羅圣欽，陳金怡，李洪均，2*

（1.南通大學信息科學技術學院，江蘇南通 226019；2.計算機軟件新技術國家重點實驗室（南京大學），南京 210023）

0 引言

乳腺癌已成為全球范圍內(nèi)嚴重威脅女性健康的疾病之一，據(jù)國際腫瘤研究機構發(fā)布的研究數(shù)據(jù)顯示，乳腺癌是目前第二大發(fā)病率的惡性疾病并且已成為女性人群中的頭號殺手［1］。在我國，乳腺癌發(fā)病率同樣占到女性身患惡性腫瘤的首位［2］，由國家癌癥中心發(fā)布的2019 癌癥報告顯示，在女性發(fā)病率前十位的惡性腫瘤中，乳腺癌占比17.07%位居首位，因此，及時檢查和發(fā)現(xiàn)乳腺癌灶對患者生命質量的改善具有重要意義。乳腺發(fā)病位置布滿腺體及豐富的結締組織，對于小癌灶的病變部位，使用動態(tài)對比增強磁共振成像（Dynamic Contrast Enhancement Magnetic Resonance Imaging，

DCE-MRI）技術可減少因組織致密不均或腫塊較小導致病灶漏檢的發(fā)生。得益于醫(yī)學影像技術的飛速發(fā)展，計算機輔助診斷在臨床診斷中得到了廣泛應用［3-4］，但醫(yī)師的首要工作往往是手工勾畫大量的病灶切片，工作強度高并且勾畫時間長，嚴重耽誤醫(yī)師處理其他醫(yī)治事項。另一方面，由于不同醫(yī)師的執(zhí)醫(yī)經(jīng)驗不同，勾畫方式較為主觀，會帶來不同勾畫金標準的問題，因此亟須一種統(tǒng)一高效的勾畫方式。針對上述難題，本文設計一種自動勾畫的乳腺癌灶分割算法以期為醫(yī)師進行臨床診斷提供輔助參考。

1 相關工作

近年來，研究人員對乳腺腫瘤分割做了大量研究。Liu等［5］利用形態(tài)學方法得到一系列潛在曲線，根據(jù)曲線的梯度信息挑選出真實的腫瘤邊緣完成分割，但僅考慮梯度信息，對邊緣的細節(jié)處理不足。Amir 等［6］考慮聚類方法實現(xiàn)分割，根據(jù)腫塊強度區(qū)別于正常組織的特點，優(yōu)化質心初始化算法根據(jù)像素強度進行K 均值聚類，實現(xiàn)了背景、健康組織以及病變區(qū)域的區(qū)分。直接將各子圖唯一劃到某一聚類中心上，可能因癌變部位與鄰近組織的強度相似而歸為同一類導致誤割，為此Larsen 等［7］在模糊C 均值聚類的基礎上先提取腫瘤的感興趣區(qū)域，再進行邊界的檢測實現(xiàn)分割。襲肖明等［8］先在粗分割的基礎上分別標記分割正確、錯誤以及背景區(qū)域，接著用超像素分割提取圖像特征并輸至支持向量機分類，從而能夠降低誤割率。Kozegar 等［9］考慮閾值分割方法，先選擇圖像的種子點，提出一種自適應求解相似度閾值的高斯混合模型，利用區(qū)域生長算法輸出腫瘤的分割圖，解決了種子點對初始位置敏感以及過度生長的問題；但該方法需多道步驟，且初始化的邊緣輪廓不能離腫塊太遠，具有一定的限制。由于腫瘤區(qū)域像素強度與周邊存在差異，研究人員考慮利用活動輪廓模型進行分割，其中心思想是建立一個能量泛函，使其在內(nèi)部能量和外部能量的共同作用下達到最小值，從而活動輪廓演變到目標邊界。馮保等［10］結合馬爾可夫隨機場后驗概率得到感興趣區(qū)域，并在能量泛函中引入模糊速度從而提高分割精度，但沒有考慮到腫瘤存在內(nèi)部空洞的情況。Huang 等［11］選擇在輪廓模型中添加形狀知識，手動標出腫塊初始形狀，然后用形態(tài)學方法處理得到形狀模型到輪廓的距離以此更新水平集逼近腫塊，處理過程粗糙且受噪聲影響大。Kuo 等［12］采用兩步驟分割，不同的是初始輪廓階段采用徑向梯度指數(shù)得到腫瘤的初始輪廓。這些方法很多需要預處理得到感興趣區(qū)域，隨后構造能量函數(shù)或水平集來逼近腫塊圖像，分割效果很大程度受初步分割的病灶位置以及參數(shù)設置的影響，有一定的局限性。總體來說，無論選擇形態(tài)學方法、聚類分割、閾值分割或是水平集等方法，都沒有擺脫多步驟處理或者手工設計提取特征的繁瑣，因此研究人員考慮另辟蹊徑謀求相對簡單高效的分割方法。

