基于CAM U-Net的肺結(jié)節(jié)分割方法

王統(tǒng)，徐勝舟,，盧浩然，吳福彬，裴承丹

（1 中南民族大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，武漢 430074；2 湖北省制造企業(yè)智能管理工程技術(shù)研究中心，武漢 430074；3 武漢工程大學(xué) 網(wǎng)絡(luò)信息中心，武漢 430205）

肺癌是死亡率最高的癌癥之一，早發(fā)現(xiàn)早治療可以提高患者的生存率［1］.肺結(jié)節(jié)是肺癌的早期表現(xiàn)形式，肺結(jié)節(jié)邊緣模糊，和肺部相比體積較小，其亮度和肺實(shí)質(zhì)中的血管等組織極其相似，會(huì)降低醫(yī)生的診斷速度以及準(zhǔn)確率，進(jìn)而耽誤病情的發(fā)現(xiàn)與治療.電子計(jì)算機(jī)斷層掃描（Computed Tomography，CT）［2］技術(shù)是當(dāng)今肺癌檢測(cè)的常規(guī)手段之一，對(duì)肺癌的早期診斷具有重要的研究?jī)r(jià)值和現(xiàn)實(shí)意義［3］.

傳統(tǒng)的分割算法如自適應(yīng)閾值分割［4］、邊緣檢測(cè)分割［5］、區(qū)域生長(zhǎng)［6］等，這些方法雖然能取得較好的分割效果，但是依賴(lài)于人的先驗(yàn)知識(shí).目前，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域［7］.LONG等［8］提出了一種全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN），用卷積層替換卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）［9］中的全連接層以獲得圖像中每個(gè)像素的分類(lèi)結(jié)果，最終實(shí)現(xiàn)圖像分割.Ronneberger等［10］提出了U-Net 網(wǎng)絡(luò)，該網(wǎng)絡(luò)具有對(duì)稱(chēng)的U 型結(jié)構(gòu)，通過(guò)對(duì)圖像特征進(jìn)行編碼和解碼，并通過(guò)跳躍連接融合來(lái)自編碼器的淺層低級(jí)特征和解碼器的深層高級(jí)特征，可以實(shí)現(xiàn)較好的分割效果［11-12］.醫(yī)學(xué)圖像數(shù)據(jù)集通常較小，而U-Net 能在少量樣本的情況下完成模型訓(xùn)練并實(shí)現(xiàn)較好的圖像分割效果，所以近些年來(lái)此方法被廣泛應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域.

徐峰等［13］將U-Net 網(wǎng)絡(luò)應(yīng)用于肺結(jié)節(jié)分割，但是肺結(jié)節(jié)目標(biāo)區(qū)域小，而且邊緣模糊，使用原始UNet 進(jìn)行訓(xùn)練，沒(méi)有對(duì)數(shù)據(jù)進(jìn)行批量歸一化會(huì)造成網(wǎng)絡(luò)訓(xùn)練過(guò)程中出現(xiàn)梯度消失、分割準(zhǔn)確率不高等問(wèn)題［14］.鐘思華［15］等提出了一種用于肺結(jié)節(jié)分割的Dense-UNet 網(wǎng)絡(luò)，通過(guò)引入密集連接模塊，加強(qiáng)網(wǎng)絡(luò)對(duì)特征的傳遞和利用，但密集連接模塊增加了額外的計(jì)算量，在訓(xùn)練時(shí)容易造成過(guò)擬合，分割精度提高較為有限.ZHOU 等［16］提出了一種U-Net++網(wǎng)絡(luò)，將不同層次的特征通過(guò)各自的解碼路徑還原，然后結(jié)合淺層和深層的特征，在肺結(jié)節(jié)分割上效果較好.黃鴻等［17］基于融合自適應(yīng)特征加權(quán)聚合策略提出了一種改進(jìn)的U-Net++網(wǎng)絡(luò)，用于肺結(jié)節(jié)分割也取得了不錯(cuò)的效果.但這兩個(gè)網(wǎng)絡(luò)嵌套了多個(gè)UNet 結(jié)構(gòu)，增加了模型復(fù)雜度，也增加了額外的計(jì)算量.

