林志潔，鄭秋嵐，梁 涌，邢 衛(wèi)

（1.浙江科技學(xué)院 信息與電子工程學(xué)院，杭州 310018；2.杭州醫(yī)學(xué)院 食品科學(xué)與工程學(xué)院，杭州 310013；3.麗水市第二人民醫(yī)院 精神病科，浙江 麗水 323000；4.浙江大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，杭州 310027）

0 概述

圖像分割的目的是以有意義的方式劃分圖像，以便對(duì)對(duì)象進(jìn)行定位、區(qū)分和估量，其主要的應(yīng)用對(duì)象包括自然圖像和醫(yī)學(xué)圖像。在醫(yī)學(xué)領(lǐng)域，圖像語(yǔ)義分割對(duì)于進(jìn)一步的臨床分析、診斷、規(guī)劃治療和估量病情至關(guān)重要。相對(duì)于自然圖像而言，醫(yī)學(xué)圖像的語(yǔ)義分割通常需要較高的精度［1］。近年來(lái)，基于深度卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像語(yǔ)義分割技術(shù)［2］例如MRI、CT、X 射線(xiàn)等已被開(kāi)發(fā)用于各種形式的醫(yī)學(xué)圖像［3］，其克服了傳統(tǒng)分割模型的局限性，且顯示出較好的應(yīng)用效果［4］。在卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程中，該技術(shù)的參數(shù)通過(guò)基于損失函數(shù)計(jì)算梯度的方法來(lái)優(yōu)化，使用損失函數(shù)進(jìn)行預(yù)測(cè)圖像和真實(shí)圖像的對(duì)比［5］。盡管深度神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行醫(yī)學(xué)圖像語(yǔ)義分割方面取得了一定進(jìn)展［6］，但采用的卷積操作通常僅考慮位置的平移不變性［7］，局部感受野較小，導(dǎo)致沒(méi)有辦法表達(dá)長(zhǎng)范圍的依賴(lài)關(guān)系。

本文設(shè)計(jì)一種新的內(nèi)卷U-Net 醫(yī)學(xué)圖像分割模型，使用內(nèi)卷操作代替卷積操作，并將其作為基本的網(wǎng)絡(luò)結(jié)構(gòu)，從而有效提升醫(yī)學(xué)圖像語(yǔ)義分割的精度。通過(guò)采用注意力機(jī)制模塊有效學(xué)習(xí)醫(yī)學(xué)圖像中長(zhǎng)范圍的依賴(lài)關(guān)系，并在有監(jiān)督的生物醫(yī)學(xué)分割場(chǎng)景下評(píng)估本文模型，證明所提模型的有效性。

1 相關(guān)工作

1.1 傳統(tǒng)分割模型

近年來(lái)，研究人員提出不同的醫(yī)學(xué)圖像語(yǔ)義分割模型，例如閾值處理、邊緣檢測(cè)、聚類(lèi)、區(qū)域增長(zhǎng)、活動(dòng)輪廓模型（Active Contour Model，ACM）等。閾值、區(qū)域生長(zhǎng)等早期模型能夠?qū)崿F(xiàn)醫(yī)學(xué)圖像的語(yǔ)義分割，但由于這2 種模型僅使用圖像強(qiáng)度或紋理信息的性質(zhì)，語(yǔ)義分割的性能受到較大的限制［8］。ACM 模型在醫(yī)學(xué)語(yǔ)義分割方面表現(xiàn)出較好的性能，經(jīng)典模型有無(wú)邊緣活動(dòng)輪廓（Active Contour Without Edge，ACWE）模型［9］、Mumford Shah 模型［10］等。在Chan 和Vese 的語(yǔ)義分割模型中引入水平集函數(shù)來(lái)形成分割模型，將其視為通過(guò)求解偏微分方程（Partial Differential Equations，PDE）求解的能量最小化問(wèn)題。后來(lái)，分割模型被應(yīng)用于處理多相問(wèn)題和紋理問(wèn)題［11］。諸如雙投影和圖切割模型的高效求解器被用于提升計(jì)算效率［12］，這些經(jīng)典模型［13］的共同缺點(diǎn)是時(shí)間消耗過(guò)長(zhǎng)。此外，基于特征提取、神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)的有監(jiān)督分割模型也顯示出合理的結(jié)果。然而，這些模型基于分割的手工特征，其結(jié)果取決于研究人員的技能和經(jīng)驗(yàn)，適用性和結(jié)果質(zhì)量有待提高?；顒?dòng)輪廓模型由于具有良好的性能，被本文所采用。

