周濤

（廣州商學(xué)院，廣東 廣州 511363）

0 引 言

醫(yī)學(xué)圖像處理在臨床應(yīng)用方面有著不錯的效果，醫(yī)學(xué)圖像主要通過X-射線成像、核磁共振成像、核醫(yī)學(xué)成像和超聲波成像等醫(yī)學(xué)成像技術(shù)獲取。在醫(yī)學(xué)圖像處理方面，主要包括病變檢測、圖像分割、圖像配準及圖像融合等多個方面。

近年來，腺癌發(fā)病率和死亡率逐年上升，在沒有腺體細胞分割技術(shù)之前，評估腺體細胞樣本完全都是由醫(yī)學(xué)專家完成的，這樣就導(dǎo)致工作量大，耗費時間，易出錯等問題。為了精確分割腫瘤區(qū)域，掌握腺體細胞分割技術(shù)可以幫助形態(tài)學(xué)統(tǒng)計信息，分析腺癌信息情況。隨著計算機的高速發(fā)展，利用計算機進行圖像分割處理，分析病理學(xué)資料。這樣不但能提高效率，還能推動腺體細胞分割技術(shù)發(fā)展。結(jié)合圖像分割技術(shù)可以輔助醫(yī)生診斷和評估病人的病情結(jié)果并制定相應(yīng)的診療安排。在醫(yī)學(xué)圖像分割中，腺體細胞的圖像分割因為其流動性以及細胞中存在雜質(zhì)較多成為難點問題，而腺癌細胞的圖像分割問題則更為復(fù)雜。使用U-net 網(wǎng)絡(luò)的圖像分割算法去處理腺體細胞圖像會損失部分圖像信息，在復(fù)雜環(huán)境下的識別效果較差。為了解決這些問題，本文將重點研究改進U-net 網(wǎng)絡(luò)的腺體細胞圖像分割算法，結(jié)合深度學(xué)習(xí)技術(shù)分析組織病理學(xué)圖像中的腺體結(jié)構(gòu)。

1 基于改進U-net 網(wǎng)絡(luò)的腺體細胞圖像分割算法

1.1 改進U-net 模型

U-net 網(wǎng)絡(luò)對于醫(yī)學(xué)圖像預(yù)處理和腺體細胞分割已經(jīng)取得了很好的效果，不過在實際運用中依然存在不少問題。例如圖像模糊，存在噪點，信息殘缺，收斂速度緩慢，精確度低、過擬合、限制分類等問題。本文基于改進U-net 網(wǎng)絡(luò)解決對腺體細胞圖像分割問題，網(wǎng)絡(luò)框架如圖1所示。該結(jié)構(gòu)為端到端的深度學(xué)習(xí)網(wǎng)絡(luò)，輸入的圖像為電子顯微鏡下的切片腺體細胞圖像，輸出的圖像為分割后的圖像。在U-net 網(wǎng)絡(luò)中加入空洞殘差網(wǎng)絡(luò)模塊，通過調(diào)整通道數(shù)和空洞比率來進行優(yōu)化。經(jīng)過多次卷積和池化操作以及添加殘差模塊獲得多目標的腺體細胞特征圖。獲得特征圖之后進行上采樣操作，為了得到更多圖片信息，將腺體細胞的多個特征進行融合操作，再通過Soft-max 層將輸出的特征圖結(jié)果轉(zhuǎn)換成分類問題。

圖1 改進U-net 網(wǎng)絡(luò)框架

1.2 空洞殘差模塊

腺體細胞流動性強，分割難度大，需要經(jīng)過多層網(wǎng)絡(luò)進行多次卷積和采樣操作，才能獲取出圖像的特征信息，但是強行追求多層操作會讓圖像丟失一些特征信息，同時訓(xùn)練的時間也會成倍增加。所以在網(wǎng)絡(luò)模型中添加空洞殘差模塊，能夠很好地解決多層操作帶來訓(xùn)練困難問題。空洞殘差模塊如公式（1）所示：

其中[]表示空洞卷積輸出值，表示空洞卷積比率。為了將空洞殘差模塊應(yīng)用在二維圖像特征上，空洞卷積的輸出[]依然可以按照上述公式表示，只需要通過調(diào)整相對應(yīng)的空洞比率大小。