針對(duì)上述問(wèn)題，本文提出了一種基于CAM U-Net的肺結(jié)節(jié)分割方法.通道注意力模塊［18］（Channel Attention Module，CAM）結(jié)構(gòu)簡(jiǎn)單，參數(shù)量很少，而且能夠加強(qiáng)網(wǎng)絡(luò)對(duì)有用特征的利用，本文將CAM 融入U(xiǎn)-Net 網(wǎng)絡(luò)結(jié)構(gòu)中，可以有效提升網(wǎng)絡(luò)的分割性能.本文在LIDC-IDRI肺結(jié)節(jié)公開(kāi)數(shù)據(jù)集對(duì)改進(jìn)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試.

1 肺結(jié)節(jié)分割算法

圖1 是本文的算法流程圖，首先對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)預(yù)處理并進(jìn)行數(shù)據(jù)增強(qiáng)，隨后送入搭建好的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并調(diào)整網(wǎng)絡(luò)參數(shù)設(shè)置，訓(xùn)練網(wǎng)絡(luò)模型至收斂并保存；然后對(duì)測(cè)試集進(jìn)行數(shù)據(jù)預(yù)處理，并使用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測(cè)試，得出分割結(jié)果.

圖1 算法流程圖Fig.1 Algorithm flow chart

1.1 數(shù)據(jù)來(lái)源及預(yù)處理

本文所使用的數(shù)據(jù)集來(lái)源于LIDC-IDRI肺結(jié)節(jié)公開(kāi)數(shù)據(jù)集［7］，LIDC-IDR中包含了1018個(gè)病例，對(duì)于每個(gè)病例中的CT圖像，都由4位經(jīng)驗(yàn)豐富的專(zhuān)業(yè)放射科醫(yī)師對(duì)其進(jìn)行標(biāo)注，并將標(biāo)注信息存放在XML 文件中，里面詳細(xì)記錄了CT圖像中肺結(jié)節(jié)的輪廓以及CT特征等信息.

原始肺部CT 圖像大小為512 × 512 像素，肺結(jié)節(jié)在原始CT圖像中所占比例很小，輸入圖片尺寸太大會(huì)影響網(wǎng)絡(luò)訓(xùn)練速度，而且多余的部分會(huì)對(duì)網(wǎng)絡(luò)訓(xùn)練產(chǎn)生很大的干擾，因此本文通過(guò)對(duì)原始CT圖像進(jìn)行裁剪來(lái)避免這一問(wèn)題.根據(jù)金標(biāo)準(zhǔn)將原始CT圖像裁剪為包含肺結(jié)節(jié)的64 × 64 像素大小的感興趣區(qū)域.CT圖像預(yù)處理過(guò)程如圖2所示，左邊為原始肺部CT圖像，右邊為裁剪后的圖像.

圖2 CT圖像預(yù)處理Fig.2 CT Image pre-processing

為了增強(qiáng)模型的泛化能力，本文對(duì)訓(xùn)練集進(jìn)行了數(shù)據(jù)增強(qiáng).首先根據(jù)肺結(jié)節(jié)的輪廓坐標(biāo)信息再次對(duì)原始圖像進(jìn)行裁剪，使肺結(jié)節(jié)位于64×64 大小感興趣區(qū)域的不同位置，如圖3 中右邊第一行分別對(duì)應(yīng)左邊原始CT 圖像中的紅（實(shí)線）、藍(lán)（點(diǎn)劃線）、黃（破折線）三個(gè)區(qū)域，其中點(diǎn)劃線和破折線表示的區(qū)域?yàn)樵俅尾眉舻膮^(qū)域，使訓(xùn)練集變?yōu)樵瓉?lái)的3倍.然后又對(duì)裁剪后的圖像進(jìn)行了水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)，如圖3中右邊第二行為第一行圖像分別進(jìn)行水平翻轉(zhuǎn)后的圖像，第三行則對(duì)應(yīng)為垂直翻轉(zhuǎn)后的圖像.最終數(shù)據(jù)增強(qiáng)后的訓(xùn)練集是原來(lái)的9倍.

圖3 數(shù)據(jù)增強(qiáng)Fig.3 Data augmentation

1.2 算法模型

WOO 等［18］提出了一個(gè)有效的注意力模塊CBAM，給定一個(gè)中間特征圖，可以沿著空間和通道兩個(gè)維度依次推斷出注意力權(quán)重，然后與原特征圖相乘來(lái)對(duì)特征進(jìn)行自適應(yīng)調(diào)整.受到CBAM［18］的啟發(fā)，本文將通道注意力模塊融入U(xiǎn)-Net 網(wǎng)絡(luò)中進(jìn)行肺結(jié)節(jié)分割.對(duì)于通道注意力模塊，網(wǎng)絡(luò)中的每個(gè)通道對(duì)分割結(jié)果的影響應(yīng)該是不同的，有些通道存在關(guān)鍵信息，而通道注意力模塊能加強(qiáng)這些通道的表現(xiàn)力，這將會(huì)使網(wǎng)絡(luò)聚焦于關(guān)鍵的通道，進(jìn)而提升網(wǎng)絡(luò)的分割效果.

