鐘經(jīng)緯

（江南大學(xué) 人工智能與計(jì)算機(jī)學(xué)院，江蘇 無錫 214122）

0 引言

近年來，由于不健康的飲食與作息習(xí)慣，全球肝癌發(fā)病率持續(xù)上升，據(jù)世界衛(wèi)生組織/國際癌癥研究機(jī)構(gòu)統(tǒng)計(jì)報告［1］，2020 年全球肝癌新發(fā)病例數(shù)為90.6 萬例，其中中國占全球新發(fā)肝癌病例的45.3%，肝癌已經(jīng)成為影響我國居民健康的重大公共衛(wèi)生問題。多種原因都可導(dǎo)致肝癌發(fā)病率升高，且肝癌起病隱匿、早期發(fā)現(xiàn)困難、中晚期治療復(fù)雜且效果差異大，因此當(dāng)今肝癌治療依然是一個比較困難的醫(yī)學(xué)問題。隨著醫(yī)學(xué)影像技術(shù)與計(jì)算機(jī)技術(shù)的發(fā)展，許多研究者嘗試用計(jì)算機(jī)技術(shù)解決癌癥患者的早期確診問題［2-3］，為癌癥治療爭取寶貴時間。器官定位與圖像分割是診斷治療的第一步，但由于醫(yī)學(xué)圖像，尤其是CT 圖像對比度較低，且目標(biāo)不明確，醫(yī)生在診斷時通常需耗費(fèi)大量時間與精力來估計(jì)器官的位置和大小，個人經(jīng)驗(yàn)也會影響診斷結(jié)果，導(dǎo)致在嚴(yán)肅的醫(yī)學(xué)診斷結(jié)果中夾雜了主觀性。因此，應(yīng)用計(jì)算機(jī)技術(shù)輔助診斷，構(gòu)建一種精確、快速的器官圖像分割方法對癌癥診斷及早期治療具有重要意義。

1 相關(guān)工作

當(dāng)前的器官圖像分割方法很多，主要分為傳統(tǒng)圖像分割方法和基于深度學(xué)習(xí)的圖像分割方法。

1.1 傳統(tǒng)圖像分割方法

傳統(tǒng)圖像分割方法主要包括基于閾值、邊緣和圖論的分割方法?；陂撝档姆指罘椒ǖ幕舅枷胧腔趫D像灰度特征計(jì)算一個或多個灰度閾值，并將圖像中每個像素的灰度值與閾值相比較，最后將像素根據(jù)比較結(jié)果分到合適的類別中。因此，該類方法最為關(guān)鍵的一步就是按照某個準(zhǔn)則函數(shù)求解最佳灰度閾值。Prewitt 等［4］提出一種全局單閾值分割方法，即直方圖雙峰法（mode 法）?；谶吘壍姆指罘椒ɑ诨叶戎档倪吘墮z測，是建立在邊緣灰度值會呈現(xiàn)出階躍型或屋頂型變化這一觀測基礎(chǔ)上的方法。階躍型邊緣兩邊像素點(diǎn)灰度值存在明顯差異，而屋頂型邊緣位于灰度值上升或下降的轉(zhuǎn)折處。Canny［5］提出一種邊緣角點(diǎn)和興趣點(diǎn)檢測器，命名為Canny 邊緣檢測器。基于圖論的分割方法將圖像分割問題與圖的最小割問題相關(guān)聯(lián)，其本質(zhì)就是移除特定的邊，將圖劃分為若干子圖，從而實(shí)現(xiàn)分割。目前基于圖論的方法有GraphCut［6］、Grab-Cut［7］、Random Walk［8］等。

1.2 基于深度學(xué)習(xí)的圖像分割方法

近年來，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，深度學(xué)習(xí)技術(shù)開始大量應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域。早期，半自動分割［9］是一種常見的分割手段。在進(jìn)行醫(yī)學(xué)圖像分割時，因?yàn)楦信d趣目標(biāo)的不同以及不同類型圖像的差異，沒有一個普遍適用的分割方法。對于同一模態(tài)的圖像，如果不能充分利用感興趣目標(biāo)和一些先驗(yàn)信息，仍然無法獲得精度較高的分割結(jié)果。該階段的分割手段往往需要一定的手工干預(yù)，才能得到令人滿意的分割結(jié)果。隨后，基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）或循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的分割方法開始涌現(xiàn)，可以快速、準(zhǔn)確地獲取圖像的自然分割結(jié)果。Long 等［10］提出全卷積神經(jīng)網(wǎng)絡(luò)（Full Convolutional Neural Network，F(xiàn)CN）用于圖像語義分割，并取得了很好的效果。FCN 能夠準(zhǔn)確、完整地定位與分割醫(yī)學(xué)圖像中的器官和病變部位，對患者的后續(xù)治療具有重要意義，因此得到了迅速發(fā)展。Olaf 等［11］提出的U-Net 網(wǎng)絡(luò)結(jié)構(gòu)特別適用于醫(yī)學(xué)圖像分割領(lǐng)域，采用編碼解碼器結(jié)構(gòu)，通過跳躍連接巧妙地結(jié)合了高層和低層信息，解碼層的深層抽象信息能更好地利用編碼層傳輸?shù)臏\層信息，使得圖像分割效果較好。

