向智霆，劉劍聰，魏 柳，王淇銳，簡(jiǎn)麗瓊，肖 斌,3

(1.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065；2.寧夏回族自治區(qū)血液中心， 銀川 750001；3.圖像認(rèn)知重慶市重點(diǎn)實(shí)驗(yàn)室， 重慶 400065)

0 引 言

胰腺癌是一種惡性度高、早期較難發(fā)現(xiàn)的消化道腫瘤。近年來(lái)，胰腺癌的發(fā)病率在全球范圍內(nèi)呈上升趨勢(shì)，該疾病難以治療且死亡率較高。為了提高手術(shù)成功率，醫(yī)生需要準(zhǔn)確了解胰腺區(qū)域細(xì)節(jié)特征，因此，開發(fā)一個(gè)能夠真實(shí)準(zhǔn)確反映胰腺特征的計(jì)算機(jī)系統(tǒng)勢(shì)在必行。在計(jì)算機(jī)輔助疾病診斷領(lǐng)域，對(duì)肺[1-3]和心臟等大型器官疾病的診療已經(jīng)初具成效[4-5]，但由于胰腺體積較小，具有形狀變異性，受到背景場(chǎng)的干擾很大，在計(jì)算機(jī)斷層成像(computed tomography, CT)中胰腺區(qū)域的精確分割依舊十分困難。

傳統(tǒng)醫(yī)學(xué)圖像分割方法大體可分為3類[6]：①閾值分割法；②邊緣分割法；③種子區(qū)域生長(zhǎng)法。閾值分割法利用圖像中物體灰度值強(qiáng)度的不同選取目標(biāo)區(qū)域，具有低成本、易實(shí)現(xiàn)的特點(diǎn)，但腹部CT圖像中胰腺區(qū)域與周圍組織的灰度值相近，并且胰腺由于具有個(gè)體差異性難以選取合適的閾值，故閾值分割法不能勝任胰腺圖像分割的任務(wù)。邊緣分割法利用不同的算子檢測(cè)圖像邊緣，通常這些邊緣標(biāo)示圖像中灰度、顏色、紋理不連續(xù)的位置。Sobel算子[7]根據(jù)像素點(diǎn)上下、左右相鄰點(diǎn)的灰度加權(quán)差在邊緣處達(dá)到極值來(lái)檢測(cè)圖像邊緣。在胰腺圖像分割任務(wù)中，腹部區(qū)域器官較多、結(jié)構(gòu)復(fù)雜，并且胰腺區(qū)域沒(méi)有明顯的灰度邊緣，故邊緣分割法也難以取得理想的效果。種子區(qū)域生長(zhǎng)是一種典型的串行區(qū)域分割方法。文獻(xiàn)[8]提出種子區(qū)域生長(zhǎng)法，將圖像按灰度值不同分割成若干小區(qū)域，之后從種子區(qū)域出發(fā)按照特定的規(guī)則將小區(qū)域合并為大區(qū)域，直至迭代停止。種子區(qū)域生長(zhǎng)算法中種子點(diǎn)選擇需要人工交互，但在沒(méi)有先驗(yàn)知識(shí)的情況下，人工選擇的種子點(diǎn)和隨機(jī)選擇的生長(zhǎng)規(guī)則使分割效果與實(shí)際情況存在較大差異。此外該算法對(duì)噪聲和灰度均不敏感，這可能會(huì)產(chǎn)生空洞和過(guò)分割現(xiàn)象，因此種子區(qū)域生長(zhǎng)法不適用于對(duì)灰度信息要求較高的胰腺分割領(lǐng)域。