通道注意力模塊如圖4 所示，設(shè)通道注意力模塊的輸入特征圖為F，高度為H，寬度為W，通道數(shù)為C.首先對(duì)輸入特征圖F的空間維度進(jìn)行壓縮，分別采用全局平均池化操作和全局最大池化操作，進(jìn)而得到1 × 1 ×C的AvgPool 和MaxPool.然后再將AvgPool 和MaxPool 依次送入一個(gè)兩層共享參數(shù)的全連接層.其中第一個(gè)全連接層的神經(jīng)元個(gè)數(shù)為輸入特征圖通道數(shù)與ratio（本文設(shè)置ratio=8）的商，第二個(gè)全連接層的神經(jīng)元個(gè)數(shù)為輸入特征圖通道數(shù).AvgPool 和MaxPool 經(jīng)過(guò)全連接層后變?yōu)閳D4 中的AvgPool′和MaxPool′，接著將AvgPool′和MaxPool′相加求和并使用Sigmoid 激活函數(shù)得到權(quán)重系數(shù)Mc.最后將輸入特征圖F與Mc進(jìn)行相乘得到輸出特征圖Fc.

圖4 通道注意力模塊Fig.4 Channel attention module

為了整合通道上的空間信息，通道注意力模塊采用了全局平均池化和全局最大池化得到對(duì)應(yīng)通道的信息，全局最大池化可以收集到難區(qū)分物體之間更重要的線索，來(lái)獲得更詳細(xì)的通道注意力.然后依次通過(guò)兩層的全連接層，求和并使用Sigmoid激活得到各個(gè)通道之間的內(nèi)在關(guān)系，最后與輸入特征圖相乘.訓(xùn)練過(guò)程中，通過(guò)反向傳播，會(huì)根據(jù)金標(biāo)準(zhǔn)來(lái)修正網(wǎng)絡(luò)中的參數(shù)，最終得到最優(yōu)的通道權(quán)重，進(jìn)而使網(wǎng)絡(luò)關(guān)注更有用的通道.

本文提出的CAM U-Net 網(wǎng)絡(luò)模型，是在U-Net網(wǎng)絡(luò)的基礎(chǔ)上添加通道注意力模塊，整體網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示，灰色填充向右寬箭頭1，2，3，4 代表添加的通道注意力模塊.本文網(wǎng)絡(luò)主要由編碼器，解碼器，分類(lèi)器和跳躍連接組成.

圖5 CAM U-Net網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 The network structure of CAM U-Net

編碼器部分通過(guò)卷積操作對(duì)輸入圖片進(jìn)行特征提取，如圖5中黑色向右細(xì)箭頭所示，代表的操作為3 × 3 卷積層，BN（Batch Normalization，BN）層和ReLU 激活.BN 層可以減少網(wǎng)絡(luò)對(duì)初始值尺度的依賴(lài)，可以加速網(wǎng)絡(luò)的收斂，提升網(wǎng)絡(luò)的泛化能力.ReLU 激活函數(shù)可以提高網(wǎng)絡(luò)的非線性表達(dá)能力.然后通過(guò)最大池化操作，如圖5 中橫線填充向下寬箭頭所示，用于特征圖的下采樣，可以顯著減少參數(shù)量.

解碼器部分首先通過(guò)上采樣操作，將特征圖尺寸增大一倍，如圖5 中對(duì)角線填充向上寬箭頭所示.然后與相對(duì)應(yīng)位置的編碼器部分的特征圖通過(guò)跳躍連接進(jìn)行拼接，結(jié)合淺層低級(jí)特征和深層高級(jí)特征，隨后經(jīng)過(guò)兩個(gè)卷積操作，再經(jīng)過(guò)通道注意力模塊CAM，如圖5中的灰色填充向右寬箭頭所示，CAM加強(qiáng)對(duì)有用通道的關(guān)注.經(jīng)過(guò)四次上采樣最終恢復(fù)到輸入圖像原來(lái)的尺度.

分類(lèi)器由1 × 1 卷積層和Sigmoid 激活層組成，其中1 × 1 卷積層用于減少特征圖的數(shù)量，Sigmoid激活層用于計(jì)算最終的特征圖中每個(gè)像素的類(lèi)別，從而輸出網(wǎng)絡(luò)的分割概率圖.