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)通過卷積和池化操作增加感受野，但是池化操作容易導(dǎo)致信息丟失，影響分割效果?？斩淳矸e操作在一定程度上領(lǐng)先于傳統(tǒng)卷積操作，空洞卷積能在不改變參數(shù)配置下增加感受野的大小，同時輸出相同大小特征圖像。使用空洞算法與U_Net 網(wǎng)絡(luò)模型相結(jié)合，將替換后的空洞卷積合并到殘差網(wǎng)絡(luò)中，最后組合成空洞殘差網(wǎng)絡(luò)模塊。

2 實驗結(jié)果與分析

2.1 實驗環(huán)境

本實驗所使用的操作系統(tǒng)Windows 10，運行環(huán)境為Python3.6，基于Tensorflow 和Keras 的深度學(xué)習(xí)框架，電腦顯卡為GeForce GTX1080 8 GB，內(nèi)存為16 GB。同時使用CUDA 和cuDNN 架構(gòu)，提高圖像處理速度。其次需要設(shè)置訓(xùn)練參數(shù)，定義訓(xùn)練集和驗證集的數(shù)量以及進行迭代的次數(shù)。

2.2 實驗數(shù)據(jù)準備

2.2.1 數(shù)據(jù)集

本次實驗的數(shù)據(jù)是從ISBI 數(shù)據(jù)集中獲取，只有30 張512×512 的Image 和Label，訓(xùn)練數(shù)據(jù)是來自果蠅第一齡幼蟲腹側(cè)腹側(cè)神經(jīng)索（VNC）的連續(xù)切片透射電子顯微鏡（ssTEM）數(shù)據(jù)集的30 個切片的集合。微立方體的尺寸約為2×2×1.5 微米，分辨率為4×4×50 納米/像素。對應(yīng)的二進制標簽以從內(nèi)到外的方式提供，即對于分割對象的像素為白色，對于其余像素（主要對應(yīng)于膜）為黑色。部分數(shù)據(jù)集如圖2所示。

圖2 ISBI 部分數(shù)據(jù)集

2.2.2 數(shù)據(jù)預(yù)處理

由于ISBI 數(shù)據(jù)集中的數(shù)據(jù)圖像數(shù)量較少，為了更好的分割實驗圖像樣本，在實驗之前需要進行預(yù)處理操作。預(yù)處理流程圖如圖3所示。首先將標簽圖像與原始圖像進行系統(tǒng)劃分并按照對應(yīng)的格式重命名，然后根據(jù)目標區(qū)域所在的位置對圖像與標簽進行統(tǒng)一裁剪，以提取目標區(qū)域，接著將裁剪后的圖像進行像素處理，統(tǒng)一設(shè)置為512×512 大小，最后需要對圖像進行二值化，用于進一步避免醫(yī)學(xué)標注干擾，另外由于圖像本身都帶有一定的噪聲，為此還需要對其圖像進行去噪處理。

圖3 預(yù)處理流程圖

2.2.3 數(shù)據(jù)增強

對于深度學(xué)習(xí)的研究，深度學(xué)習(xí)的結(jié)果與數(shù)據(jù)的質(zhì)量和數(shù)量有很大關(guān)系，但醫(yī)學(xué)樣本難采集，數(shù)據(jù)量較少。為了增加數(shù)據(jù)量，避免出現(xiàn)過擬合，提高分割精度，需要采用數(shù)據(jù)增強的方式，解決小樣本數(shù)據(jù)的缺陷。在醫(yī)學(xué)圖像分割領(lǐng)域，圖像增強屬于常見的處理圖像操作類型。圖像增強的目的是增加訓(xùn)練數(shù)據(jù)的數(shù)據(jù)量。主要采用旋轉(zhuǎn)變換與水平翻轉(zhuǎn)變換。數(shù)據(jù)增強主要是為了減少網(wǎng)絡(luò)在訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象，將訓(xùn)練出來的特征圖與實際應(yīng)用場景接軌。實現(xiàn)圖像增強有兩種方法：

