呂玉超，姜 茜，徐英豪，朱習(xí)軍

（青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東 青島 266061）

0 引言

在術(shù)前麻醉環(huán)節(jié)，臂叢神經(jīng)是首選的麻醉位置，能否得到更為完整具體的臂叢神經(jīng)分割是提高局部麻醉性能的關(guān)鍵。超聲影像憑借其良好的穿透性，能夠直觀地確定測(cè)試對(duì)象的病變形態(tài)及特征；再加之成熟的技術(shù)以及較低的試驗(yàn)成本，已經(jīng)成為臂叢神經(jīng)區(qū)域的主要成像手段。有研究表明，與盲探臂叢神經(jīng)阻滯相比，超聲定位引導(dǎo)下的臂叢神經(jīng)阻滯的不良反應(yīng)發(fā)生率降低了85.73%［1］，神經(jīng)阻滯的總有效率提升了13.10%［2］。因此，在臨床術(shù)前檢查時(shí)，國(guó)內(nèi)外醫(yī)院大多利用超聲技術(shù)對(duì)臂叢神經(jīng)進(jìn)行檢查，并在此基礎(chǔ)上進(jìn)行麻醉引導(dǎo)［3］。

然而，超聲影像廣泛存在對(duì)比度低、斑點(diǎn)噪聲多的特點(diǎn)；而臂叢神經(jīng)的結(jié)構(gòu)較小，更容易受到噪聲影響，細(xì)節(jié)特征信息更容易被掩蓋，受此影響，傳統(tǒng)分割方法的分割效果并不理想。目前的分割任務(wù)還主要由醫(yī)師人工完成，但人工分割工作較為困難，判斷結(jié)果的優(yōu)劣程度受醫(yī)師水平及經(jīng)驗(yàn)的影響較大。因此，如何進(jìn)行高效、準(zhǔn)確的臂叢神經(jīng)分割成為相關(guān)工作的重點(diǎn)。

針對(duì)臂叢神經(jīng)超聲影像分割任務(wù)中圖像信噪比（Signalto-Noise Ratio，SNR）低、邊緣模糊、目標(biāo)區(qū)域小、形狀不規(guī)則的問(wèn)題，本文設(shè)計(jì)了一種針對(duì)神經(jīng)部位分割的特征金字塔網(wǎng)絡(luò)（Nerve-segmentation Feature Pyramid Network，Ner-FPN）。在特征提取階段設(shè)計(jì)一種仿Xception［4］結(jié)構(gòu)，通過(guò)使用不同尺度感受野進(jìn)行特征提取，堆疊形成5 維特征金字塔；同時(shí)，為充分利用已獲得的多維特征，更好地融合特征表現(xiàn)，在分割預(yù)測(cè)階段設(shè)計(jì)一種基于雙向FPN［5］的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)所得特征金字塔進(jìn)行雙向多尺度融合預(yù)測(cè)；此外，為防止訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合現(xiàn)象，減少模型的參數(shù)量，還使用了殘差結(jié)構(gòu)［6］以及深度可分離卷積［7］，以達(dá)到更好的訓(xùn)練效果。實(shí)驗(yàn)結(jié)果表明，Ner-FPN 的準(zhǔn)確率能夠穩(wěn)定保持在70%以上，具有較好的魯棒性。

1 相關(guān)工作

醫(yī)學(xué)圖像的分割處理方法主要有兩大類(lèi)：一是基于傳統(tǒng)思想的分割方法，包括基于圖像色彩等特征的區(qū)域分割方法［8］、基于區(qū)域邊界的閾值分割方法［9］、基于邊緣像素的邊緣分割方法［10］等。這類(lèi)方法會(huì)按照不同特征維度所具有的相似特征，將圖像劃分為內(nèi)部特征更為相似的區(qū)域，也因此不適于處理對(duì)比度小、信噪比低的超聲影像。二是基于深度學(xué)習(xí)的分割方法，其中主流是基于編解碼設(shè)計(jì)的SegNet（Segmentation Network）［11］以及U-Net［12］。前者具有更深的網(wǎng)絡(luò)層數(shù)，通常具有較好的分割效果；但對(duì)圖像細(xì)節(jié)信息分割不明顯，難以提取到像素的位置信息及相關(guān)特征。后者利用跳躍連接對(duì)圖像細(xì)節(jié)信息進(jìn)行了補(bǔ)充，但對(duì)不同層次特征利用不充分，在小目標(biāo)的分割任務(wù)中表現(xiàn)不盡人意。