隨著深度學(xué)習(xí)的發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)在醫(yī)學(xué)圖像分割領(lǐng)域廣泛應(yīng)用。常見(jiàn)的用于醫(yī)學(xué)圖像分割的深度學(xué)習(xí)方法有U-net[9]、全卷積神經(jīng)網(wǎng)絡(luò) (FCN)[10]、Segnet[11]等。其中U-net方法提取了編解碼器結(jié)構(gòu)，編碼過(guò)程可以捕捉語(yǔ)義信息，與之對(duì)應(yīng)的解碼過(guò)程可以進(jìn)行精確定位，并且該結(jié)構(gòu)可以在數(shù)據(jù)集有限的情況下獲得良好的效果。針對(duì)U-net在胰腺圖像分割任務(wù)上的不足，文獻(xiàn)[12]提出了一種先粗分割再細(xì)分割的胰腺分割方法，采用粗分割定位胰腺的區(qū)域并對(duì)圖像進(jìn)行裁剪獲得包含胰腺區(qū)域的較小圖像，能夠減少背景的干擾，增加胰腺的分割準(zhǔn)確率，最終，文獻(xiàn)[12]提出的基于FCN的定點(diǎn)模型平均Dice相似系數(shù)(Dice similariy coefficient,DSC)達(dá)到 83.18%。文獻(xiàn)[13]提出利用神經(jīng)網(wǎng)絡(luò)反復(fù)進(jìn)行上下文學(xué)習(xí)的胰腺分割方法，將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)進(jìn)行胰腺分割預(yù)訓(xùn)練，后將CNN多層相鄰胰腺分割結(jié)果輸入RNN整合其相鄰層的信息得到胰腺分割結(jié)果，利用該方法得到更加精確的胰腺分割結(jié)果，并使平均DSC提升至83.70%。文獻(xiàn)[14]將深度神經(jīng)網(wǎng)絡(luò)分割與Bayeux統(tǒng)計(jì)形狀模型結(jié)合在胰腺分割模型中。該方法利用Bayeux統(tǒng)計(jì)形狀模型獲取豐富的先驗(yàn)形狀改善神經(jīng)網(wǎng)絡(luò)的分割能力，得到平均DSC為85.32%，但通過(guò)Bayeux模型獲得先驗(yàn)形狀十分繁瑣。文獻(xiàn)[15]提出一種基于3D計(jì)算機(jī)斷層掃描的自動(dòng)化系統(tǒng)：第1步，通過(guò)在3個(gè)正交軸的方向上掃描，把隨機(jī)森林方法結(jié)合到胰腺的3D邊框；第2步，利用神經(jīng)網(wǎng)絡(luò)融合3個(gè)方向語(yǔ)義特征，得到可靠的胰腺邊緣，最后得到的平均DSC為81.30%。

盡管胰腺圖像分割的準(zhǔn)確率逐年升高，但依舊有一些困難沒(méi)有解決。分割的困難主要體現(xiàn)在以下幾個(gè)方面：①胰腺與周圍組織沒(méi)有明顯的灰度邊緣；②胰腺是軟體組織具有形狀變異性，個(gè)體與個(gè)體之間存在較大差異；③胰腺器官較小，只占腹部CT圖像的很小一部分。全局特征具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)，能夠很好地把握胰腺的紋理特征及其整體形狀。本文將全局特征模塊與U-net網(wǎng)絡(luò)集成，通過(guò)全局特征模塊提取胰腺的全局特征，并與編碼器提取的局部特征進(jìn)行整合后輸入解碼器提升分割結(jié)果的準(zhǔn)確率。該方法不僅能夠把握胰腺的全局特征，而且能夠增強(qiáng)網(wǎng)絡(luò)對(duì)細(xì)節(jié)信息的提取能力，進(jìn)一步提升分割效果。

1 基于GF U-net的胰腺圖像分割方法

1.1 網(wǎng)絡(luò)體系結(jié)構(gòu)

全局特征能夠整體把握目標(biāo)形狀，紋理信息，能夠直觀表示胰腺特征。受全局特征和U-net的啟發(fā)，本文提出了基于全局特征U-net(U-net with global features, GF U-net)的胰腺圖像分割方法，采用與U-net類似的整體架構(gòu)，兩側(cè)為對(duì)稱的編碼器和解碼器，通過(guò)中間對(duì)應(yīng)的快捷連接傳遞上下文信息并在網(wǎng)絡(luò)底部加入全局特征模塊。編碼器將提取的特征通過(guò)快捷連接傳入解碼器，解碼器整合編碼器不同層次的信息以及全局特征模塊的形狀信息，使得網(wǎng)絡(luò)更加準(zhǔn)確和健壯，本文GF U-net的網(wǎng)絡(luò)體系結(jié)構(gòu)如圖1所示，圖1直角藍(lán)色框表示一個(gè)多通道特征映射，虛線框代表一個(gè)網(wǎng)絡(luò)操作單元。

