視化圖像對此方法進行驗證，結(jié)果表明，與傳統(tǒng)U-Net、CE-Net、AG-Net相比，Res-SENet網(wǎng)絡(luò)在腹部上表現(xiàn)出更好的性能，可以應(yīng)用于醫(yī)學(xué)圖像分割。

AG-Net[20]在血管分割性能上比Res-SENet稍差，這是因為AG-Net能過抑制模型學(xué)習(xí)與任務(wù)無關(guān)的部分，同時加重學(xué)習(xí)與任務(wù)有關(guān)的特征，但隨著訓(xùn)練時間的增加，其準確率會有所下降。而Res-SENet網(wǎng)絡(luò)在整個訓(xùn)練階段的穩(wěn)定性良好，隨著迭代次數(shù)及網(wǎng)絡(luò)深度的增加，準確率趨于平穩(wěn)；CE-Net是使適用于輪廓較明顯的分割網(wǎng)絡(luò)，如肺部、肝臟，對血管的分割效果有待提高；傳統(tǒng)U-Net的分割性能是這四種網(wǎng)絡(luò)中較差的，其余三種都是在此基礎(chǔ)上的改進。因為本文方法對細小血管的分割存在不足，下一步可以在本文方法的基礎(chǔ)上添加對應(yīng)的模塊，改善現(xiàn)存的分割精度問題，以提高網(wǎng)絡(luò)學(xué)習(xí)的實用性。

5 結(jié)論

提出了一種改進的U-net網(wǎng)絡(luò)方法應(yīng)用于腹部血管分割。首先為了提升網(wǎng)絡(luò)的學(xué)習(xí)能力，加深網(wǎng)絡(luò)層數(shù)，模型加深帶來了模型參數(shù)量的提升，有助于錯誤率的降低。同時為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，在網(wǎng)絡(luò)中加入了殘差網(wǎng)絡(luò)和SENet注意力模塊。最后調(diào)節(jié)網(wǎng)絡(luò)中的卷積數(shù)，達到升維或者降維的作用。本方法實驗表明，與基本的網(wǎng)絡(luò)結(jié)構(gòu)相比，在Acc、Se、Dice、VOE以及Pr上性能均有所提高，準確率可達90.48%，精確率為91.04%。進一步說明了改進后的網(wǎng)絡(luò)在血管分割性能上更優(yōu)。后期，將進一步優(yōu)化腹部血管的分割性能，為腹部腫瘤血管的介入手術(shù)提供一個更優(yōu)的路徑。