隨著人工智能的快速發(fā)展，基于深度學習的圖像分割因其無需手工設計特征方法，且設計相對簡單、端對端結構、性能卓越等諸多優(yōu)勢成為醫(yī)學圖像處理的首選。全卷積神經(jīng)網(wǎng)絡（Fully Convolutional Network，F(xiàn)CN）［13］將傳統(tǒng)卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）的全連接層全部替換成卷積，利用sigmoid 函數(shù)實現(xiàn)了像素級的分割，但是沒有考慮鄰近像素間的位置關系，僅采用像素對應點的相加來實現(xiàn)特征的融合過程，忽略了像素間的空間一致性，因此得到的分割結果往往比較粗糙且對細小區(qū)域不敏感。為此，Olaf等［14］設計一種對稱式的U 形網(wǎng)絡（UNet），通過其特有的編碼-解碼方式以及跳躍轉接結構能夠有效補充細節(jié)信息并改善圖像分割質量，成為分割領域骨干網(wǎng)絡的首選。Zhang等［15］提出一種層次化卷積結構，利用單獨訓練多個UNet 依次進行腫塊由粗到精的分割，與單網(wǎng)絡相比假陽性顯著降低，但由于初始乳腺掩模完全由網(wǎng)絡生成，因此分割效果很大程度受初始掩模影響，整體存在不穩(wěn)定因素。Zhao 等［16］將網(wǎng)絡輸出后通過金字塔池化以得到不同大小的特征圖，一定程度上解決了腫塊的多樣性問題。為提高對病灶區(qū)域的關注，Aleksandar 等［17］在UNet 降采樣階段的每一層引入顯著性圖，使網(wǎng)絡將注意力集中在顯著性高的區(qū)域上從而改善了分割結果。此外，一些研究者考慮引入自然圖像分割模型用來分割病變腫塊。如Hai 等［18］在FC-DenseNet［19］中加入多尺度圖像信息后能夠明顯提高目標分割精度。由于乳腺導管和乳腺與病灶呈現(xiàn)的特征相似，為區(qū)分病灶，Chen 等［20］用三個長短時記憶網(wǎng)絡捕獲不同序列切片對于同一部位的時空相關性信息，能夠用較少的參數(shù)實現(xiàn)高分割精度。Vivek等［21］提出一種生成對抗學習框架，利用判別器從圖像中腫塊的紋理和上下文信息預測分割圖，直至鑒別器難以區(qū)分時視為完成分割。盡管將自然圖像語義分割模型運用在醫(yī)學圖像中有一定效果，但仍面臨像素級圖像處理能力不夠、現(xiàn)有數(shù)據(jù)集難以滿足深層網(wǎng)絡等諸多不足，同時現(xiàn)有基于UNet 的深度方法大多考慮網(wǎng)絡的整體搬移運用，因此在UNet 的基礎上加以改進為提升模型的分割性能提供了一種潛在的方法。

2 基于注意力機制的多尺度UNet模型

2.1 模型結構設計

本文從UNet 結構高效的特點出發(fā)，在不改變其架構基礎上設計一種基于上下文注意力機制的多尺度殘差UNet（Multiscale Residual UNet based on Context Attention，MCAResUNet）的乳腺癌灶分割模型。其中編碼器部分由多個多尺度殘差塊構成，使網(wǎng)絡盡可能地提取腫塊更多的細節(jié)信息。在橋接模塊利用空洞空間金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）注入上下文信息對特征進行二次信息挖掘。特征層連接環(huán)節(jié)中引入跨層的上下文注意力（Layer-crossed Context Attention，LCA）引導機制，使模型更好地把握病灶的全局信息，最后通過上采樣層將分割結果恢復至輸入圖像大小，其模型結構如圖1 所示。