圖1 GF U-net的網(wǎng)絡(luò)體系結(jié)構(gòu)Fig.1 Network architecture of GF u-net

1.2 全局特征模塊

在經(jīng)典U-net網(wǎng)絡(luò)上，衍生出了加入殘差模塊[16]的Residual U-net[17]網(wǎng)絡(luò)和加入注意力模塊[18]的Attention U-net[19]網(wǎng)絡(luò)。Residual U-net網(wǎng)絡(luò)加深了網(wǎng)絡(luò)的深度，使得網(wǎng)絡(luò)的表達(dá)能力增強(qiáng)且能夠抽象出圖像更深層次的特征，從而提高網(wǎng)絡(luò)識(shí)別率；Attention U-net網(wǎng)絡(luò)加入了注意力機(jī)制，使得網(wǎng)絡(luò)能夠?qū)δ繕?biāo)區(qū)域賦予更大的注意參數(shù)，從而對(duì)目標(biāo)區(qū)域分割更準(zhǔn)確，這兩種網(wǎng)絡(luò)也存在對(duì)目標(biāo)形狀、紋理等特征把握不準(zhǔn)的問(wèn)題。

全局特征是指圖像的整體特征，用于描述圖像或目標(biāo)的顏色、形狀、亮度和紋理等特征，具有良好的不變性和表示直觀等特點(diǎn)。全局特征模塊如圖2所示。胰腺在計(jì)算機(jī)斷層成像中具有較明顯的整體形狀以及清晰的紋理特征，經(jīng)典U-net通過(guò)快捷連接傳遞上下文信息，難以較好地掌握目標(biāo)區(qū)域的形狀、紋理信息。本文針對(duì)胰腺的特點(diǎn)提出的GF U-net方法，能夠通過(guò)全局特征模塊提取全局特征對(duì)胰腺區(qū)域進(jìn)行整體約束。全局特征模塊能夠保存編碼器提取胰腺的局部特征，并通過(guò)特征提取分支整合局部特征得到胰腺的全局特征，最后通過(guò)拼接單元將局部特征和全局特征進(jìn)行拼接輸入解碼器。主干分支包括兩個(gè)3×3的卷積緊跟非線性單元(Selu)用以提取更深層的特征并保留局部特征。特征提取分支包括兩個(gè)3×3的卷積緊跟非線性單元以及一個(gè)2×2的最大池化層減小特征圖尺寸，然后通過(guò)兩個(gè)特征通道數(shù)(1 024和512)的全連接層用以整合局部特征得到全局特征。雖然相對(duì)于卷積和池化操作不能很好地把握相鄰每個(gè)節(jié)點(diǎn)之間的關(guān)聯(lián)性，但全連接層在每個(gè)節(jié)點(diǎn)之間都建立了參數(shù)關(guān)聯(lián)，能夠更好地表現(xiàn)出圖像的全局特征。拼接單元將復(fù)制4×4的全局特征張量與主干分支的輸出張量進(jìn)行拼接，最后通過(guò)3×3的卷積調(diào)整為所需特征通道數(shù)輸出解碼器。本文的GF U-net不僅有全局特征，還包含胰腺的局部特征。全局特征很好地保留了胰腺重要的形狀、亮度和紋理等信息。局部特征具有數(shù)量豐富，特征相似性小，遮擋情況下不會(huì)因?yàn)椴糠痔卣鞯南Ф绊懫渌卣鞯臋z測(cè)和匹配等特點(diǎn)。

圖2 全局特征模塊組成Fig.2 Global feature module composition

1.3 損失函數(shù)

