錢寶鑫，肖志勇，宋 威

江南大學 人工智能與計算機學院，江蘇 無錫 214122

1 引言

據(jù)統(tǒng)計，目前中國肺癌的發(fā)病率正以每年26.9%的速度增長，到2025年，僅中國每年死于肺癌的人數(shù)就將接近100萬，肺部疾病已對居民的生命健康構(gòu)成巨大威脅[1]。研究表明，肺部疾病越早發(fā)現(xiàn)并及時接受治療可以有效降低肺癌患者的死亡率。CT成像技術(shù)是醫(yī)學影像技術(shù)中檢查肺部疾病的有效影像學手段，從肺部CT圖像中提取肺實質(zhì)可以幫助醫(yī)生診斷和評估肺部疾病。當前，將醫(yī)學圖像處理技術(shù)應用于肺部疾病輔助診斷，對于實現(xiàn)醫(yī)生更快、更準確地檢測患者肺部疾病具有重要意義。

醫(yī)學圖像分割是指對醫(yī)學圖像中的器官和病灶（如腫瘤）進行提取。醫(yī)學圖像分割的本質(zhì)就是按照灰度、紋理等圖像特征，根據(jù)同一區(qū)域特征的相似性和鄰域特征的不同將感興趣區(qū)域分割出來，從而為臨床醫(yī)學提供可靠的信息。然而，由于肺部CT圖像組織結(jié)構(gòu)復雜，主要包括肺實質(zhì)和肺實質(zhì)以外的空氣、支氣管、水、骨骼、檢查床等部分，導致肺部CT圖像噪聲強，因而從CT圖像中提取肺實質(zhì)成為肺部疾病診斷研究的重要步驟。

傳統(tǒng)的醫(yī)學圖像分割方法主要分為以下三種[2]。（1）手動分割方法，這種方法是由專家手動分割，主觀性強、容易出錯、耗時且不適合大規(guī)模的研究。（2）半自動分割方法，由于不同類型的CT圖像或不同的數(shù)據(jù)集具有不同的特征和參數(shù)閾值，很難對其進行統(tǒng)一推廣。（3）傳統(tǒng)的自動分割方法主要分為以下幾種：①基于閾值的分割[3]，該方法設(shè)置閾值間隔，創(chuàng)建二進制分區(qū)，此方法速度較快，但沒有考慮到圖像像素點的空間分布，容易對噪聲敏感，該方法對于灰度差異較小的圖像分割效果不好。②基于區(qū)域的分割[4]，此類方法快速且在細微的衰減變化下分割效果很好，但是它們存在一些缺陷，對有病理的邊界分割效果較差。③基于聚類的分割[5]，該方法將圖像中灰度值差異較小的像素點聚合在一起分為同一類，通過聚類將圖像劃分為不同的區(qū)域，但是由于聚類算法對初始點的賦值比較敏感，分割結(jié)果會根據(jù)初始化的不同有差異。

如今，深度學習和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應用于圖像處理，并且在醫(yī)學圖像分割領(lǐng)域取得了很大的進展。Berkeley 團隊[6]提出全卷積網(wǎng)絡(luò)（fully con-volutional networks，F(xiàn)CN）方法用于圖像語義分割，將圖像級別的分類擴展到像素級別的分類，將卷積層代替分類網(wǎng)絡(luò)框架中的全連接層，取得了良好分割的效果，成為深度學習在語義分割應用中的開山之作。Ronneberger等人[7]提出的U-Net網(wǎng)絡(luò)，利用編碼器與解碼器之間的級聯(lián)操作將圖像高層信息與淺層信息融合，有效地避免了高層語義信息的丟失，在醫(yī)學圖像分割方面取得了良好的效果。Milletari等人[8]提出的V-Net 是基于體素的全卷積神經(jīng)網(wǎng)絡(luò)在三維醫(yī)學圖像上的分割應用，在編碼的部分采用殘差網(wǎng)絡(luò)框架，在保證不斷加深網(wǎng)絡(luò)深度的同時，減少梯度消失或者梯度爆炸帶來的風險。Zhao 等人[9]提出的金字塔場景解析網(wǎng)絡(luò)（pyramid scene parsing network，PSPNet）是在FCN 算法的基礎(chǔ)上通過特征融合引入更多的上下文信息，通過聚合不同區(qū)域的上下文信息，從而提高獲取全局信息的能力。