圖1 基于注意力的多尺度UNet模型Fig.1 Multiscale ResUNet model based on attention

2.2 多尺度特征提取模塊

在特征編碼階段，乳腺磁共振成像（Magnetic Resonance Imaging，MRI）圖像經(jīng)多層網(wǎng)絡的卷積核卷積后具備較大尺度的感受野，其表征高級語義信息的能力得到增強。在同一層網(wǎng)絡中，采用大卷積核獲得網(wǎng)絡的感受野可以捕獲與周邊多個像素的空間關系，但對于抓取細節(jié)特征的能力較差；采用小卷積核獲得網(wǎng)絡的局部感受野能夠聚焦圖像的幾何細節(jié)信息，適合高精度分割任務，但對圖像的表征能力有待提高。因此通過多尺度特征提取得到的不同感受野能夠進一步提高圖像的表征能力，從而解決腫塊大小多樣的問題。

由于乳腺癌灶臨床特征復雜不規(guī)則，在研究其分割特征時通常需要考慮以下因素：1）乳腺癌灶大小不一，且存在較大尺寸差距。由于病灶經(jīng)造影劑強化后呈現(xiàn)的大小各不相同，意味著使用同一尺度卷積標準提取病灶特征時容易造成部分信息遺漏的狀況。2）乳腺癌灶形態(tài)多樣，對腫塊細節(jié)勾畫要求高。MRI 圖像中常見腫塊邊緣存在倒鉤、凸起等多種形態(tài)的不規(guī)則形狀，因此需要更靈活地對腫塊形狀進行表征。3）病灶邊緣與周邊組織界限不清晰。這是由于乳腺部位富含大量腺體及纖維結締諸多等生理組織，而癌細胞常分布于這些纖維結締組織中，導致癌灶邊界模糊難區(qū)分。

綜合上述因素，這里使用一種多尺度殘差卷積模塊（Multiscale-Residual Convolution Block，MRCB）替代傳統(tǒng)UNet 下采樣時連續(xù)使用兩次相同卷積核大小的卷積，其思想是將ResNet50 中使用的殘差單元的中間層替換成多個不同大小的卷積核，如圖2 所示。

圖2 多尺度殘差模塊Fig.2 Multiscale residual block

特征圖首先經(jīng)1×1 的卷積核后自適應改變通道數(shù)，隨后按輸出的通道數(shù)分成s等份，每等份表示為xi(i=1，2，…，s)，這里s的值設為4，x1不加處理原樣輸出至y1，后三等份通道分別對應3×3 的卷積運算ki-1，xi經(jīng)ki-1卷積運算后輸出至yi，同時將卷積結果與xi+1相加進行與ki的下一次運算，其特征圖的計算方法可表示為：

輸入特征經(jīng)含3×3 的級聯(lián)卷積后都潛在地與xi直接相連，其輸出的特征圖具備不同大小的感受野，隨后進行1×1卷積拼接成同一個張量送進壓縮激勵網(wǎng)絡，根據(jù)不同特征通道的重要程度對通道進行篩選并賦予不同的權重，最后輸出至下一個模塊實現(xiàn)一次多尺度特征提取過程。本文在UNet基礎上將每一層卷積替換成2 個多尺度殘差塊，借助重復使用多尺度殘差塊，網(wǎng)絡能夠提取到更多的腫塊細節(jié)信息，因而對于低對比度的腫塊邊緣區(qū)域也具有更好區(qū)分效果。

2.3 上下文橋接模塊

傳統(tǒng)UNet對于橋接模塊往往采取單一的特征升維處理，缺乏對高層信息的有效利用，因此本文使用空洞空間金字塔池化方法替代原橋接模塊，對包含高級語義信息的特征從附近像素信息中再次挖掘，在獲得特征上下文信息的同時進一步擴大了感受野，與下采樣相比避免了像素信息丟失的風險。

ASPP作為空間金字塔池化與空洞卷積功能上的結合，在不采用池化進行擴張感受野的前提下，對給定的特征圖，ASPP 擴大卷積核的尺寸形成多個不同感知上下文能力的特征提取器，這樣可以讓ASPP更好地捕獲多種尺度的上下文信息，其空洞卷積實際卷積核計算可通過如下公式計算得到：

其中：k為初始卷積核大??；r為空洞卷積參數(shù)空洞率，即在大小為k的卷積核中注入的空洞數(shù)。通過擴大初始卷積核與參數(shù)空洞率大小可以一定程度增加感受野，但太大也會存在丟失局部信息與遠距離信息感知不強的風險，因此需合理設置兩項參數(shù)以達到最優(yōu)效果，本文將r值設置為2、8、14。