1.3 評(píng)價(jià)指標(biāo)

本文從交并比、Dice 相似系數(shù)、準(zhǔn)確率和召回率四個(gè)度量標(biāo)準(zhǔn)對(duì)分割結(jié)果進(jìn)行評(píng)估.

交并比（Intersection over Union，IoU）為金標(biāo)準(zhǔn)和預(yù)測(cè)結(jié)果的交集與并集的比.交并比越高，圖像分割的結(jié)果越好.設(shè)肺結(jié)節(jié)金標(biāo)準(zhǔn)區(qū)域?yàn)镸，方法分割結(jié)果區(qū)域?yàn)镻，∩表示取交集，∪表示取并集，計(jì)算公式為：

Dice 相似系數(shù)表示模型的預(yù)測(cè)結(jié)果與金標(biāo)準(zhǔn)的相似程度，為兩個(gè)區(qū)域的交集部分的兩倍與兩區(qū)域的和的比值.Dice 越高，圖像分割結(jié)果越好.|·|表示取絕對(duì)值，計(jì)算公式為：

準(zhǔn)確率（Precision）為肺結(jié)節(jié)中正確分割的像素點(diǎn)所占預(yù)測(cè)結(jié)果中為肺結(jié)節(jié)像素點(diǎn)的比例.真陽(yáng)性（True Positives，TP），假陽(yáng)性（False Positives，F(xiàn)P），真陰性（True Negative，TN），假陰性（False Negative，F(xiàn)N）.計(jì)算公式為：

召回率（Recall）為肺結(jié)節(jié)中正確分割的像素點(diǎn)所占金標(biāo)準(zhǔn)中肺結(jié)節(jié)像素點(diǎn)的比例.計(jì)算公式為：

2 實(shí)驗(yàn)及結(jié)果分析

本文的實(shí)驗(yàn)環(huán)境是基于深度學(xué)習(xí)框架Keras 和Python語(yǔ)言進(jìn)行搭建的.操作系統(tǒng)為Windows10.

網(wǎng)絡(luò)在訓(xùn)練過(guò)程中，使用Dice系數(shù)損失函數(shù)，采用Adam 優(yōu)化器進(jìn)行優(yōu)化，batch-size 設(shè)為32，epoch為60.學(xué)習(xí)率設(shè)置采用分階段的方式，初始學(xué)習(xí)率設(shè)置為0.001，經(jīng)過(guò)30 輪后變?yōu)?.0005，50 輪后設(shè)置為0.0001.

2.1 肺結(jié)節(jié)分割結(jié)果

為了驗(yàn)證改進(jìn)后的模型的分割性能，本文選取了徐的方法［13］，鐘的方法［15］，ZHOU 的方法［16］，黃的方法［17］與本文方法進(jìn)行對(duì)比，分別在數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集上進(jìn)行了訓(xùn)練和測(cè)試，得到不同方法的肺結(jié)節(jié)分割結(jié)果如表1所示.其中Parameters指網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)量，time指每輪訓(xùn)練所需的時(shí)間.

表1 不同方法的肺結(jié)節(jié)分割結(jié)果Tab.1 Segmentation results of pulmonary nodules by different methods

從表1 的分割結(jié)果中我們可以看出，本文方法的交并比、Dice 相似系數(shù)和召回率均比其他方法有了明顯提升.黃的方法使用了一種多層次特征融合結(jié)構(gòu)，即嵌入不同深度的U-Net，加強(qiáng)了淺層特征的學(xué)習(xí)，準(zhǔn)確率比本文方法略高，但本文方法的交并比、Dice 相似系數(shù)和召回率與黃的方法相比提升較明顯.因此從總體來(lái)說(shuō)本文方法和其他方法相比具有較好的分割性能.徐的方法是采用傳統(tǒng)的U-Net網(wǎng)絡(luò)，本文方法在其中添加BN層和CAM 模塊，通過(guò)對(duì)比可以看出參數(shù)量和訓(xùn)練時(shí)間雖然有所增加，但分割性能有顯著提升.本文方法和鐘的方法、ZHOU的方法、黃的方法在參數(shù)量和每輪訓(xùn)練時(shí)間上相比，參數(shù)量更少，訓(xùn)練時(shí)間更短，同時(shí)擁有更好的分割性能.