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的分割模型

作為一類(lèi)深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)在分類(lèi)、分割、配準(zhǔn)等計(jì)算機(jī)視覺(jué)任務(wù)中表現(xiàn)出卓越的性能?；诰矸e神經(jīng)網(wǎng)絡(luò)的模型的一個(gè)特殊優(yōu)勢(shì)是它們能以端到端的方式工作，可以在學(xué)習(xí)過(guò)程中提取分層和多分辨率功能。Alex-Net［14］，VGG-Net［15］，GoogleNet［16］、Involution-Net［17］等卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)已被開(kāi)發(fā)并引入到各種圖像識(shí)別任務(wù)中。從廣義上講，基于卷積神經(jīng)網(wǎng)絡(luò)的分割模型可以分為基于像素或基于圖像的模型。在通常情況下，基于像素的模型把每個(gè)像素（或超像素）生成像素塊，將像素塊作為卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，并用于分類(lèi)，其中像素的標(biāo)簽被作為訓(xùn)練模型的目標(biāo)［18］。LI 等［19］提出一個(gè)新的有效框架，將邊界估計(jì)作為一個(gè)渲染任務(wù)，可以識(shí)別模糊點(diǎn)，通過(guò)豐富的特征表示學(xué)習(xí)來(lái)校準(zhǔn)邊界預(yù)測(cè)，引入逐點(diǎn)對(duì)比學(xué)習(xí)來(lái)提高同一類(lèi)點(diǎn)的相似度，并對(duì)比降低不同類(lèi)點(diǎn)的相似度，改善美國(guó)圖像的邊界估計(jì)。FERNANDO 等［20］開(kāi)發(fā)一種算法來(lái)模擬術(shù)前MR 圖像的切除，構(gòu)建了一個(gè)新的數(shù)據(jù)集EPISURG，在訓(xùn)練過(guò)程中對(duì)人工切除的圖像進(jìn)行三維卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練。EPISURG 數(shù)據(jù)集包含431 名接受切除手術(shù)的患者的431張術(shù)后和269張術(shù)前MR 圖像。DING 等［21］提出一種新的跨模態(tài)圖像分割框架，其中圖像配準(zhǔn)和標(biāo)簽融合均由深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，并針對(duì)圖像配準(zhǔn)提出一種一致性配準(zhǔn)網(wǎng)絡(luò)，能夠聯(lián)合估計(jì)前向和后向密集位移場(chǎng)。

研究證明，引入不同的損失函數(shù)能夠在訓(xùn)練過(guò)程中提高U-Net 的性能［22］。文獻(xiàn)［23］通過(guò)在分割損失函數(shù)中引入形狀感知項(xiàng)，提高頸部X 射線(xiàn)圖像的性能。在損失函數(shù)方面，本文采用目前最新的醫(yī)學(xué)語(yǔ)義分割的損失函數(shù)，該函數(shù)通過(guò)借鑒傳統(tǒng)模型，顯著提高了分割性能［24］。