2.4 跨層注意力引導模塊

雖然殘差單元能有效專注腫塊自身的特征細節(jié)，但對目標的整體空間信息關注不夠，例如健康組織被誤分割等問題上始終沒有得到妥善的處理方案。傳統(tǒng)注意力機制從當前輸入的特征圖進行建模，顯式地利用特征維度或特征點本身攜帶信息挖掘依賴關系，忽視了對淺層特征信息的重視。

考慮淺層特征包含更豐富、不加丟失的全局空間信息，在特征提取后仍然具有利用價值；另一方面，解碼環(huán)節(jié)包含的像素分類信息對癌灶空間信息感知不強，易出現(xiàn)鄰近健康組織被誤分割的現(xiàn)象，本文設計一種跨層的注意力（Layer-Crossed Attention，LCA）引導單元模塊，引入淺層編碼信息與當前層解碼信息加重腫塊區(qū)域的權重，從而實現(xiàn)分割部位的鎖定，其注意力權重可由如下計算公式得到：

3 實驗與結果

3.1 實驗環(huán)境與數(shù)據(jù)集

本文的實驗環(huán)境如下：CPU Intel Xeon Core E5-2696 v4 2.20 GHz，GPU NVIDIA GeForce GTX 1080Ti×2，內(nèi)存各11 GB，Windows 10 操作系統(tǒng)，深度學習框架Pytorch1.2.0，Python 版本3.7.6。

實驗采集數(shù)據(jù)為某醫(yī)院2015 年至2018 年間收治的44位乳腺癌確診患者的MRI 圖像，經(jīng)患者允許將數(shù)據(jù)進行脫敏處理用于科學研究。數(shù)據(jù)的初始格式為.mha 格式，利用SimpleITK 工具包讀成圖像格式并保存。每位患者注射MRI造影劑后根據(jù)掃描時間階段不同分成6 期結果，每次掃描結果包含128 幅圖像切片，每張圖像大小為384×384。圖3 展示了部分患者的乳腺MRI 影像，標注部位為乳腺的癌變區(qū)域，由圖可見，乳腺癌灶在形態(tài)、大小、對比度等方面呈現(xiàn)不同程度的差異。所有MRI 掃描數(shù)據(jù)均經(jīng)由兩位專業(yè)影像醫(yī)師對其進行手動勾畫病灶并通過二次確認后作為分割對照的金標準。

圖3 不同患者的乳腺MRI圖像Fig.3 Breast MRI images of different patients

3.2 訓練細節(jié)

由于乳腺MRI 臨床樣本稀缺，實驗首先以病例數(shù)38∶6劃分訓練和測試集，接著對已有勾畫圖像進行數(shù)據(jù)增強，包含圖像旋轉、水平鏡像翻轉、圖像放大等，其中旋轉角度為符合患者實際掃描體位進行0°～10°的順、逆時針間的隨機變換，圖像縮放及旋轉均以大小為0.8 的概率執(zhí)行，鏡像翻轉以大小為0.5 的概率執(zhí)行，所有圖像以此進行1.8 倍進行擴充，最終將得到的圖像以病例數(shù)劃分訓練、驗證和測試集?？紤]勾畫好的ground truth 數(shù)據(jù)正負樣本比例極不平衡，實驗在數(shù)據(jù)增強后剔除大量無效負樣本數(shù)據(jù)，以正負樣本約7∶1 的比例擴大數(shù)據(jù)中正樣本的比重，使網(wǎng)絡重點學習正樣本特征，同時可有效避免大量的負樣本對分割指標的無意義提升。

訓練使用二值交叉熵損失函數(shù)作為模型的損失函數(shù)，使用Adam 優(yōu)化器更新網(wǎng)絡參數(shù)，學習率設置為0.001。同時采取分批策略進行訓練，每個批大小為4，每次訓練的遍歷次數(shù)（epoch）為120，每次遍歷需迭代1 250 次，訓練結束取損失最小的模型用于分割測試。