另一方面，多尺度特征由于其在小目標(biāo)檢測(cè)任務(wù)中表現(xiàn)優(yōu)秀，成為相關(guān)研究中的重點(diǎn)。以SSD（Single Shot multibox Detector）網(wǎng) 絡(luò)［13］、TDM（Top-Down Modulation）網(wǎng)絡(luò)［14］以及FPN［5］為主的三種不同模型方法各有千秋，尤以FPN 類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)小目標(biāo)區(qū)域的處理效果最好。近年來(lái)，在圖像分割任務(wù)中，多尺度特征的應(yīng)用逐漸受到青睞。趙小虎等［15］對(duì)SSD 網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，在Microsoft COCO Caption 等公開(kāi)數(shù)據(jù)集上的一致性可達(dá)99.70%；但其網(wǎng)絡(luò)結(jié)構(gòu)過(guò)深，不適用于處理臂叢神經(jīng)這一類(lèi)語(yǔ)義單一的二維超聲影像。高世偉等［16］提出了一種基于FPN 的實(shí)時(shí)語(yǔ)義分割算法，以每秒91 幀的速度取得了71.86%的準(zhǔn)確率；但其模型沒(méi)有針對(duì)各類(lèi)分割目標(biāo)的特點(diǎn)進(jìn)行分類(lèi)處理，沒(méi)有從特征提取的角度進(jìn)行改良。

臂叢神經(jīng)分割的相關(guān)研究中，多尺度特征融合應(yīng)用的研究相對(duì)匱乏，大多研究的重點(diǎn)仍然是對(duì)基本分割網(wǎng)絡(luò)進(jìn)行改進(jìn)。龍法寧等［17］為防止過(guò)擬合，對(duì)U-Net 添加了Dropout 層，并結(jié)合臂叢神經(jīng)裁剪區(qū)域單一且連續(xù)的數(shù)據(jù)特點(diǎn)，引入自定義損失函數(shù)，取締了原像素級(jí)分割的策略，最終在BP（Brachial Plexus）數(shù)據(jù)集上的Dice 相似系數(shù)（Dice Similar Coefficient，DSC）可達(dá)65%。孔令軍等［18］使用EfficientNetB3取代U-Net 模型中的編碼層，通過(guò)在跳躍連接上使用空洞卷積達(dá)到去噪并提取位置信息的目的；實(shí)驗(yàn)結(jié)果表明，它在BP數(shù)據(jù)集上的DSC 為68.14%。但上述工作都沒(méi)有解決U-Net本身對(duì)多維特征欠缺應(yīng)用的根本問(wèn)題。

此外，也有利用SegNet 進(jìn)行臂叢神經(jīng)超聲影像的多實(shí)例分割任務(wù)的研究。Ding 等［19］應(yīng)用跳躍連接和自注意力機(jī)制，提 出 BPMSegNet（Brachial Plexus Multi-instance Segmentation Network）進(jìn)行臂叢神經(jīng)的多實(shí)例分割，通過(guò)改變不同維度特征在分割過(guò)程中的權(quán)重，在私有數(shù)據(jù)集UBPD（Ultrasound Brachial Plexus Dataset）上準(zhǔn)確率可達(dá)62.97%。針對(duì)超聲影像斑點(diǎn)噪聲多、邊緣影響大的問(wèn)題，楊桐等［20］結(jié)合ACE（Adaptive Contrast Enhancement）算法，對(duì)原始圖像進(jìn)行增強(qiáng)處理，并使用改進(jìn)SegNet 進(jìn)行分割，在采自北京積水潭醫(yī)院超聲影像以及對(duì)應(yīng)的良性惡性腫瘤圖片的數(shù)據(jù)集上能夠以超過(guò)99%的準(zhǔn)確率識(shí)別出圖像中的四種不同組織。但上述多實(shí)例分割模型往往需要考慮實(shí)例之間的區(qū)分問(wèn)題，對(duì)于高維和低維的特征應(yīng)用相對(duì)固定，因此在單實(shí)例分割任務(wù)中的表現(xiàn)仍然不盡如人意。