在上述討論的基礎(chǔ)上，提出了一種新的基于編/解碼模式的肺分割算法。受U-Net網(wǎng)絡(luò)框架的啟發(fā)，編碼模塊采用一個結(jié)合多尺度輸入的殘差網(wǎng)絡(luò)為基礎(chǔ)層，很好地解決了深度神經(jīng)網(wǎng)絡(luò)的退化問題，通過給四個級聯(lián)分支注入多尺度的圖像來捕獲更廣泛和更深層次的語義特征。在編碼和解碼模塊之間，采用一個由空洞卷積驅(qū)動的空間金字塔池化代替?zhèn)鹘y(tǒng)U-Net網(wǎng)絡(luò)的池化層，通過使用不同膨脹系數(shù)的空洞卷積，從編碼模塊提取目標多尺度特征。最后是解碼模塊，在保留級聯(lián)操作的同時，利用注意力機制的控制單元加強有效信息的權(quán)重，從而提高分割精度。

Fig.1 Flow diagram of experiment圖1 實驗流程圖

本文的實驗流程圖如圖1 所示。首先對圖像進行預處理，接著將訓練樣本送入模型中訓練，得到最優(yōu)分割模型；再將測試樣本送到已經(jīng)訓練好的模型中測試，得出分割結(jié)果。本文提出的編/解碼模式的肺分割算法，輸入的是肺CT 掃描切片，輸出的是一個二值化圖像，模型通過識別每個像素是前景還是背景來預測顯示肺的位置，以真實標簽為金標準對測試結(jié)果進行評估，來判斷本文算法的性能。

2 相關(guān)工作

2.1 殘差網(wǎng)絡(luò)

對于神經(jīng)網(wǎng)絡(luò)來說，網(wǎng)絡(luò)層數(shù)越深，所能學到的東西越多，但在某些情況下，網(wǎng)絡(luò)層數(shù)越深反而會降低準確率，很容易出現(xiàn)梯度消失和梯度爆炸。殘差網(wǎng)絡(luò)（residual network，ResNet）[10]可以很好地緩解這一問題。普通卷積每兩層增加一個捷徑，構(gòu)成一個殘差塊（residual block），多個殘差塊連接在一起構(gòu)成一個殘差網(wǎng)絡(luò)，殘差塊如圖2所示。

Fig.2 Residual block圖2 殘差塊

圖2 中，x表示輸入，F(xiàn)(x)表示殘差塊在第二層激活函數(shù)之前的輸出，即F(x)=W2σ(W1x)，其中W1和W2分別表示第一層和第二層的權(quán)重，σ表示ReLU激活函數(shù)[11]。最后殘差塊的結(jié)構(gòu)公式可定義如下：

將單元輸入x與單元輸出F(x)相加，然后利用ReLU激活函數(shù)輸出。在前向傳播時，輸入數(shù)據(jù)可以從任意低層傳向高層，由于包含一個恒等映射（iden-tity mapping），一定程度上可以解決網(wǎng)絡(luò)退化問題。

2.2 空洞卷積

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積核的尺寸越大，感受野也就越大，提取到的圖像特征也就越多，但是一味地增加卷積核的尺寸會使模型參數(shù)增多，這樣不利于模型的訓練?？斩淳矸e（atrous convolution）[12]能夠在不犧牲特征空間分辨率的同時擴大特征感受野。普通二維的卷積和空洞卷積的對比如圖3所示。