評價指標實驗主要采用Dice 系數(shù)以及交并比（Intersection over Union，IoU）作為衡量乳腺腫瘤分割模型性能的主要依據(jù)，同時兼顧臨床病癥分析的特殊性，本文還使用特異度（Specificity，SP）、敏感度（Sensitivity，SE）和準確率（Accuracy，ACC）等三項參數(shù)進行多方面評價，上述各指標由下列公式計算得到：

其中：Vseg和Vgt分別表示模型的分割輸出圖像和醫(yī)師的勾畫金標準，TP（True Positive）、FP（False Positive）、TN（True Negative）、FN（False Negative）分別表示真陽性、假陽性、真陰性和假陰性，借助該四種分割情況可對分割結果作出多種解釋，諸如特異度反映所有陰性樣本中預測正確的比例，即真陰性占標準陰性中的比重，敏感度反映所有陽性樣本中預測正確的比例，即真陽性占標準陽性中的比重，因而這些衡量指標對醫(yī)師進行乳腺癌灶的病理診斷具有極大的分析價值。

3.3 主流算法介紹

在醫(yī)學圖像處理任務中，F(xiàn)CN 作為深度領域提出較早的一種分割算法，摒棄傳統(tǒng)卷積網(wǎng)絡將含目標像素的圖像塊作為分割單元的做法，采用拋棄全連接層而使用連續(xù)的反卷積層恢復至輸入圖像尺寸，并同時使用對應點相加的跳層連接實現(xiàn)了像素級的分類，在提高分割效果的同時放開了對輸入尺寸的限制。SegNet［22］在編解碼環(huán)節(jié)過程中借鑒了VGG16深層網(wǎng)絡結構的優(yōu)勢，使用其前13 層用于提取特征信息，同時采用一種不同于跳層連接的特征處理方法，創(chuàng)新性地將編碼時最大池化的結果以索引形式保存，并在解碼中用以還原最大特征值的位置，通過反卷積學習填充其余空缺值，對邊緣分割處理較好。UNet 在醫(yī)學分割領域中十分經(jīng)典，其結構可分為收縮路徑和擴張路徑，在特征編碼階段，該網(wǎng)絡在連續(xù)完成4 次采樣因子為2 的降采樣后，得到的特征圖的感受野能有效覆蓋圖像的中心區(qū)域，提高對病灶的理解能力。在擴張路徑中對編碼特征進行反卷積用以還原圖像尺寸并將特征圖映射到像素空間進行腫瘤的分割。此外，為解決卷積過程時腫塊邊緣模糊的問題，UNet 在每一層最后利用concat 的跳躍轉接方式將淺層特征與高級語義信息添加到擴展路徑中，通過注入更多、更完備的細節(jié)信息改善圖像恢復時質量粗糙的問題，因而這一結構在醫(yī)學分割任務中得到了廣泛的應用。由于網(wǎng)絡層數(shù)的加深通常伴隨網(wǎng)絡退化和梯度彌散的問題，而ResNet［23］給出的殘差結構可將深層網(wǎng)絡的訓練轉化為對恒等映射函數(shù)的學習，從根本上給出上述問題的解決辦法，因而在UNet 的特征提取模塊結合ResNet 特有的殘差結構，形成的ResUNet［24］成為諸多研究者處理不同分割任務時的首選結構。HarDNet-MSEG［25］使用HarDNet 作為降采樣環(huán)節(jié)的骨干網(wǎng)絡，通過改變稠密連接塊的密度和通道寬度來提高推理速度和精度，同時每一層的跳躍連接環(huán)節(jié)中使用接受域模塊獲得不同分辨率的特征圖，經(jīng)上采樣至同一大小后進行稠密聚合得到最終的輸出。PraNet［26］使用并行部分解碼器組合特征生成初步的感興趣區(qū)域，然后提出一種反向注意力模塊從并行解碼器中剔除前景區(qū)域來挖掘有區(qū)別性的邊界信息，通過對區(qū)域和邊界關系的建模逐步細化分割區(qū)域完成分割。在這里將所提方法與上述網(wǎng)絡性能進行對比以驗證本文方法的有效性。

3.4 結果與分析

為證明所提方法的有效性，本文與SegNet、FCN、UNet、ResUNet、HarDNet-MSEG、PraNet 等多個分割網(wǎng)絡對同一分割任務進行對比，采用醫(yī)師提供的乳腺MRI 勾畫數(shù)據(jù)的網(wǎng)絡分割結果如表1 所示。本方法各項指標表現(xiàn)優(yōu)異，并且在Dice 系數(shù)、IoU、SP 三項指標中均高于其他網(wǎng)絡的分割結果。