圖6 展示了與表1 對(duì)應(yīng)的不同方法的部分肺結(jié)節(jié)分割結(jié)果圖，其中（a），（b），（c），（d），（e），（f），（g）分別為測(cè)試集中的肺結(jié)節(jié)圖像、對(duì)應(yīng)的金標(biāo)準(zhǔn)、徐的方法［13］的分割結(jié)果、鐘的方法［15］的分割結(jié)果、Zhou的方法［16］的分割結(jié)果、黃的方法［17］的分割結(jié)果與本文方法的分割結(jié)果，圖像下的數(shù)值代表相對(duì)應(yīng)的Dice相似系數(shù).

圖6 不同方法的肺結(jié)節(jié)分割結(jié)果圖Fig.6 Results of segmentation of pulmonary nodules by different methods

從圖6 中我們可以看出，徐的方法（c）存在未能分割出肺結(jié)節(jié)的情況，如圖6 中第2、5 行，主要是徐的方法中沒(méi)有使用批量歸一化，會(huì)造成梯度消失，網(wǎng)絡(luò)訓(xùn)練慢以及分割準(zhǔn)確率不高等情況.徐的方法（c）和鐘的方法（d）都存在將血管等組織分割為肺結(jié)節(jié)的情況，如圖6 中第2、4 行，鐘的方法通過(guò)引入密集連接模塊，會(huì)造成網(wǎng)絡(luò)參數(shù)變多，容易造成過(guò)擬合.而本文方法在U-Net 網(wǎng)絡(luò)中添加通道注意力模塊，該模塊結(jié)構(gòu)簡(jiǎn)單，和其他方法相比參數(shù)量較少.對(duì)于血管粘連型結(jié)節(jié)和小結(jié)節(jié)，如圖6中第1、2行，本文方法的Dice 相似系數(shù)相比其他方法有了較好的提升.以上可以看出本文方法與其他方法相比有更好的分割性能.

2.2 數(shù)據(jù)增強(qiáng)對(duì)分割性能的影響

本文采用了如1.1 小節(jié)所述的數(shù)據(jù)增強(qiáng)方式來(lái)增加訓(xùn)練樣本的多樣性，提高模型的泛化能力，表2展示了在數(shù)據(jù)增強(qiáng)前后，改進(jìn)后的模型在IoU、Dice、Precision 和Recall 上的評(píng)測(cè)結(jié)果對(duì)比.數(shù)據(jù)都是經(jīng)過(guò)5次重復(fù)實(shí)驗(yàn)后取平均值的結(jié)果.

表2 數(shù)據(jù)增強(qiáng)前后CAM U-Net模型結(jié)果對(duì)比Tab.2 Comparison of CAM U-Net model results before and after data augmentation

通過(guò)表2我們可以看出，在數(shù)據(jù)增強(qiáng)后，各個(gè)評(píng)測(cè)指標(biāo)均有明顯提升，其中IoU 提升了2.05%，Dice提升了2.01%，Precision 提升了1.6%，Recall 提升了2.22%.通過(guò)以上對(duì)比，我們可以看出數(shù)據(jù)增強(qiáng)可以提升網(wǎng)絡(luò)分割性能.

2.3 CAM對(duì)分割性能的影響

假定圖5中水平向右的CAM箭頭處標(biāo)記的1，2，3，4 的位置對(duì)應(yīng)Location1，Location2，Location3，Location4，即代表在相應(yīng)的位置添加通道注意力模塊.為了研究CAM 對(duì)分割性能的影響，本文采用了Location1、2、3，Location1、2、4，Location2、3、4，Location1、3、4 和Location1、2、3、4 這五種方式將CAM模塊融入解碼器中.

實(shí)驗(yàn)結(jié)果如表3所示，我們可以看出，通道注意力模塊在Location1，2，3，4 這四個(gè)位置都起到了一定的作用，都比改進(jìn)前U-Net+BN 的網(wǎng)絡(luò)結(jié)構(gòu)有了一定的提升.其中最好的是在這四個(gè)位置都加入通道注意力模塊，如表3的最后一行的數(shù)據(jù)，各個(gè)評(píng)估指標(biāo)均有明顯提升，其中IoU 提升了1.15%，Dice 提升了1.03%，Precision 提升了0.4%，Recall 提升了1.44%.