隨后，許多學(xué)者對FCN 和U-Net 進(jìn)行了研究，并在此基礎(chǔ)上提出許多新的用于醫(yī)學(xué)圖像分割各細(xì)分領(lǐng)域的網(wǎng)絡(luò)結(jié)構(gòu)。例如，Bi 等［12］提出一種新的ResNet 級聯(lián)網(wǎng)絡(luò)，融合多尺度信息逐步精確定位肝臟圖像邊界；DenseNet［13］改進(jìn)了卷積塊之間的連接方式，使每個卷積塊都與其之后的卷積塊殘差相連；Kaluva 等［14］提出一種全自動的兩階段級聯(lián)網(wǎng)絡(luò)，第一階段進(jìn)行肝臟圖像分割，第二階段使用第一階段的分割結(jié)果進(jìn)行肝臟定位；Li 等［15］提出H-DenseUNet探索肝臟和腫瘤圖像分割的混合特征；Christian 等［16］提出一種改進(jìn)的CT 和MRI 心臟圖像分割方法；Liao 等［17］提出一種利用卷積神經(jīng)網(wǎng)絡(luò)檢測CT 圖像中惡性結(jié)節(jié)的方法。另外，一些通用的醫(yī)學(xué)圖像分割網(wǎng)絡(luò)也相繼被提出，例如Alom 等［18］提出R2U-Net，將剩余單元與RNN 結(jié)合；Diakogiannis 等［19］提出ResUNet-a，該網(wǎng)絡(luò)是對R2U-Net 的一種改進(jìn)，增加了剩余連接數(shù)，并結(jié)合了金字塔場景分辨率池和多任務(wù)推理；Zhou 等［20］提出UNet++，主要對跳轉(zhuǎn)連接部分進(jìn)行了改進(jìn)；Li等［21］引入注意記憶，并提出了ANU-Net；Huang 等［22］通過結(jié)合多尺度能力改進(jìn)U-Net，提出了UNet 3+網(wǎng)絡(luò)模型。近年來基于Transformer 的醫(yī)學(xué)圖像分割方法也不斷涌現(xiàn)，例如Chen 等［23］提出TransUNet，首次將Transformer 引入醫(yī)學(xué)圖像分割領(lǐng)域，一方面把編碼器卷積塊替換為Transformer 塊，提取全局上下文的輸入序列信息，另一方面基于卷積的解碼器進(jìn)行上采樣，然后與高分辨率的卷積特征圖相結(jié)合，實(shí)現(xiàn)精確定位；Valanarasu等［24］提出Medical Transformer，采用局部—全局訓(xùn)練策略（LoGo），進(jìn)一步提升模型分割性能。

為了提高醫(yī)學(xué)圖像分割精度，本文在 UNet 3+網(wǎng)絡(luò)基礎(chǔ)上引入注意力門和點(diǎn)采樣技術(shù)。注意力門可使網(wǎng)絡(luò)在訓(xùn)練過程中更加關(guān)注分割目標(biāo)區(qū)域，點(diǎn)采樣方法可提高模型判斷分割目標(biāo)邊緣像素類別的能力，改善目標(biāo)邊緣分割效果。通過在肝臟醫(yī)學(xué)圖像數(shù)據(jù)集CHAOS［25］上進(jìn)行實(shí)驗(yàn)，本文提出的模型PRA-UNet3+都表現(xiàn)出一定的性能優(yōu)勢，在視覺感知上的分割效果也有明顯提升。

2 網(wǎng)絡(luò)結(jié)構(gòu)

2.1 注意力門

注意力門（Attention Gate）是由Oktay 等［26］提出的，在網(wǎng)絡(luò)中引入注意力門，可幫助模型增強(qiáng)對目標(biāo)區(qū)域的學(xué)習(xí)。注意力門通過同一級編碼器特征與深層解碼器上采樣特征，學(xué)習(xí)到一個關(guān)注分割目標(biāo)結(jié)構(gòu)的注意力系數(shù)，以幫助分割網(wǎng)絡(luò)的重點(diǎn)關(guān)注位置。因?yàn)椴粩噙M(jìn)行下采樣，獲得了更大的感受野，但細(xì)節(jié)被抽取，損失了語義信息，而淺層編碼器的信息更加豐富，所以淺層的編碼器信息對注意力系數(shù)的學(xué)習(xí)也是有幫助的。本文注意力門的結(jié)構(gòu)設(shè)計(jì)不僅融合了同一層編碼器信息，而且進(jìn)一步融合了所有比該層更淺層的編碼器信息。注意力模塊如圖1所示。