綜上所述，現(xiàn)有方法對(duì)臂叢神經(jīng)分割的研究大多停留在解決臂叢神經(jīng)超聲圖像中目標(biāo)區(qū)域小、形狀不規(guī)則的問(wèn)題；同時(shí)，多尺度特征在目標(biāo)檢測(cè)任務(wù)中的廣泛應(yīng)用，也為利用多尺度特征進(jìn)行臂叢神經(jīng)分割提供了依據(jù)。

2 Ner-FPN

2.1 Ner-FPN模型設(shè)計(jì)

本文以仿Xception 結(jié)構(gòu)為骨架，從FPN 模型的結(jié)構(gòu)特點(diǎn)出發(fā)，設(shè)計(jì)了一種基于多尺度特征融合的臂叢神經(jīng)分割模型，結(jié)構(gòu)如圖1 所示。

圖1 Ner-FPN的模型結(jié)構(gòu)Fig.1 Model structure of Ner-FPN

在圖1 中，臂叢神經(jīng)超聲影像需要先通過(guò)特征提?。‵eature Extraction）部分進(jìn)行特征提取。在特征提取階段添加殘差模塊以防止梯度消失，保留每一步所含有的全局信息。每一個(gè)深度可分離（Depthwise Pointwise）塊為不同感受野大小的深度可分離卷積結(jié)構(gòu)，每個(gè)模塊需循環(huán)執(zhí)行不同次數(shù)以獲得該尺度下更深層次的特征，采用深度可分離卷積結(jié)構(gòu)旨在增加網(wǎng)絡(luò)深度的同時(shí)有效降低參數(shù)量，提高計(jì)算效率。在特征提取階段通過(guò)每一步的殘差結(jié)合，可以得到獲取特征圖（Get Feature Map）部分的5 張?zhí)卣鲌D（Feature Map）。將特征圖堆疊為FPN 部分所示的特征金字塔，并采用雙向的預(yù)測(cè)結(jié)構(gòu)，先自頂向下進(jìn)行融合，再自底向上傳遞預(yù)測(cè)結(jié)果，以此來(lái)獲得最終的目標(biāo)分割影像。

2.2 深度可分離卷積

為了解決大尺寸卷積所帶來(lái)的計(jì)算量過(guò)大的問(wèn)題，本文采用深度可分離卷積結(jié)構(gòu)代替大尺寸卷積以達(dá)到同樣的效果。該結(jié)構(gòu)整合Depthwise 層和Pointwise 層，先對(duì)每個(gè)通道進(jìn)行獨(dú)立卷積，獲取同一通道中的全局信息；再對(duì)每個(gè)像素點(diǎn)進(jìn)行卷積，得到同一空間位置上的通道特征。這樣的結(jié)構(gòu)能夠大幅降低參數(shù)量，提升運(yùn)算速度。

由于本文模型在特征提取階段需要用到不同尺寸的感受野，且對(duì)于不同特征層需要用到的卷積層數(shù)也不同。為了滿足網(wǎng)絡(luò)需求，縮短訓(xùn)練時(shí)間，本文采取了深度可分離卷積的結(jié)構(gòu)來(lái)替代普通卷積。以獲取128 通道數(shù)的兩次卷積過(guò)程為例，如圖2 所示。其中：W，B 分別表示網(wǎng)絡(luò)層中的權(quán)重結(jié)構(gòu)以及偏置量結(jié)構(gòu)。