表1 不同網(wǎng)絡的分割結果 單位：%Tab.1 Segmentation results of different networks unit：%

圖4 為四位患者的乳腺MRI 掃描圖像，其中每行的第一張勾畫圖像為ground truth，后五張為不同網(wǎng)絡的分割結果。從圖中可看出不同患者的乳腺MRI 病灶圖像存在對比度不均、邊緣模糊、形態(tài)大小不一等特點。在第二張MRI 圖像中，因FCN 和UNet 用相同大小的卷積核提取特征，從而網(wǎng)絡每一層的感受野大小單一，不能很好地捕獲小腫塊包含的特征導致漏割情況的發(fā)生。SegNet 和ResUNet 和本文方法都關注于特征的提取與處理，但SegNet 重點對上采樣環(huán)節(jié)施加改進，和ResUNet 一樣對病灶的形態(tài)和大小不均等情況的感知較差，因而第1 行與第3 行的圖像分割結果在邊緣的精度上不能很好地滿足醫(yī)師分析需求。對于HarDNet-MSEG，由于接受域模塊的引入使得對微小腫塊輪廓的勾畫尤其是第二例病人的較小腫塊的分割表現(xiàn)較好，對于PraNet，由圖4 可見該網(wǎng)絡對第一例病人勾畫相對其他算法效果較差，原因在于第一例病人的病灶附近對比度呈現(xiàn)多層次變化分布，易使反向注意機制只部分地學習到對比度較強的部分而將對比度較弱部分作為背景忽略。此外，部分腫塊與鄰近健康組織灰度相近，易使網(wǎng)絡對腫塊造成假陽性或假陰性的誤分割，本文利用上下文注意力引導機制挖掘淺層特征中的空間信息以緩解上采樣時感興趣區(qū)域像素定位不準確的問題，特異度結果表明本文方法較其他分割算法能夠更好解決假陽性的誤分割現(xiàn)象。

圖4 不同分割方法結果對比Fig.4 Segmentation results of different methods

為了說明本文方法的有效性與科學性，進行消融實驗，其結果如表2 所示。

表2 網(wǎng)絡結構消融對比 單位：%Tab.2 Comparison of network structure ablation unit：%

從表2 可以看出，在對UNet 改進后，Dice 系數(shù)、IoU 等指標均得到不同程度的提升，此外，由于本文方法較其他網(wǎng)絡側重關注病灶的空間位置和形態(tài)大小的準確性，因此分割結果在形態(tài)上略小于醫(yī)師勾畫的病灶形狀，從而體現(xiàn)在敏感度略低于網(wǎng)絡初始值。實驗結果表明本文方法優(yōu)于UNet，證實了所提方法的有效性。

4 結語

本文針對乳腺MRI 癌灶分割存在的形態(tài)多樣、大小不均、對比度不均等問題，提出一種基于注意力機制的多尺度UNet 結構分割模型，該模型主要包括用于提取腫塊特征的多尺度殘差單元，使每一層得到不同大小的感受野，易于獲取病灶的形態(tài)、大小等信息；用于進行像素級分類時幫助定位感興趣區(qū)域的上下文注意力引導模塊，減少出現(xiàn)假陽性的誤割情況的發(fā)生；同時，在橋接環(huán)節(jié)利用空間空洞金字塔池化對得到的高級語義特征進行二次挖掘，提高特征利用效率。通過與其他主流分割網(wǎng)絡的結果對比顯示，本文方法對乳腺癌灶MRI 圖像除敏感度會有輕微下降外，其余各項分割指標表現(xiàn)優(yōu)異，其中Dice 系數(shù)和IoU 能達到83.24% 和74.24%，這將為乳腺癌灶的勾畫提供了一種新的實施方法。此外，本文實驗所用的乳腺MRI 掃描圖像，與自然場景分割任務使用的大規(guī)模數(shù)據(jù)集相比，醫(yī)學圖像數(shù)據(jù)量稀缺與較難獲得，自制和標注困難，同時醫(yī)學圖像語義相對簡單且內(nèi)容結構較為固定，使用過深的復雜網(wǎng)絡可能起到相反效果，因而利用有限的數(shù)據(jù)資源與更高效的分割網(wǎng)絡實現(xiàn)乳腺癌灶的精準分割是我們下一步工作的研究重點。