Fig.3 2D ordinary convolution and atrous convolution圖3 二維普通卷積和空洞卷積

空洞卷積與普通卷積相比，就是在普通卷積核中加入膨脹系數(shù)，對原圖像以膨脹系數(shù)（dilation rate）減1進行間隔采樣。對于一個膨脹系數(shù)為d，原始卷積核大小為K的空洞卷積，空洞卷積實際大小K′的公式定義如下：

使用空洞卷積之后的卷積核尺寸變大，感受野也隨之增大?？斩淳矸e不僅使感受野增大，獲取了圖像更多的特征信息，同時也不會造成模型參數(shù)增多，因此空洞卷積成為時下卷積神經(jīng)網(wǎng)絡(luò)中非常流行的卷積。

3 本文算法原理

3.1 網(wǎng)絡(luò)模型

本文提出一種編/解碼模式的肺分割算法，此網(wǎng)絡(luò)結(jié)構(gòu)主要包括三部分：編碼模塊、空洞空間金字塔池化（atrous spatial pyramid pooling，ASPP）和解碼模塊。網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

編碼部分：醫(yī)學圖像中的器官切片尺度有著明顯的差異，為解決多尺度下的目標分割問題，獲得圖像的多尺度信息，在編碼模塊中，本文連續(xù)使用4 個平均池化（average pooling）對輸入圖像進行池化操作形成形似金字塔的多尺度圖像，在卷積深度增加時，利用級聯(lián)操作向4 個級聯(lián)分支分別注入多尺度的圖像。編碼模塊包括4組卷積和4次下采樣操作，與之對應的解碼部分也包括4 組卷積和4 次上采樣操作。為了在捕獲深層次語義信息的同時解決深度神經(jīng)網(wǎng)絡(luò)的退化問題，受V-Net 網(wǎng)絡(luò)框架的啟發(fā)，編碼模塊每一層采用殘差塊為基礎(chǔ)層，每一個殘差塊都包含兩個3×3卷積操作，同時在每一層的卷積后面都加上批歸一化層（batch normalization，BN）[13]，每層殘差塊包含兩組（3×3 conv+BN+ReLU）網(wǎng)絡(luò)結(jié)構(gòu)和一次跳躍連接，通過最大池化將特征映射輸出到下一層，與此同時，金字塔第二張圖像與上一層輸出特征映射級聯(lián)，送入到第二個殘差塊。每個深度都具有多尺度特征，因此多尺度圖像可以集全局和局部的上下文信息，進一步增強不同深度語義信息的融合，以更好地利用U-Net的結(jié)構(gòu)。

空洞空間金字塔池化：為獲得輸入特征映射的上下文多尺度信息，采用不同膨脹系數(shù)的空洞卷積獲取多尺度特征映射，此時特征映射的大小發(fā)生了變化，為解決輸入圖片大小不一致造成的問題，采用空間金字塔池化（spatial pyramid pooling，SPP）[14]拼接形成特征映射?？斩纯臻g金字塔池化（ASPP）[15]將SPP和深度可分離卷積[16]結(jié)合起來，采用深度可分離卷積將輸入圖像的通道與空間信息分開處理。本文采用ASPP 替代傳統(tǒng)U-Net 網(wǎng)絡(luò)編碼的最后一層操作，ASPP網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