1.3 活動(dòng)輪廓模型

ACM 模型將分割視為能量最小化問(wèn)題［25］，其中活動(dòng)樣條或輪廓的能量通過(guò)基于PDE 的模型最小化到對(duì)象的邊界。經(jīng)典的ACM 模型通過(guò)圖像漸變來(lái)檢測(cè)對(duì)象的邊界，然而，這一模型有一個(gè)主要限制，它將被卡在局部最小值，因此無(wú)法獲得令人滿(mǎn)意的分割結(jié)果。近年來(lái)，研究人員提出諸多ACM 模型，例如BRESSON等［26］提出的ACWE 模型和基于快速全局最小化的活動(dòng)輪廓模型（Fast Global Minimization Active Contour Model，F(xiàn)GM-ACM）。

ACWE 模型可以表述為如式（1）所示的能量最小化問(wèn)題［25］：

其中：s是長(zhǎng)度的歐幾里得元素，式（1）右邊的第1 項(xiàng)是曲線(xiàn)C的長(zhǎng)度；f是要分割的圖像；Ωc是圖像f域的閉合子集Ω；外部和內(nèi)部的f平均值分別表示為c1和c2；λ是一個(gè)任意固定參數(shù)（λ>0），用于控制正則化過(guò)程和c1、c2之間的平衡；能量為包括輪廓長(zhǎng)度DC 和CE 損失函數(shù)的能量，通過(guò)改進(jìn)損失函數(shù)，可以增加更多的約束。

為提高語(yǔ)義分割的效果，引入水平集和PDE 的Heaviside 函數(shù)來(lái)降低能量的表達(dá)式如式（2）所示：

其中：H?是Heaviside 函數(shù)的平滑近似值。最小化的梯度下降法定義［25］如式（3）所示：

然而，包括ACWE 在內(nèi)的基于PDE 的解決方案需要在每個(gè)單獨(dú)的圖像上計(jì)算，比較耗時(shí)，因此即使效果良好，但是ACWE 不太適合在需要快速得到結(jié)果的臨床環(huán)境下應(yīng)用。

為實(shí)現(xiàn)快速穩(wěn)定的全局最小化，提出基于總變化能量TV 的EACWE［26］，表達(dá)式如式（4）和式（5）所示：

其中：u是一個(gè)介于0～1 之間的特征函數(shù)為ACWE 模型提供了全局最小值。此外，由于受到基于Heaviside 功能和基于PDE 解決方案的ACWE 模型先前版本的限制，因此基于總變化能量TV 的EACWE提供了快速且非固定的解決方案，且u被限制為0 或1。ACME 模型執(zhí)行分割任務(wù)的這種最小化問(wèn)題能夠應(yīng)用于深度學(xué)習(xí)領(lǐng)域，且該模型的有些參數(shù)可以被固定學(xué)習(xí)所固定，有些參數(shù)可以被視為可訓(xùn)練參數(shù)，能夠以端到端的學(xué)習(xí)方式評(píng)估該最小化方程。

1.4 損失函數(shù)

在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型中，損失函數(shù)（或成本函數(shù)）起重要作用。損失函數(shù)是用于測(cè)量預(yù)測(cè)或分割誤差的函數(shù)，可以反向傳播到先前層以便更新或優(yōu)化權(quán)重。常用的損失函數(shù)及相關(guān)表征指標(biāo)如下：

1）Dice 系數(shù)（Dice Core，DC）：DC 通常被用作評(píng)估分割性能的度量，現(xiàn)在也可以作為損失函數(shù)性能的表征指標(biāo)［25］。DC 能夠測(cè)量參考和分割之間的重疊程度。該元素測(cè)量范圍為0～1，當(dāng)DC 為1 時(shí)，表示完美且完全重疊。DC 可以定義為：

其中：T為真實(shí)圖像（或?qū)＜易⑨專(zhuān)?；P為預(yù)測(cè)（或分割）圖像，T?[0,1]m×n、P?[0,1]m×n；n為索引圖像空間N中的每個(gè)像素值。

DC 系數(shù)主要用于提高醫(yī)學(xué)圖像的語(yǔ)義分割性能，表達(dá)式如式（7）所示：

雖然CE 和DC 損失函數(shù)在圖像分割中均取得了不錯(cuò)的效果，但主要被用于測(cè)量T和P之間相似性的像素?fù)p失函數(shù)，且不考慮幾何信息［25］。