Fig.1 Attention module圖1 注意力模塊

PRA-UNet3+中注意力門計(jì)算過程如下：①注意力門有兩個輸入：一是編碼器特性（f），該特性由淺層編碼器和同層編碼器特征組成，二是上采樣信號（g），該信號是所有深層解碼器上采樣信息特征融合的結(jié)果；②經(jīng)過卷積運(yùn)算（Wf，Wg）和BatchNorm 運(yùn)算（Bf，Bg）后，將其各自的輸出進(jìn)行特征融合；③特征融合結(jié)果隨后被輸入到激活函數(shù)(ReLU，σ1(x)=max(0，x))中；④被激活后，該特征再次經(jīng)過卷積運(yùn)算（Wθ）和BatchNorm 運(yùn)算（bθ）；⑤將結(jié)果輸入激活函數(shù)計(jì)算注意系數(shù)（α），讓參數(shù)在注意力門迅速收斂；⑥最后將注意力系數(shù)（α）逐點(diǎn)乘以編碼器特征以獲得輸出。

式（1）-式（3）總結(jié)了注意力門計(jì)算過程：

注意力門可獲得全局與局部的聯(lián)系，增強(qiáng)重要信息的學(xué)習(xí)，并抑制不相關(guān)信息的學(xué)習(xí)。此外，與CNN 和RNN 相比［27］，其參數(shù)更少，降低了模型的復(fù)雜性。

2.2 點(diǎn)采樣方法

在微觀層面上，圖像的低層由像素組成，每個像素可用一組特征向量表示。利用線性插值等方法，將特征向量均勻映射到一組標(biāo)簽上，稱為上采樣。相反，本研究使用經(jīng)典的細(xì)分策略［28］，在該策略中不是對所有像素進(jìn)行上采樣，而是根據(jù)特定策略選擇一定數(shù)量的不確定像素進(jìn)行特殊處理，該方法被稱為點(diǎn)采樣。該方法對分割邊緣比較難預(yù)測準(zhǔn)確的點(diǎn)進(jìn)行二次細(xì)化預(yù)測，可提高分割邊緣點(diǎn)的判斷正確率。

醫(yī)學(xué)圖像分割同樣存在邊緣分割困難的問題，對邊緣進(jìn)行單獨(dú)細(xì)化處理，可解決模糊分割邊界問題，提高分割性能及視覺效果。具體實(shí)施步驟如下：①當(dāng)前解碼器從深層解碼，輸入粗掩模特征圖；②點(diǎn)采樣模塊依據(jù)點(diǎn)選擇策略從粗掩模特征中選擇最不確定的一批采樣點(diǎn)；③用一個多層感知機(jī)（Multilayer Perceptron，MLP）對最不確定的采樣點(diǎn)進(jìn)行細(xì)分預(yù)測，ReLU 用于激活MLP 的隱藏層，Sigmoid用于激活輸出；④點(diǎn)特征映射到編碼器特征（虛線箭頭），并替換相應(yīng)位置的特征，以獲得點(diǎn)采樣特征；⑤將上采樣特征、注意力門輸出特征與點(diǎn)采樣特征進(jìn)行特征融合，得到細(xì)掩模特征圖。

點(diǎn)采樣模塊計(jì)算過程如圖2 所示。采樣點(diǎn)主要在分割目標(biāo)邊緣附近，且具有一定的覆蓋性，這樣才能達(dá)到較好的點(diǎn)采樣效果。傳統(tǒng)點(diǎn)選擇策略是從均勻分布的像素點(diǎn)中隨機(jī)抽取kN(k>1)個點(diǎn)，但由于醫(yī)學(xué)圖像數(shù)據(jù)正負(fù)樣本不平，如背景面積大、分割目標(biāo)面積小，這種點(diǎn)選擇策略容易造成過采樣。因此，本文提出根據(jù)正負(fù)樣本點(diǎn)比例不同進(jìn)行不同比例的點(diǎn)采樣。