圖2 深度可分離卷積處理過(guò)程Fig.2 Processing of depth separable convolution

在卷積過(guò)程中，先對(duì)每個(gè)通道進(jìn)行獨(dú)立的3×3 卷積，得到通道數(shù)為64 的卷積結(jié)果；再對(duì)上一步卷積結(jié)果中的每個(gè)像素點(diǎn)進(jìn)行1×1 卷積，得到最終通道數(shù)為128 的卷積層。經(jīng)過(guò)上述兩步，則能夠以較少的參數(shù)量完成一次常規(guī)的3×3 卷積。若所得結(jié)果為特征提取的中間結(jié)果則傳入線性整流函數(shù)單元（Rectified Linear Unit，ReLU），如圖2（a）所示；若所得結(jié)果為特征層的最終結(jié)果，則傳入MaxPool 進(jìn)行最大池化操作并等待進(jìn)行殘差連接，如圖2（b）所示。按照上述計(jì)算方式，5×5、7×7 的卷積效果可以分別通過(guò)2 次、3 次的3×3 卷積實(shí)現(xiàn)。

2.3 多尺度特征提取模塊

一方面，由于臂叢神經(jīng)的目標(biāo)區(qū)域小、受噪聲影響大、信息隱藏深，導(dǎo)致相似圖片內(nèi)臂叢神經(jīng)的位置、形狀大相徑庭，正負(fù)樣本不平衡（如圖2），因此適合采用多尺度特征提取的策略。高智勇等［21］在對(duì)肺結(jié)節(jié)的電子計(jì)算機(jī)斷層掃描（Computed Tomography，CT）圖像檢測(cè)任務(wù)中也基于該思想設(shè)計(jì)了一種新的檢測(cè)模型，并通過(guò)實(shí)驗(yàn)驗(yàn)證了其可行性。另一方面，受FPN 結(jié)構(gòu)殘差連接及多尺度融合特點(diǎn)的影響，在提取特征的過(guò)程中需要面對(duì)特征層次區(qū)分度過(guò)低、每層特征包含像素信息的重復(fù)度過(guò)大等問(wèn)題。為避免上述問(wèn)題，本文在特征提取階段每一層特征圖的提取過(guò)程中加入了不同深度的卷積，使最終得到的特征圖之間有較好的區(qū)分度。

具體地，采用3×3、5×5、7×7 三種不同的感受野，對(duì)每個(gè)感受野設(shè)置不同的卷積次數(shù)，實(shí)現(xiàn)了一種對(duì)稱(chēng)式的特征提取結(jié)構(gòu)，并以此獲得了通道數(shù)為128、256、512、1 024 及2 048 的5 張不同層次的特征圖，借此來(lái)盡可能豐富每張?zhí)卣鲌D所蘊(yùn)含的本層的圖像信息。在特征提取階段，本文所采用網(wǎng)絡(luò)結(jié)構(gòu)的具體參數(shù)如表1 所示。

表1 多尺度特征提取模塊參數(shù)Tab.1 Parameters of multi-scale feature extraction module

此外，由于在多次特征提取階段容易出現(xiàn)梯度消失現(xiàn)象，本文在每層特征提取結(jié)束以后添加了殘差模塊。以通道數(shù)為128 的特征提取階段為例，在進(jìn)行特征提取的同時(shí)需要將輸入特征圖進(jìn)行1×1 卷積，改變其圖像大小，增加通道數(shù)，再利用殘差結(jié)構(gòu)連接。具體的殘差連接結(jié)構(gòu)如圖3 所示。

圖3 128維特征提取的殘差連接結(jié)構(gòu)Fig.3 Residual connection structure of 128-dimensional feature extraction

在上述多特征特征提取模塊中，每一層的處理都在上一層的結(jié)果上進(jìn)行，以此來(lái)獲得較低層特征更高級(jí)的圖像信息；每個(gè)層次的最終輸出都將作為特征金字塔的一層參與分割預(yù)測(cè)。通過(guò)這樣的方式，最大化利用每一層的特征信息，進(jìn)一步實(shí)現(xiàn)分割時(shí)對(duì)隱藏信息的提取。