表3 改進(jìn)前后分割結(jié)果對(duì)比Tab.3 Comparison of segmentation results before and after model improvement

圖7為測(cè)試集中的一張圖片對(duì)應(yīng)的模型改進(jìn)前后的解碼器部分最后輸出的部分特征圖對(duì)比.圖7中第一行是U-Net+BN 網(wǎng)絡(luò)中的解碼器部分最后輸出的部分特征圖，第2 行是CAM U-Net 網(wǎng)絡(luò)中的解碼器部分最后輸出的部分特征圖.在第一行特征圖中我們可以看出改進(jìn)前的網(wǎng)絡(luò)關(guān)注點(diǎn)有兩個(gè)位置，如特征圖中中間和右下角的位置.在第二行特征圖中可以看到改進(jìn)后的網(wǎng)絡(luò)關(guān)注的位置變?yōu)榱艘粋€(gè)，如特征圖中的中間位置，排除了其它組織的干擾，從而達(dá)到準(zhǔn)確分割的目的.最終分割結(jié)果如圖8所示.

圖7 部分特征圖Fig.7 Partial feature map

圖8 模型改進(jìn)前后分割結(jié)果圖Fig.8 Segmentation results before and after model improvement

圖8 中（a）、（b）、（c）、（d）依次為原始圖像、金標(biāo)準(zhǔn)、U-Net+BN 網(wǎng)絡(luò)訓(xùn)練的結(jié)果和改進(jìn)后的網(wǎng)絡(luò)訓(xùn)練的結(jié)果.我們可以看出（c）中存在錯(cuò)誤分割的情況，將右下角的血管等組織分割為肺結(jié)節(jié)，與圖7 中第一行特征圖中關(guān)注的兩個(gè)位置相對(duì)應(yīng).改進(jìn)后的網(wǎng)絡(luò)通過(guò)添加通道注意力模塊，并經(jīng)過(guò)不斷學(xué)習(xí)，使得網(wǎng)絡(luò)更加關(guān)注有用的信息，如（d）中改進(jìn)后的網(wǎng)絡(luò)可以更好的分割出肺結(jié)節(jié)，避免了無(wú)關(guān)信息的干擾.通過(guò)以上對(duì)比，我們可以看出CAM 可以有效提升網(wǎng)絡(luò)分割性能.

2.4 超參數(shù)的選取分析

訓(xùn)練迭代次數(shù)對(duì)網(wǎng)絡(luò)的分割性能有很重要的影響，迭代次數(shù)過(guò)多會(huì)造成過(guò)擬合，過(guò)少會(huì)造成欠擬合.圖9展示了CAM U-Net網(wǎng)絡(luò)在訓(xùn)練輪數(shù)為200時(shí)，訓(xùn)練集和驗(yàn)證集的損失值和迭代次數(shù)的關(guān)系，我們可以看出在60 輪左右時(shí)，驗(yàn)證集的損失值趨于穩(wěn)定，所以本文的迭代次數(shù)設(shè)置為60.

圖9 CAM U-Net 損失值和迭代次數(shù)的關(guān)系Fig.9 The relationship between the loss value of CAM U-Net and the number of iterations

在迭代優(yōu)化的前期中，學(xué)習(xí)率較大，則前進(jìn)的步長(zhǎng)就會(huì)較長(zhǎng)，這時(shí)便能以較快的速度進(jìn)行梯度下降，而在迭代優(yōu)化的后期，逐步減小學(xué)習(xí)率的值，減小步長(zhǎng)，這樣將有助于算法的收斂，更容易接近最優(yōu)解.因此本文采用多階段學(xué)習(xí)率設(shè)置方式，初始學(xué)習(xí)率設(shè)置為0.001，30 輪后變?yōu)?.0005，50 輪后變?yōu)?.0001.batch-size 太大會(huì)使模型收斂在局部最優(yōu)點(diǎn)，太小會(huì)花費(fèi)時(shí)間多，同時(shí)梯度震蕩嚴(yán)重，不利于收斂，本文基于實(shí)驗(yàn)實(shí)際情況選擇32.

3 結(jié)語(yǔ)

肺結(jié)節(jié)分割是肺癌早期診斷的重要基礎(chǔ).本文在U-Net 網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種CAM U-Net 網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)在解碼器中添加通道注意力模塊，加強(qiáng)網(wǎng)絡(luò)對(duì)有用特征的利用，進(jìn)而有效提升了網(wǎng)絡(luò)分割性能.在LIDC-IDRI 肺結(jié)節(jié)公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文方法的交并比為82.04%，Dice 相似系數(shù)為89.24%，準(zhǔn)確率為88.61%，召回率為91.28%.與其他方法的分割結(jié)果進(jìn)行對(duì)比，結(jié)果表明改進(jìn)后的網(wǎng)絡(luò)具有更好的分割性能.