本文中，ASPP 要對上一層特征映射進行5 次卷積操作：第一次卷積，采用256 個普通的1×1 卷積核卷積特征映射，同時加入BN操作。為了在不增加參數(shù)規(guī)模的前提下，獲得多尺度的特征映射。第二次到第四次卷積操作時使用深度可分離卷積。每一個深度可分離卷積網(wǎng)絡(luò)結(jié)構(gòu)形式可表示為Depthconv(3×3)+BN+Pointconv(1×1)+BN+ReLU。為了增加感受野，其中Depthconv采用膨脹系數(shù)分別是6,12,18的3×3 空洞卷積；Pointconv 采用的是普通的1×1 卷積，此操作不僅可以有效減少模型參數(shù)，同時也會加速模型收斂。不同采樣率的ASPP 能有效地捕捉多尺度信息，但是隨著采樣率的增加，濾波器的有效權(quán)重逐漸變小，這時的3×3卷積核已經(jīng)無法捕獲整個圖像上下文信息，而是退化為一個簡單的1×1卷積核。為了克服這一問題，在進行第五次卷積操作時，需要先將原圖大小降低為原來的1/16（此處16 為輸出步長），接著進行一個全局均值池化，將特征映射送入輸出通道數(shù)為256的1×1卷積核，再進行BN操作，最后利用雙線性插值（bilinear upsampling）對低維特征映射進行上采樣到原始大小。

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

Fig.5 Structure of ASPP network圖5 ASPP網(wǎng)絡(luò)結(jié)構(gòu)

為了獲取特征映射之間的相關(guān)性，最后將提取到的5 個多尺度特征映射進行拼接；為了減少通道數(shù)，將拼接好的特征映射送入通道數(shù)為512的1×1卷積核，再進行BN 操作，將得到的特征映射送入到解碼模塊中。

Fig.6 Attention mechanism module圖6 注意力機制模塊

解碼部分：神經(jīng)網(wǎng)絡(luò)在處理大量的輸入信息時，模型會變得復雜，利用注意力機制（attention mecha-nism）[17]選擇一些關(guān)鍵的信息加大權(quán)值分配，以此提高神經(jīng)網(wǎng)絡(luò)對目標區(qū)域的關(guān)注。在傳統(tǒng)的U-Net 網(wǎng)絡(luò)中，特征融合部分使用的是級聯(lián)操作，淺層特征的位置信息比較多，但是學到的特征沒有深層的高級，因此為獲得包含目標區(qū)域的有意義輸出，本文將注意力機制應用到處理肺部圖像分割的算法中，采用注意力機制的解碼模式。注意力機制模塊如圖6所示。

圖6中，g為解碼部分矩陣，xl為編碼部分矩陣，Wg為門控信號，Wx為注意門。

首先上采樣上一層的特征映射gi(Fg×Hg×Wg×Dg)進行1×1×1 卷積核運算得到下采樣同層的特征映射進行1×1×1 卷積核運算得到。將g上采樣的結(jié)果拼接到上文信息xl上，使用ReLU 作為激活函數(shù)，經(jīng)過1×1×1 卷積核運算得到如下公式：

其中，b代表偏置項；ψ代表1×1×1卷積核；σ1代表激活函數(shù)ReLU。

最后利用Sigmoid激活函數(shù)，經(jīng)過上采樣得到注意力系數(shù)，注意力系數(shù)公式定義如下：

其中，σ2代表Sigmoid 激活函數(shù)，注意力系數(shù)α（取值范圍0～1）不斷將權(quán)重分配到目標區(qū)域，此時xl與注意力系數(shù)相乘，相乘結(jié)果會讓不相關(guān)的區(qū)域的值變小，目標區(qū)域的值變大，從而提高分割精度。

3.2 損失函數(shù)

本文分割模型是基于編/解碼模式的肺分割網(wǎng)絡(luò)，需要訓練模型來預測每個像素是前景還是背景，這是一個像素級二分類問題。分類問題中最常見的損失函數(shù)是二分類交叉熵損失函數(shù)（binary cross en-tropy，BCE）。BCE損失函數(shù)定義如下：

其中，gic∈{0,1}代表真實值（ground truth），pic∈{0,1}代表預測值（predicted value）。當gic與pic相等時，loss為0，否則loss為一個正數(shù)，概率相差越大，loss值就越大。

本文使用TL（Tversky loss）損失函數(shù)[18]來代替二分類交叉熵損失函數(shù)。相較于BCE、Tversky 相似度指數(shù)，它允許靈活地平衡假陰性和假陽性。Tversky loss損失函數(shù)定義如下：