2.4 雙向FPN預(yù)測(cè)結(jié)構(gòu)

在近年的研究中，F(xiàn)PN 在圖像分割領(lǐng)域已取得非常優(yōu)異的表現(xiàn)［22-24］。FPN 通過(guò)將獲得的不同尺度的特征進(jìn)行自頂向下的預(yù)測(cè)與融合，能夠較好地照顧到不同層次的特征信息，契合以小目標(biāo)區(qū)域分割為核心的臂叢神經(jīng)分割任務(wù)。因此，本文采用FPN 結(jié)構(gòu)進(jìn)行分割。一方面，由于在多尺度特征提取模塊已經(jīng)獲得了層次較高的圖像信息，為了照顧到模型的整體參數(shù)量，本文不考慮采取循環(huán)特征金字塔結(jié)構(gòu)；另一方面，臂叢神經(jīng)的邊緣信息隱藏較深，受低層或高層特征影響不均衡，訓(xùn)練用正負(fù)樣本極不平衡，因此，本文不考慮應(yīng)用注意力機(jī)制。

基于上述分析，本文采取一種雙向FPN 結(jié)構(gòu)［25］來(lái)進(jìn)行分割工作。對(duì)于在特征提取階段中得到的5 層特征金字塔，首先對(duì)每層特征進(jìn)行卷積，使之轉(zhuǎn)為256 通道數(shù)的特征層；其次，自頂向下地對(duì)相鄰兩層進(jìn)行殘差連接；再對(duì)結(jié)果分別進(jìn)行5、4、3、2 和1 次的反卷積，轉(zhuǎn)換為5 個(gè)128 通道數(shù)的特征層，并在其中進(jìn)行圖像大小變換（Reshape）、實(shí)例歸一化（Instance Normalization，IN）等操作，使之變?yōu)?28×256×256的特征圖，每步的具體處理方式如圖4 所示。

圖4 特征金字塔中單層特征的處理過(guò)程Fig.4 Processing of single-level features in feature pyramid

經(jīng)過(guò)如圖4 的處理階段之后，此時(shí)的5 層特征已具備相鄰高層特征的空間信息，并通過(guò)降維操作減少了參數(shù)量，這樣的5 張?zhí)卣鲌D即是每一層的預(yù)測(cè)結(jié)果。最后，將5 層特征圖自底向上融合，通過(guò)Sigmoid 函數(shù)得到分割結(jié)果。

3 實(shí)驗(yàn)與結(jié)果分析

本文配置的實(shí)驗(yàn)環(huán)境如下：CPU 為Intel Xeon Gold 6142 CPU@2.60 GHz，8 核，GPU 為NVIDIA GeForce RTX 3080，顯存10 GB，磁盤(pán)435 GB，內(nèi)存29 GB，Linux 操作系統(tǒng)，PyTorch 1.10 深度學(xué)習(xí)框架。