2）交叉熵（Cross Entropy，CE）損失函數(shù)：CE 是一種被廣泛使用的逐像素測(cè)量模型［2］，用于評(píng)估分類(lèi)或分割模型的性能。CE 損失函數(shù)可以表示為二值交叉熵?fù)p失函數(shù)，如式（8）所示：

CE 損失函數(shù)將softmax 層的輸出視為像素分類(lèi)問(wèn)題以評(píng)估每個(gè)像素。文獻(xiàn)［2］指出，為提高生物醫(yī)學(xué)圖像細(xì)胞邊界分割的性能，采用加權(quán)方案的CE 損失函數(shù)可以作為U-Net 模型細(xì)胞邊界盡可能準(zhǔn)確的解決方案之一。此外，目前有諸多基于CE 的損失函數(shù)研究，但僅有少數(shù)函數(shù)考慮了對(duì)象的幾何細(xì)節(jié)［25］。

2 基于內(nèi)卷神經(jīng)網(wǎng)絡(luò)的分割模型

本文采用傳統(tǒng)U-Net 的網(wǎng)絡(luò)宏觀架構(gòu)，在網(wǎng)絡(luò)架構(gòu)的內(nèi)部引入密集的網(wǎng)絡(luò)塊，并在網(wǎng)絡(luò)塊的內(nèi)部采用內(nèi)卷操作。具體的網(wǎng)絡(luò)架構(gòu)如圖1 所示，其中下半部分的內(nèi)卷結(jié)構(gòu)來(lái)自文獻(xiàn)［24］，在2.2 節(jié)將介紹所采用的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。

圖1 本文網(wǎng)絡(luò)的架構(gòu)Fig.1 Rchitecture of network in this paper

2.1 AC 損失函數(shù)

采用活動(dòng)輪廓損耗的目的是在ACWE 模型的最小化問(wèn)題中找到活動(dòng)輪廓，從而使自動(dòng)圖像分割的活動(dòng)輪廓能量全局最小化［25］。本文采用文獻(xiàn)［25］的損失函數(shù)，該損失函數(shù)能夠提供較好的醫(yī)學(xué)圖像語(yǔ)義分割性能。損失函數(shù)的表達(dá)式如下［25］：

式（10）和式（11）的長(zhǎng)度和面積均可寫(xiě)成像素方式，如下：

在ACWE 模型中，c1和c2是可變的，定義如下：

其中：在監(jiān)督學(xué)習(xí)框架中，c1和c2分別表示為內(nèi)部（前景）和外部（背景）的能量，可以簡(jiǎn)單地預(yù)先定義為c1=1、c2=0；u和v分別表示為預(yù)測(cè)圖像和給定圖像。

2.2 基于內(nèi)卷的神經(jīng)網(wǎng)絡(luò)架構(gòu)