在醫(yī)學(xué)圖像分割中，Dice[20]通常被用來(lái)衡量目標(biāo)區(qū)域和待測(cè)區(qū)域的重合程度。Dice通過(guò)“∩”計(jì)算出真實(shí)輸出和預(yù)測(cè)輸出的相同部分后進(jìn)行歸一化并修改為負(fù)值。Dice值越小時(shí)兩者重合程度越高，分割效果越好，并且Dice計(jì)算效率高。因此，本文選用Dice衡量輸出掩模與真實(shí)掩模的差距，同時(shí)能夠加快網(wǎng)絡(luò)的收斂，提升分割精度，將其作為GF U-net的損失函數(shù)。其定義為

(1)

(1)式中：M為真實(shí)輸出；N為預(yù)測(cè)輸出。

1.4 實(shí)現(xiàn)細(xì)節(jié)

本文實(shí)驗(yàn)采用美國(guó)國(guó)立衛(wèi)生研究院(national institutes of health，NIH)公開胰腺數(shù)據(jù)集，其中包含了82個(gè)病人的腹部增強(qiáng)三維CT圖像(512×512×D,D∈[180，465])。切片用標(biāo)簽的包圍框裁剪，得到胰腺部分的原始圖像[12]?？紤]到胰腺的共同強(qiáng)度分布，本文將圖像縮放到[0,1]，使用標(biāo)簽對(duì)原始圖像進(jìn)行標(biāo)記，選出含有胰腺部分的切片，然后通過(guò)全零填充將圖像標(biāo)準(zhǔn)化為192×256×160。在進(jìn)行實(shí)驗(yàn)時(shí)，對(duì)學(xué)習(xí)率、批大小和訓(xùn)練迭代次數(shù)進(jìn)行調(diào)參，并嘗試了多種激活函數(shù)。最終，得出網(wǎng)絡(luò)的最優(yōu)參數(shù)構(gòu)成：學(xué)習(xí)率設(shè)置為0.000 01；訓(xùn)練迭代次數(shù)設(shè)置為10；批大小設(shè)置為1；激活函數(shù)使用Selu。為了提高實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，避免產(chǎn)生訓(xùn)練集依賴，本文采用了四折交叉驗(yàn)證。

2 實(shí)驗(yàn)結(jié)果及分析

本文采用與Dice相似的DSC作為評(píng)估標(biāo)準(zhǔn)，GF U-net方法與其他文獻(xiàn)分割方法的DSC對(duì)比如表1所示。

表1 DSC實(shí)驗(yàn)結(jié)果比較

在表1的分割結(jié)果中，GF U-net方法的DSC平均值最高，達(dá)到87.13%，標(biāo)準(zhǔn)差為3.76%，在最好的情況下DSC值為93.58%，最壞的情況為76.39%。與文獻(xiàn)[12]提出的基于FCN的定點(diǎn)模型相比，GF U-net方法的最低DSC值提高了11.29%；與文獻(xiàn)[13]胰腺分割方法相比，標(biāo)準(zhǔn)差減小了1.34%，因此，GF U-net方法更加穩(wěn)健。文獻(xiàn)[14]通過(guò)微調(diào)U-net并結(jié)合貝葉斯方法使DSC平均值達(dá)到了85.32%，但也未達(dá)到本文方法水平。因此，本文的GF U-net方法具有更好的魯棒性，能夠在極端情況下的測(cè)試樣例中獲得明顯優(yōu)于其他處理方法的結(jié)果，在計(jì)算機(jī)輔助疾病診斷領(lǐng)域具有實(shí)用價(jià)值。

在NIH數(shù)據(jù)集第29號(hào)病例中應(yīng)用U-net[9]、Residual U-net[17]和本文GF U-net方法，圖3為效果展示圖。圖3第1列為NIH數(shù)據(jù)集中的原圖切片，29#-72表示第29號(hào)病人的72號(hào)切片；第2列MASK為標(biāo)準(zhǔn)胰腺區(qū)域；第3—5列分別表示GF U-net (GN)、Residual U-net (RN)、U-net方法對(duì)第29號(hào)病人的胰腺圖像分割結(jié)果。