3.1 數(shù)據(jù)來(lái)源及處理

數(shù)據(jù)來(lái)自于Kaggle 平臺(tái)上2016 年的Nerve Segmentation Competition 用公開(kāi)數(shù)據(jù)集，即BP 數(shù)據(jù)集（https：//www.kaggle.com/competitions/ultrasound-nerve-segmentation/overview/description）。該數(shù)據(jù)集圖像大小為580 像素×420 像素，均為tif 格式文件。數(shù)據(jù)集包含兩個(gè)數(shù)據(jù)子集，分別為包含了5 635 張圖像樣本的訓(xùn)練子集和包含5 509 張圖像樣本的測(cè)試子集，所有數(shù)據(jù)均由真實(shí)臂叢神經(jīng)超聲影響獲得。另外對(duì)訓(xùn)練子集進(jìn)行了人工標(biāo)注，生成了5 509 張圖像掩膜。部分圖像樣本及其掩膜如圖5 所示。由圖5 能夠看出，在超聲影像中臂叢神經(jīng)的形狀并不規(guī)則；此外，當(dāng)前5 635 張訓(xùn)練樣本對(duì)于深度學(xué)習(xí)訓(xùn)練而言樣本量較小，因此本文進(jìn)行了數(shù)據(jù)增強(qiáng)處理。如圖6 所示，主要采用對(duì)數(shù)據(jù)隨機(jī)進(jìn)行旋轉(zhuǎn)（圖6（b））、鏡像（圖6（c））和添加高斯噪聲（圖6（d））等方式對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，以8.5∶1.5 的比例隨機(jī)劃分訓(xùn)練集與驗(yàn)證集。通過(guò)上述方式來(lái)實(shí)現(xiàn)數(shù)據(jù)增廣，增大數(shù)據(jù)樣本量，提高模型的泛化能力。

圖5 臂叢神經(jīng)超聲影像數(shù)據(jù)示例Fig.5 Examples of brachial plexus nerve ultrasound imaging data

圖6 超聲影像數(shù)據(jù)增強(qiáng)處理Fig.6 Enhancement processing of ultrasound image data

3.2 訓(xùn)練參數(shù)及評(píng)價(jià)指標(biāo)

本文輸入圖片的大小為256×256，使用Adam 優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.001 3，采用ReduceLROnPlateau 策略，以0.2 為步長(zhǎng)調(diào)整學(xué)習(xí)率，采用Dice_Loss 為損失函數(shù)，訓(xùn)練50輪次。

在圖像分割領(lǐng)域，當(dāng)前常用的評(píng)價(jià)標(biāo)準(zhǔn)有Dice 相似系數(shù)（Dice Similarity Coefficient，DSC）和平均交并比（Mean Intersection over Union，MIoU）。DSC 用于計(jì)算兩個(gè)樣本的相似度，計(jì)算公式如式（1）所示：

其中：TP（True Positive）表示被正確分割為臂叢神經(jīng)的像素?cái)?shù)目；FP（False Positive）表示被錯(cuò)誤分割為臂叢神經(jīng)部分的背景像素?cái)?shù)目；FN（False Negative）表示被錯(cuò)誤標(biāo)記為背景的臂叢神經(jīng)像素?cái)?shù)目。

交并比（Intersection over Union，IoU）是計(jì)算真實(shí)值與預(yù)測(cè)值兩個(gè)集合的交集與并集之比，其計(jì)算公式如式（2）所示。MIoU 是計(jì)算其平均值，計(jì)算公式如式（3）所示：

其中：K為樣本數(shù)目。

除此之外，還有諸如區(qū)域重疊率（Area Overlap Measure，AOM）、區(qū)域過(guò)分割率（Area Over-segmentation Measure，AVM）、區(qū)域欠分割率（Area Under-segmentation Measure，AUM）等指標(biāo)，由于本文采用的BP 數(shù)據(jù)集在Kaggle 平臺(tái)的評(píng)價(jià)標(biāo)準(zhǔn)為DSC，因此不考慮其他評(píng)價(jià)標(biāo)準(zhǔn)。Ner-FPN 模型的網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖7 所示，由圖7（a）可以看出模型在35 輪次后開(kāi)始達(dá)到收斂并趨于穩(wěn)定；由圖7（b）可以看出在35 輪次后，模型的DSC 及MIoU 均取得了良好且穩(wěn)定的結(jié)果。

圖7 Ner-FPN模型的訓(xùn)練過(guò)程曲線Fig.7 Curves of Ner-FPN model training processing

3.3 分割性能對(duì)比

為驗(yàn)證Ner-FPN 模型的有效性，本文設(shè)計(jì)了Ner-FPN 模型與當(dāng)前主流研究的U-Net 類(lèi)網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)。采用原始U-Net［12］、SegNet［11］、QU-Net［17］和Efficient+U-Net［18］進(jìn)行對(duì)照，實(shí)驗(yàn)采用相同的環(huán)境、訓(xùn)練參數(shù)以及損失函數(shù)。其中測(cè)試集采用Kaggle 官方測(cè)試集，返回結(jié)果僅DSC。實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同模型的預(yù)測(cè)結(jié)果對(duì)比Tab.2 Comparison of prediction results among different models