在本小節(jié)中，將使用U-Net和密集的U-Net架構(gòu)作為本文的基本分割框架，并評(píng)估所提損失函數(shù)的性能。

目前，U-Net 被廣泛使用，它是一種端到端的編碼器-解碼器神經(jīng)網(wǎng)絡(luò)，能夠用于語(yǔ)義分割，可以獲得高精度的結(jié)果。U-Net神經(jīng)網(wǎng)絡(luò)的跳躍連接，被應(yīng)用于將特征映射從下采樣路徑轉(zhuǎn)發(fā)到上采樣路徑，以定位高分辨率特征，從而生成分割輸出。對(duì)于U-Net 的主要架構(gòu)，在下采樣路徑中，每層由2 個(gè)3×3 的卷積層、1 個(gè)ReLU 單元和1 個(gè)最大池化層組成。在上采樣路徑中，每個(gè)步驟包括1個(gè)2×2上卷積層和1個(gè)串聯(lián)操作。U-Net網(wǎng)絡(luò)模型容易出現(xiàn)梯度消失問(wèn)題。為解決該問(wèn)題，本文提出基于內(nèi)卷［24］密集塊的U-Net，即Involution-Net，其中密集塊允許每層直接連接其他層以保持前饋性質(zhì)，來(lái)自網(wǎng)絡(luò)的參數(shù)和提取的特征更有效，且能得到重用。在本文網(wǎng)絡(luò)框架中引入密集的塊層，該塊層類(lèi)似于文獻(xiàn)［25］提出的額密集，區(qū)別在于密集塊內(nèi)部采用了內(nèi)卷、向下轉(zhuǎn)換和向上轉(zhuǎn)換操作，密集塊層由批量歸一化（Batch Normalization，BN）、ReLU 單元和卷積組成，并密集連接在一起。密集塊的輸出是上述3 個(gè)模塊層輸出的串聯(lián)。在下采樣路徑中，密集塊共38 層。瓶頸和上采樣路徑分別為16 層和40 層，密集網(wǎng)絡(luò)共120 層。本文網(wǎng)絡(luò)的結(jié)構(gòu)和文獻(xiàn)［25］的網(wǎng)絡(luò)結(jié)構(gòu)類(lèi)似，不同的是本文網(wǎng)絡(luò)采用了內(nèi)卷操作代替卷積操作。

如文獻(xiàn)［24］所述，卷積神經(jīng)網(wǎng)絡(luò)的空間不可知性和空間緊湊性在提高效率、解釋翻譯等價(jià)性方面有意義，但它剝奪了卷積核適應(yīng)不同空間位置、不同視覺(jué)模式的能力。此外，卷積神經(jīng)網(wǎng)絡(luò)的局部性限制了卷積的感受野，給單次捕獲遠(yuǎn)距離空間交互帶來(lái)了挑戰(zhàn)。在許多成功的深層神經(jīng)網(wǎng)絡(luò)中，卷積濾波器內(nèi)部的通道間存在較嚴(yán)重的冗余情況，降低了不同通道的靈活性。為此，文獻(xiàn)［24］提出內(nèi)卷操作，它與卷積具有對(duì)稱(chēng)相反的固有特性，即空間特異性和通道不可知性，是網(wǎng)絡(luò)結(jié)構(gòu)的重要組成部分。具體地說(shuō)，對(duì)合核在空間范圍上不同，但在通道之間共享。由于對(duì)合核的空間特性，如果將對(duì)合核參數(shù)轉(zhuǎn)化為卷積核等固定大小的矩陣，并使用反向傳播算法進(jìn)行更新，則學(xué)習(xí)到的對(duì)合核將無(wú)法在不同分辨率的輸入圖像之間傳輸。在處理可變特征分辨率時(shí)，可以?xún)H根據(jù)相應(yīng)位置本身的傳入特征向量生成屬于特定空間位置的對(duì)合核，這是一種直觀而有效的實(shí)例化。此外，通過(guò)在通道維度上共享對(duì)合核可以減少核的冗余。綜合上述2 個(gè)因素，對(duì)內(nèi)卷運(yùn)算的計(jì)算復(fù)雜度與特征通道的數(shù)量成線(xiàn)性關(guān)系，在此基礎(chǔ)上，允許動(dòng)態(tài)參數(shù)化對(duì)內(nèi)卷核在空間維度上進(jìn)行廣泛覆蓋。

由于卷積神經(jīng)網(wǎng)絡(luò)通常僅考慮位置的平移不變性，局部感受野較小，導(dǎo)致沒(méi)有辦法表達(dá)長(zhǎng)范圍的依賴(lài)關(guān)系。本文設(shè)計(jì)的U-Net 網(wǎng)絡(luò)相對(duì)于傳統(tǒng)的網(wǎng)絡(luò)而言沒(méi)有采用3×3 的卷積核，而采用內(nèi)卷的網(wǎng)絡(luò)結(jié)構(gòu)。對(duì) 內(nèi)卷核Hi，j∈Rk×k×1（為便于演示，本 例中G=1）是由（i，j）處單個(gè)像素條件下的函數(shù)φ產(chǎn)生。對(duì)內(nèi)卷的乘加運(yùn)算分為2 步，N表示乘法，L表示在k×k空間鄰域內(nèi)聚集的總和。