其中，pic表示預測像素i屬于病變c類的概率；表示預測像素i屬于非病變類的概率；gic表示真實像素i屬于病變c類的概率；表示真實像素i屬于非病變類的概率。參數(shù)α和β分別控制假陰性和假陽性的比重，可以通過調(diào)參分給目標區(qū)域更多的權(quán)重以改善樣本不平衡的情況，提高召回率。在下一章中，還將比較、分析使用二分類交叉熵損失函數(shù)和Tversky loss損失函數(shù)對模型的影響。

4 實驗結(jié)果與分析

4.1 實驗數(shù)據(jù)集

本文的數(shù)據(jù)集來自LUNA16 數(shù)據(jù)集（http：//aca-demictorrents.com/collection/luna-lung-nodule-analysis-16---isbi-2016-challenge/）。LUNA16 數(shù)據(jù)集是最大公用肺結(jié)節(jié)數(shù)據(jù)集LIDC-IDRI的子集，LIDC-IDRI包括1 018個低劑量的肺部CT影像，LIDC-IDRI刪除了切片厚度大于3 mm和肺結(jié)節(jié)小于3 mm的CT影像，剩下的樣本構(gòu)成了LUNA16 數(shù)據(jù)集。LUNA16 包括888 個低劑量肺部CT 影像（mhd 格式）數(shù)據(jù)，每個影像包含一系列胸腔的多個軸向切片。本文選取其中89 名患者，每個病人大約有100～750 張切片，最終形成13 465 張圖像數(shù)據(jù)集，獲得的圖像分辨率為512×512，其中70%的樣本用于訓練集，30%用于測試集。

4.2 參數(shù)設(shè)置

本文的實驗平臺為Keras，實驗的硬件環(huán)境為NVIDIA GTX1080Ti 單個GPU，Intel Corei7 處理器，軟件環(huán)境為Keras2.2.4。使用he_normal 方法對權(quán)重進行初始化，采用Tversky loss作為損失函數(shù)，學習率設(shè)置為1E-4，采用Adam 優(yōu)化器更新參數(shù)，訓練與測試的batchsize取4。

4.3 評價指標

評價指標旨在衡量所提方案的性能，本文采用最常用的醫(yī)學圖像分割評價指標對算法性能進行評估，包括敏感性（sensitivity，SE）、相似性系數(shù)（dice similarity coefficient，DSC）、準確性（accuracy，ACC）和Jaccard指數(shù)（Jac）。各項評價指標定義如下：

其中，TP（true positive）表示真陽性，它表示人工分割和算法分割公共區(qū)域的像素個數(shù)；FP（false positive）表示假陽性，它表示在算法分割區(qū)域內(nèi)，在人工分割區(qū)域外的像素個數(shù)；TN（true negative）表示真陰性，它表示人工分割和算法分割外部公共區(qū)域的像素個數(shù)；FN（false negative）表示假陰性，它表示人工分割區(qū)域內(nèi)，在算法分割區(qū)域外的像素個數(shù)。

4.4 實驗結(jié)果

4.4.1 樣本預處理對實驗結(jié)果的影響

本文選用LUNA16 數(shù)據(jù)集的樣本，在進行三維切片后，需要先把不含目標區(qū)域的切片去除，由于原始CT 圖像存在噪聲，因此在CT 圖像輸入網(wǎng)絡(luò)前需要進行增強操作，以便加強前景與背景的區(qū)分度，對于標簽圖，需要將其二值化。處理之后的CT圖像和標簽圖像如圖7所示。

Fig.7 Image comparison before and after preprocessing圖7 預處理前后圖像對比

處理之后的圖像較原始圖像前景更加突出，干擾信息顯著減少，二值化的切片也去除了包含支氣管的像素，減少了無效區(qū)域的輸入。預處理前后結(jié)果對比如表1所示。