同年，黨中央部門機(jī)構(gòu)改革也開始推進(jìn)。這次改革重點(diǎn)抓定職能、定機(jī)構(gòu)、定編制的“三定”工作，實(shí)施黨政職能分開，理順黨的工作部門和行政部門、黨的工作機(jī)構(gòu)和政府機(jī)構(gòu)、黨的群團(tuán)組織和黨務(wù)工作部門之間的關(guān)系，精簡(jiǎn)機(jī)構(gòu)和人員編制。

圖3 第29號(hào)病例效果展示圖Fig.3 Illustration of case No.29

從圖3可以看出，在第29位病人CT的第79切片中，GF U-net的效果比Residual U-net與U-net都好，與真實(shí)情況基本吻合。Residual U-net和U-net的結(jié)果與真實(shí)偏差較大且出現(xiàn)了組織區(qū)域斷離的情況。整體來(lái)看GF U-net以及Residual U-net出現(xiàn)了不同程度的過(guò)分割現(xiàn)象，而傳統(tǒng)的U-net則同時(shí)出現(xiàn)了過(guò)分割和欠分割的現(xiàn)象，因?yàn)閁-net僅簡(jiǎn)單通過(guò)快捷連接在編碼器和解碼器之間傳遞上下文信息，無(wú)法準(zhǔn)確把握胰腺的形狀、紋理信息，導(dǎo)致分割效果較差。GF U-net通過(guò)全局特征模塊提取胰腺圖像中的全局特征，最終結(jié)果更加符合真實(shí)的胰腺區(qū)域。本文方法能夠較好地把握胰腺的全局特征，對(duì)于胰腺的整體形狀把握更加準(zhǔn)確，分割的效果平滑且更符合生物器官特征。對(duì)29號(hào)病例的分割準(zhǔn)確率GF U-net為76.31%，Residual U-net為76.24%，U-net最差，只有74.53%。在3種結(jié)構(gòu)中，GF U-net分割準(zhǔn)確率最高，更接近于實(shí)際的掩模。

用GF U-net, Residual U-net和U-net這3種方法再對(duì) NIH數(shù)據(jù)集第72號(hào)病例進(jìn)行處理，圖4 為第72號(hào)病例效果圖。GF U-net方法擁有最高的DSC，達(dá)到了93.58%，能夠更準(zhǔn)確地把握胰腺的細(xì)節(jié)特征。在72號(hào)病人的第80個(gè)CT圖像切片中，真實(shí)的胰腺區(qū)域中部有較小的突起，GF U-net能夠較明顯地分辨該區(qū)域，而U-net則完全不行。本文的方法能夠更好地分辨胰腺的局部特征。

結(jié)合圖3、圖4可知，對(duì)于具有最低DSC的29號(hào)病例和具有最高DSC的72號(hào)病例，GF U-net都能取得較好的效果。因此，針對(duì)具有不同形狀特征的胰腺，本文的GF U-net方法具有更強(qiáng)的魯棒性，能夠更準(zhǔn)確地提取局部特征并整合全局特征。

3 結(jié)束語(yǔ)

胰腺形狀難以描述且灰度信息難以與周圍的環(huán)境區(qū)分開，本文在加深網(wǎng)絡(luò)層數(shù)的基礎(chǔ)上引用全局特征，能夠更好地提取胰腺的抽象特征以便和背景區(qū)分，描述出胰腺的基本形狀、紋理特征。本文方法基于U-net結(jié)構(gòu)，通過(guò)進(jìn)一步收縮網(wǎng)絡(luò)，加深網(wǎng)絡(luò)深度，引用全局特征模塊來(lái)描述形狀，提升網(wǎng)絡(luò)對(duì)胰腺形狀的整體把握。在NIH數(shù)據(jù)集進(jìn)行試驗(yàn)得到的平均DSC為87.13%，優(yōu)于目前的方法，且具有更好的魯棒性。以后將進(jìn)一步探索胰腺圖像分割中的潛在特征鑒別，以提升胰腺圖像分割的精度。

圖4 第72號(hào)病例效果展示圖Fig.4 Illustration of case No.72