在U-Net 的瓶頸層加入來(lái)自文獻(xiàn)［27］的注意力機(jī)制模塊。圖2 所示為引入注意力機(jī)制模塊的架構(gòu)，注意力機(jī)制模塊的引入能夠在降低計(jì)算復(fù)雜性的同時(shí)提取積極的上下文信息。

描述注意力機(jī)制模塊引入流程的表達(dá)式如下所示：

其中：Q?RN×C；K?RK×C；A?Rc×C；X?RN×C；Y?RN×C。

特征圖首先經(jīng)過(guò)2 個(gè)二維卷積層形成查詢(xún)矩陣Q和值V矩陣，然后矩陣Q被傳遞給顯著位置并選擇模塊，該模塊的輸出將是查詢(xún)矩陣中前k個(gè)顯著位置。注意力機(jī)制模塊使用從前k個(gè)位置選擇的數(shù)據(jù)來(lái)計(jì)算親和矩陣A。在聚合過(guò)程中，將通過(guò)使矩陣V與矩陣A相乘，得到輸出矩陣Y，并將該輸出矩陣重構(gòu)為C×H×W。矩陣Y經(jīng)過(guò)1×1 卷積變換后，將最終被添加到輸入X中。圖2 中的SPS 模塊主要用以選擇顯著的位置選擇，具體算法可以參考文獻(xiàn)［27］。

3 實(shí)驗(yàn)結(jié)果與分析

使 用U-Net 和內(nèi)卷U-Net（Involution-Net）作 為兩級(jí)分割網(wǎng)絡(luò)架構(gòu)，并分別在使用不同損失函數(shù)時(shí)對(duì)比模型的分割性能。

3.1 數(shù)據(jù)集

在肺部CT 數(shù)據(jù)集中測(cè)試了本文模型，該數(shù)據(jù)集由各種人群的3 000 張肺部CT 數(shù)據(jù)構(gòu)成。在實(shí)驗(yàn)中，數(shù)據(jù)集被劃分為3 個(gè)子集，包括2 200 張訓(xùn)練集，300 張驗(yàn)證集和500 張測(cè)試集。

3.2 性能指標(biāo)

選擇Hausdorff 距離（Hausdorff Distance，HD）指標(biāo)評(píng)估分割準(zhǔn)確度，HD 是2 個(gè)輪廓間距離的對(duì)稱(chēng)度量，HD 的值越小，說(shuō)明準(zhǔn)確度越高，HD 的表達(dá)式［28］如式（18）所示：

其中：t和p代 表T和P的像素；DH是t和p之間的 歐幾里德距離。

4 實(shí)驗(yàn)結(jié)果

本文使用Tensorflow_gpu 1.40 來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)模型，利用ADAM 優(yōu)化器訓(xùn)練模型直到收斂，圖3 所示為本文模型分割肺部CT 的分割結(jié)果示例。由圖3可知，本文模型能夠?qū)⒎尾砍霈F(xiàn)的異常區(qū)域較精準(zhǔn)地分割出來(lái)。

圖3 本文模型的分割結(jié)果示例Fig.3 Segmentation result example of model in this paper

4.1 不同損失函數(shù)對(duì)模型性能的影響

表1 所示為當(dāng)使用CE 或AC 損失函數(shù)時(shí)，U-Net和Involution-Net 分割肺部CT 的結(jié)果對(duì)比。由表1 可知，與U-Net-CE 模型相 比，U-Net-AC 模型的HD 降 低了0.80；與Involution-Net-AC 模型相比，Involution-Net-AC模型的HD 值降低了0.56。因此，使用AC 損失函數(shù)時(shí)，模型具有更高的分割準(zhǔn)確度。