Table 1 Comparison of segmentation results between preprocessed and unpreprocessed表1 預處理與未預處理的分割結(jié)果比較 %

從實驗的結(jié)果來看，預處理的分割精度明顯高于未經(jīng)過預處理的分割精度。因此，在訓練模型時首先要對樣本進行合理的預處理。本文中預處理刪除了不包含目標區(qū)域的圖片，屬于背景像素的數(shù)量顯著減少，在一定程度上可以平衡正負樣本，提高實驗精度。

4.4.2 不同loss對實驗結(jié)果的影響

由于此次實驗選取的樣本體積相差較大，因此在做器官切片時，存在大量包含小目標的切片，單張圖像中目標像素占比較小，這樣會導致正負樣本數(shù)據(jù)不平衡，使網(wǎng)絡(luò)訓練較為困難。二分類交叉熵損失函數(shù)的一個局限性是它對假陽性（FP）和假陰性（FN）檢測的權(quán)重相等，因此交叉熵損失函數(shù)不是最優(yōu)的。為了證明使用Tversky loss作為損失函數(shù)能夠有效提升分割性能，本文在最優(yōu)網(wǎng)絡(luò)框架中分別使用Tversky loss和二分類交叉熵損失函數(shù)進行對比實驗。此處，假陰性檢測的權(quán)重需要高于假陽性，因此Tversky loss 中參數(shù)相對應的設(shè)置α=0.7，β=0.3。使用不同的損失函數(shù)對分割結(jié)果的影響如表2所示。

Table 2 Comparison of segmentation results between different loss functions表2 不同損失函數(shù)的分割結(jié)果比較 %

從實驗的結(jié)果來看，由于使用了Tversky loss 重新為假陰性和假陽性分配了權(quán)重，使目標區(qū)域的權(quán)值大于非目標區(qū)域的權(quán)值，此操作對敏感性指標（Se）產(chǎn)生了重要的影響，其他的評價指標也都高于使用二分類交叉熵損失函數(shù)的分割結(jié)果，說明采取Tversky loss作為損失函數(shù)的算法，可在不犧牲其他精度的情況下，有效提高敏感性指標，即召回率。

4.4.3 消融實驗

為了說明本文多種改進策略可以有效提高算法的分割性能，本文做了3組對比實驗來說明多尺度的圖像輸入、ASPP 和Attention 機制可以在不同程度上提高算法的分割性能。多種改進策略的分割算法比較如表3所示。

Table 3 Comparison of segmentation algorithms of several improved strategies表3 多種改進策略的分割算法比較 %

由表3 可以看出，加入ASPP 和Attention 機制的模型分割效果明顯優(yōu)于未加的模型，本文將ASPP運用到圖像分割網(wǎng)絡(luò)，能夠有效減少連續(xù)下采樣帶來的信息損失，進一步強化分割效果。利用帶有注意力機制的級聯(lián)操作將高分辨率的局部特性與低分辨率的全局特性相結(jié)合，對產(chǎn)生的特征映射根據(jù)深層特征映射進行修正，從編碼器中獲取一些上文信息，加強目標區(qū)域的輸出，從而提高了分割性能。

采用多尺度的圖像輸入的模型雖然比不上ASPP和Attention機制對分割效果做出的貢獻，但是與下文提及的算法相比，在一定程度上也強化了分割效果。

4.4.4 與其他算法的比較

為更好地驗證本文算法的性能，本文將提出的分割算法與傳統(tǒng)的主動輪廓模型[19]和經(jīng)典算法U-Net、V-Net進行比較，一些其他分割方法[20-22]也被納入到比較中。不同分割算法的比較如表4所示。

從以上結(jié)果可以看出，本文算法在Dsc、Acc、Se和Jac的評估結(jié)果分別達到99.56%、99.33%、99.48%和98.74%，均優(yōu)于其他方法。這說明本文提出的分割模型有利于肺分割。為了更直觀地說明本文算法的準確性，本文隨機選取了5 個樣本A、B、C、D、E 在不同模型上的分割結(jié)果，如圖8所示。