一種是給原始圖像和標簽圖像同時設(shè)置一個生成器，并設(shè)置相同的種子點，圖像就會進行相同變化。另外一種是將標簽圖像作為原始圖像的第二通道，進行合并，然后對圖像進行數(shù)據(jù)增強后，再將原始圖像和標簽圖像分離。本文實驗使用的是第二種方法。

2.3 Dice 系數(shù)評估標準

在目標檢測評估標準中，選擇Dice 系數(shù)作為評估標準，Dice 系數(shù)是一種集合相似度度量函數(shù)，用于計算兩個樣本的相似度，取值范圍在[0，1]。設(shè)定M 是屬于真實目標的像素，設(shè)定N 是屬于分割結(jié)果的像素，則Dice 系數(shù)定義公式（2）為：

同理Dice Loss 系數(shù)則定義公式（3）為：

Dice 系數(shù)的取值范圍是0～1，Dice 系數(shù)越高，代表分割結(jié)果越相似，當為1 時，則與目標完全一致，但是基本上只能無限趨近于1。從公式我們可以得出結(jié)論，圖像處理的精確度與原目標圖像和分割結(jié)果圖像有關(guān)。

2.4 實驗結(jié)果

本次實驗的原始圖像和標簽圖像都是設(shè)置為512×512大小的圖片。首先將圖片轉(zhuǎn)換成Numpy 數(shù)組并將多張圖片合到一起，此時變成了三維的數(shù)組：×512×512。同時由于數(shù)據(jù)用于訓(xùn)練時還需要一維的通道，所以在原有基礎(chǔ)上再次增加一維。本次實驗選取5 張圖片用上述的方法形成5×512×512×1 的Numpy 數(shù)組測試樣本，進行預(yù)測。同時也對預(yù)測的圖片進行不同區(qū)域上色，其中OpenCV 的Draw Contours 函數(shù)可以實現(xiàn)區(qū)域上色功能，而且通過對區(qū)域中輪廓線進行分別處理，可以將預(yù)測圖片中的干擾信息去除。多個腺體細胞圖像分割結(jié)果對比圖像如圖4所示。同時隨著訓(xùn)練次數(shù)的增加，訓(xùn)練成功率能達到95%以上。預(yù)測結(jié)果曲線圖如圖5所示。

圖4 分割結(jié)果對比圖像

圖5 網(wǎng)絡(luò)訓(xùn)練過程中的acc 值和loss 值的變化情況

其次通過圖像分割中常用的分割性能評價指標 Dice 對本實驗所使用的模型進行評價分析，從表1中所給出的實驗結(jié)果可知U-net、U-net+cbam、Resnet102、Resnet152、U-net attention、U-net+non_local、Ours 等7 種模型進行對比。發(fā)現(xiàn)本文改進的網(wǎng)絡(luò)模型，能夠有效地提高網(wǎng)絡(luò)的訓(xùn)練效率，同時該模型在所有模型中的Dice 系數(shù)最高，其Dice 系數(shù)為0.925。

表1 模型對比數(shù)據(jù)

通過表2能夠?qū)Ρ炔煌Ｐ头指钚Ч?，改進過后的U-net算法能夠去除細胞核以及細胞中的其他雜質(zhì)，減少相應(yīng)的干擾信息，且分割后的圖像輪廓清晰，為醫(yī)學(xué)專家提供診斷依據(jù)。

表2 不同模型分割效果對比

3 結(jié) 論

本文提出一種基于改進U-net 網(wǎng)絡(luò)的腺體細胞圖像分割算法，采用基于Tensorflow 和Keras 的深度學(xué)習(xí)框架，對原始腺體細胞數(shù)據(jù)集進行預(yù)處理，將處理后的腺體細胞數(shù)據(jù)集輸入到改進的U-net 網(wǎng)絡(luò)中進行訓(xùn)練，實現(xiàn)腺體細胞的提取與分割。使用OpenCV 對腺體細胞圖像進行顏色處理，方便醫(yī)學(xué)專家進行診斷和評估。該算法與多種網(wǎng)絡(luò)模型進行對比，Dice 系數(shù)達0.925，同時采用ISBI 數(shù)據(jù)集進行驗證，證明本文提出的算法更具可靠性和實用性。