表1 不同模型的對(duì)比結(jié)果Table 1 Results comparison with different models

圖4 所示為AC 和CE 損失函數(shù)在每個(gè)階段的運(yùn)行時(shí)間。由圖4 可知，Involution-Net-AC 的總運(yùn)行時(shí)間是30 s，比Involution-Net-CE 的總運(yùn)行時(shí)間101 s更短。U-Net-AC 的總運(yùn)行時(shí)間是18 s，而U-Net-CE需要19 s。對(duì)比可知，使用AC 損失函數(shù)能夠縮短模型的總運(yùn)行時(shí)間。

圖4 AC 和CE 損失函數(shù)在每個(gè)階段的運(yùn)行時(shí)間Fig.4 Running time of AC and CE loss functions at each stage

綜合表1和圖4的分析結(jié)果，本文選用AC損失函數(shù)。

4.2 穩(wěn)健性分析

通過(guò)改變正交化權(quán)重λ 值可以提升模型的性能和穩(wěn)健性。使用DC指標(biāo)評(píng)估λ值對(duì)AC損失函數(shù)的影響，已知λ 值對(duì)基于Involution-Net的模型影響較小，當(dāng)λ 接近0 時(shí)，模型的分割性能較差，因?yàn)橹皇Ｏ逻吔珥?xiàng)來(lái)控制損失函數(shù)［29］。除了采用DC 指標(biāo)來(lái)衡量模型的穩(wěn)健性以外，還可以采用HD 指標(biāo)來(lái)衡量模型的穩(wěn)健性。如表1 所示，使用HD 指標(biāo)評(píng)估模型的性能，并將本文模型U-Net-AC 和Involution-Net-AC 與具有CE 損失功能的先進(jìn)分割模型U-Net 和Involution-Net 進(jìn)行對(duì)比。從表1 可以看出，與其他模型相比，本文模型的Hausdorff距離值大幅下降。由于Hausdorff 距離越小，表示模型的性能越穩(wěn)健，因此可得本文模型具有良好的穩(wěn)健性。

表2 所示為不同肺部分割模型的對(duì)比，評(píng)價(jià)指標(biāo)為Dice 系數(shù)和偏差指標(biāo)，Dice 系數(shù)也能代表模型的分割準(zhǔn)確度。在表2 中：偏差列括號(hào)中的數(shù)值表示模型分割的區(qū)域和真實(shí)區(qū)域之間的差異；N/A 表示對(duì)應(yīng)的模型性能不適應(yīng)采用偏差指標(biāo)來(lái)衡量。從表2 可以看出，本文模型（Involution-Net-AC）具有較高的Dice 系數(shù)和較低的偏差值，表明本文模型具有較好的分割準(zhǔn)確度和穩(wěn)健性。

表2 不同肺部分割模型的對(duì)比Table 2 Comparison of different lung segmentation modles

5 結(jié)束語(yǔ)

平移不變性和感受野太小是干擾醫(yī)學(xué)圖像語(yǔ)義分割的關(guān)鍵因素，本文針對(duì)卷積神經(jīng)網(wǎng)絡(luò)的固有缺陷，提出使用內(nèi)卷結(jié)構(gòu)為神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)，并在U-Net 的瓶頸層引入注意力模塊，從而學(xué)習(xí)圖像內(nèi)容之間長(zhǎng)范圍的依賴(lài)關(guān)系。實(shí)驗(yàn)結(jié)果表明，與其他經(jīng)典模型相比，本文模型大幅縮短Hausdorff 距離，具有較高的分割準(zhǔn)確度以及較好的穩(wěn)健性。下一步將針對(duì)醫(yī)學(xué)圖像的特點(diǎn)（如塊狀結(jié)構(gòu)）設(shè)計(jì)特殊的注意力機(jī)制，以有效學(xué)習(xí)和理解醫(yī)學(xué)圖像，從而提高醫(yī)學(xué)圖像的分割質(zhì)量。