Table 4 Comparison of different segmentation algorithms表4 不同分割算法的比較 %

樣本A 中原始CT 圖像肺實質(zhì)部分有些不清晰，無論是V-Net 還是Attn_U-Net，在像素模糊的部分分割效果都不是很好，本文算法的分割結(jié)果對比了圖8中標簽圖像，不存在過分割的問題。

Fig.8 Segmentation results of different algorithms圖8 不同算法的分割結(jié)果圖

對于樣本B 的分割，U-Net 和V-Net 在此樣本的邊緣處可以看到明顯的斑點，如圖8紅色虛線框選中部分所示；Attn_U-Net 對于此樣本的邊界，分割不夠圓滑，說明了加入ASPP的分割算法能夠有效減少連續(xù)下采樣帶來的信息損失，進一步強化分割效果。

對于樣本C 的分割，相比較本文提出的算法，U-Net 存在欠分割，V-Net 存在過分割的情況，如圖8 紅色虛線框選中部分所示，分割出的肺實質(zhì)部分不夠連續(xù)，存在一些空洞。

對于樣本D的分割，傳統(tǒng)的U-Net算法分割效果很差，未有效區(qū)分支氣管和肺實質(zhì)的像素，V-Net 分割效果要優(yōu)于U-Net，說明加入了跳躍連接的分割模型在一定程度上可解決網(wǎng)絡(luò)退化問題，對比加了注意力機制的Attn_U-Net 算法，可知注意力機制能有效增強模型分割效果，更加關(guān)注目標區(qū)域的輸出。

樣本E 中，由于左右肺距離比較接近，此樣本是最難分割的，相比較本文提出的算法，其他算法分割都出現(xiàn)左右肺粘連現(xiàn)象，如圖8綠色虛線框選中部分所示，而本文提出的算法能夠有效解決粘連問題，分割出左右肺，更加體現(xiàn)了本文算法的分割性能。

為說明本文方法可以在不同的肺部圖像上進行很好的分割，在Kaggle Data Science Bowl 2017（DSB2017）數(shù)據(jù)集上進行了實驗（https：//www.kaggle.com/c/data-science-bowl-2017）。DSB2017 是Lung Nodule Analysis在2017 年舉行的比賽。比賽所提供的數(shù)據(jù)集由534個二維樣本和各自的標簽圖像組成，用于肺分割。本文與采用同樣數(shù)據(jù)集的CE-Net 方法[23]進行了比較，由于樣本數(shù)量較少，本文進行了數(shù)據(jù)增強處理，實驗結(jié)果如表5所示。

Table 5 Comparison of segmentation results between different methods表5 不同方法的分割結(jié)果比較 %

從分割的結(jié)果來看，本文算法在DSB2017 數(shù)據(jù)集上也取得了比較好的分割效果，更加說明本文算法性能好，泛化能力強，可以推廣到分割不同的醫(yī)學圖像任務(wù)中。

5 結(jié)束語

本文提出了一種編/解碼模式的肺分割算法。一方面在編碼模塊采用多尺度融合的編碼方式，提高了模型對不同尺度特征的適應能力；另一方面采用ASPP，充分提取了上下文多尺度信息，最后通過注意力機制的級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)，加強目標區(qū)域信息的捕捉，有效避免了在特征解碼上冗余信息的獲取。實驗結(jié)果表明，本文方法能有效分割肺實質(zhì)區(qū)域，與其他方法相比分割效果更好。除此以外，本文方法泛化性較強，可廣泛應用到不同的醫(yī)學圖像分割任務(wù)中。從肺部CT圖像中完整地分割出肺實質(zhì)，對后續(xù)的肺結(jié)節(jié)檢測提供了良好的研究基礎(chǔ)，下一階段的任務(wù)是根據(jù)這項工作的結(jié)果進行肺結(jié)節(jié)的檢測。