通過(guò)表2 可以看出，Ner-FPN 模型在測(cè)試集上表現(xiàn)良好，在驗(yàn)證集上的DSC 及MIoU 明顯優(yōu)于U-Net、SegNet，對(duì)比兩個(gè)改進(jìn)U-Net 模型（QU-Net 和Efficient+U-Net）也具有更好的魯棒性。其中，由于Efficient+U-Net 結(jié)構(gòu)具有更好的深度、廣度及特征圖分辨率，在訓(xùn)練集及驗(yàn)證集上的表現(xiàn)優(yōu)于Ner-FPN 模型；但與QU-Net 相似，Efficient+U-Net 不可避免地容易過(guò)擬合，因此在測(cè)試集上的表現(xiàn)欠佳。另外，Ner-FPN 模型在測(cè)試集上的DSC 為0.703，與U-Net、SegNet 模型對(duì)比，分別提 高了10.7，14.5 個(gè)百分 點(diǎn)；與QU-Net、Efficient+U-Net 對(duì)比，也分別提高5.5 和3.4 個(gè)百分點(diǎn)，顯著優(yōu)于其他對(duì)比模型。這足以說(shuō)明如前文所述的仿Xception 多尺度特征提取模塊以及雙向FPN 的預(yù)測(cè)模塊起到了實(shí)質(zhì)性作用。為更直觀地表現(xiàn)其結(jié)果差異，預(yù)測(cè)結(jié)果示例如圖8 所示。

圖8 不同模型預(yù)測(cè)結(jié)果示例對(duì)比Fig.8 Comparison of prediction results examples among different models

3.4 消融實(shí)驗(yàn)

在影響模型的分割準(zhǔn)確率上，針對(duì)多尺度特征提取模塊、雙向FPN 預(yù)測(cè)模塊以及特征提取中的殘差模塊三部分進(jìn)行消融實(shí)驗(yàn)；在影響模型的體量（模型參數(shù)量、模型大小和模型的計(jì)算量）上，針對(duì)深度可分離卷積模塊設(shè)計(jì)消融實(shí)驗(yàn)。

針對(duì)多尺度特征提取模塊的實(shí)際效果，本文以普通的雙向FPN 模型、U-Net 結(jié)構(gòu)的雙向FPN 模型以及殘差網(wǎng)絡(luò)（Residual Network，ResNet）結(jié)構(gòu)的雙向FPN 模型為對(duì)照進(jìn)行實(shí)驗(yàn)；針對(duì)雙向FPN 結(jié)構(gòu)在預(yù)測(cè)階段的所取得的效果，本文又采用以多尺度特征提取結(jié)構(gòu)為特征提取模塊的U-Net、SegNet 以及原始的單向FPN 模型作為對(duì)照；針對(duì)特征提取中殘差結(jié)構(gòu)的有效性，本文分別以每個(gè)特征提取子模塊在循環(huán)執(zhí)行中的首次結(jié)果、中間結(jié)果及最終結(jié)果作為特征圖的FPN構(gòu)建方式，進(jìn)行對(duì)照實(shí)驗(yàn)。其中：首次結(jié)果取每個(gè)特征提取模塊在循環(huán)執(zhí)行中的第一次特征圖；中間結(jié)果取循環(huán)執(zhí)行過(guò)程中各特征圖的算術(shù)平均；最終結(jié)果取循環(huán)執(zhí)行中的最后一次特征圖。

以上實(shí)驗(yàn)采用相同的實(shí)驗(yàn)環(huán)境、訓(xùn)練參數(shù)以及損失函數(shù)，針對(duì)影響模型準(zhǔn)確率的三個(gè)模塊消融實(shí)驗(yàn)結(jié)果如表3所示。

由表3 可知，首先，同樣具備雙向FPN 預(yù)測(cè)模型的三種網(wǎng)絡(luò)，多尺度特征提取模塊能夠有效提取并利用不同層次的特征。即使是U-Net 這一對(duì)多尺度特征稍加利用的結(jié)構(gòu)，對(duì)比普通的雙向FPN 也能夠較好地提升準(zhǔn)確率；但礙于其對(duì)低層特征的應(yīng)用有限，提升較少。

表3 影響模型準(zhǔn)確率的模塊的消融實(shí)驗(yàn)結(jié)果對(duì)比Tab.3 Comparison of ablation experimental results of modules affecting model accuracy

其次，對(duì)比同樣搭配多尺度特征的三類(lèi)模型，雙向FPN結(jié)構(gòu)在預(yù)測(cè)上的效果提升也較為明顯，盡管各個(gè)模型在驗(yàn)證集上表現(xiàn)相仿，但對(duì)不同層次特征內(nèi)容利用越充分的預(yù)測(cè)結(jié)構(gòu)在測(cè)試集上的表現(xiàn)越好。

最后，在利用不同層次特征圖的Ner-FPN 模型中，選取同尺度下越深層的特征圖構(gòu)建FPN，整體分割效果越好；但選取最終結(jié)果的提升較中間結(jié)果提升不明顯，考慮其特征圖層次過(guò)深，低層信息利用不完全，相比之下，通過(guò)殘差連接的Ner-FPN 對(duì)各信息層的利用更為充分，提升明顯。綜上所述，上述三種結(jié)構(gòu)對(duì)于Ner-FPN 模型的建立都具有積極影響。

另一方面，為驗(yàn)證深度可分離結(jié)構(gòu)對(duì)參數(shù)量以及模型計(jì)算量的影響，與原始感受野大小的模型結(jié)構(gòu)進(jìn)行了對(duì)照實(shí)驗(yàn)。在相同的實(shí)驗(yàn)環(huán)境、訓(xùn)練參數(shù)以及損失函數(shù)下，針對(duì)深度可分離卷積模塊的消融實(shí)驗(yàn)結(jié)果如表4 所示。通過(guò)表4 可以明顯看出，深度可分離卷積的結(jié)構(gòu)能夠有效減少模型參數(shù)量，同時(shí)該結(jié)構(gòu)也在一定程度上加深了網(wǎng)絡(luò)層次。

表4 影響模型參數(shù)量及計(jì)算量的模塊的消融實(shí)驗(yàn)結(jié)果對(duì)比Tab.4 Comparison of ablation experimental results of modules affecting parameters and computing cost

4 結(jié)語(yǔ)

本文針對(duì)臂叢神經(jīng)超聲影像的語(yǔ)義分割任務(wù)進(jìn)行了深入分析，提出了一種基于多尺度特征融合的改進(jìn)臂叢神經(jīng)分割方法。該模型能夠有效地適應(yīng)超聲影像信噪比小、邊緣模糊的特點(diǎn)，針對(duì)超聲影響中，臂叢神經(jīng)目標(biāo)區(qū)域小、目標(biāo)不規(guī)則的特點(diǎn)，得到較好的分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，該模型的分割準(zhǔn)確率明顯優(yōu)于其他對(duì)比模型，所設(shè)計(jì)的仿Xception 結(jié)構(gòu)多尺度特征提取模塊及雙向FPN 模塊能夠有效應(yīng)對(duì)臂叢神經(jīng)分割任務(wù)，對(duì)同類(lèi)問(wèn)題可提供一定參考。由于本文模型僅在一種數(shù)據(jù)集上進(jìn)行測(cè)試，因此缺乏一定的泛用性；在后續(xù)研究中，會(huì)進(jìn)一步考慮引入更加豐富的數(shù)據(jù)，并在其他任務(wù)上嘗試進(jìn)行遷移，提升模型的實(shí)際應(yīng)用價(jià)值。