Fig.2 Point sampling module圖2 點(diǎn)采樣模塊

點(diǎn)采樣策略如下：①正樣本數(shù)量Np，負(fù)樣本數(shù)量Nt，求出正負(fù)樣本比例；②按照圖像分辨率大小設(shè)置一個采樣常數(shù)N，采樣點(diǎn)個數(shù)為mN，當(dāng)正樣本數(shù)量多時，邊采樣點(diǎn)多，反之邊采樣點(diǎn)少；③對上述mN個采樣點(diǎn)進(jìn)行粗略預(yù)測和插值操作，計(jì)算所有點(diǎn)的不確定度，重點(diǎn)關(guān)注最不確定的點(diǎn)，選出amN個最不確定的點(diǎn)；④除去最不確定的點(diǎn)，剩下(1 -a)mN個不重要的點(diǎn)并對其進(jìn)行簡單的上采樣操作；⑤最后獲得邊緣精確分割的掩模。

2.3 網(wǎng)絡(luò)總體結(jié)構(gòu)

U-Net網(wǎng)絡(luò)框架及其變體在醫(yī)學(xué)圖像分割任務(wù)中得到了廣泛應(yīng)用，并取得了很好的效果。其中，U-Net++和ANU-Net 是兩種代表性的體系結(jié)構(gòu)。Huang 等［22］在UNet++基礎(chǔ)上，為將不同尺度特征圖的淺層語義信息與高層語義信息相結(jié)合，提出U-Net 3+網(wǎng)絡(luò)。PRA-UNet3+在UNet3+模型基礎(chǔ)上進(jìn)行了修改，添加注意力門模塊和點(diǎn)采樣模塊。PRA-UNet3+網(wǎng)絡(luò)架構(gòu)主干如圖3所示。

Fig.3 PRA-UNet3+network structure圖3 PRA-UNet3+網(wǎng)絡(luò)結(jié)構(gòu)

U-Net、U-Net++及其變體無法獲取圖像的全尺度信息，因此無法學(xué)習(xí)分割目標(biāo)的位置，分割邊界相對模糊。為了彌補(bǔ)這一不足，PRA-UNet3+借鑒U-Net 3+結(jié)構(gòu)，網(wǎng)絡(luò)中每個解碼器都結(jié)合了所有淺層和深層編碼器的輸出特征，以及深一層編碼器的點(diǎn)采樣結(jié)果。組合這些信息可以捕獲細(xì)粒度和粗粒度的語義信息，但是淺層信息與深層信息以何種比例組合才能更好地關(guān)注到分割目標(biāo)區(qū)域仍是一個問題。因此，本文提出在淺層與深層特征間加入一個注意力門來學(xué)習(xí)一個注意力系數(shù)，決定淺層信息與深層信息特征融合的比例，更好地關(guān)注分割目標(biāo)區(qū)域。網(wǎng)絡(luò)結(jié)構(gòu)中使用的點(diǎn)采樣模塊為改進(jìn)的點(diǎn)采樣模塊（IPR）。

如圖4 所示，以獲取XDe_3的特征圖信息為例，闡述網(wǎng)絡(luò)組成細(xì)節(jié)。與U-Net++一樣，接受同尺度編碼器層的特征圖XEe_3，該特征需經(jīng)過64 個大小為3 × 3 的濾波器進(jìn)行卷積運(yùn)算，目的是統(tǒng)一特征圖數(shù)量，減少冗余信息。淺層編碼器XEe_1和XEe_2通過最大池化進(jìn)行下采樣，目的是統(tǒng)一特征圖分辨率。從圖4 中可知，XEe_1縮小為原，XEe_2縮小為原，隨后同樣經(jīng)過濾波器進(jìn)行卷積運(yùn)算。經(jīng)過運(yùn)算后的XEe_1、XEe_2和XEe_3進(jìn)行特征融合，即為注意力門編碼器特征輸入端。深層解碼器XDe_4和XDe_5利用雙線性插值進(jìn)行上采樣，分辨率分別放大2 倍和4 倍，同樣需要經(jīng)過64 個大小為3 × 3 的濾波器進(jìn)行卷積運(yùn)算來統(tǒng)一特征圖數(shù)量。將上述經(jīng)過運(yùn)算后的XDe_4和XDe_5進(jìn)行特征融合，即為注意力門解碼器特征輸入端。注意力門模塊獲得兩端輸入后進(jìn)行模塊內(nèi)部運(yùn)算操作，步驟如2.1 節(jié)所述。將原XDe_4輸入到改進(jìn)的點(diǎn)采樣模塊進(jìn)行計(jì)算，獲得細(xì)掩模特征，步驟如2.2 節(jié)所述。將注意力門模塊輸出特征和點(diǎn)采樣模塊輸出特征進(jìn)行特征融合，經(jīng)過320 個大小為3×3 的濾波器進(jìn)行卷積運(yùn)算、批量歸一化和ReLU 激活函數(shù)激活便獲得了XDe_3。

Fig.4 PRA-UNet 3+decoder calculation圖4 PRA-UNet 3+解碼器計(jì)算

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)平臺為Intel Core i9-9900X 處理器，NVIDIA Ge-Force RTX 2080Ti 顯卡，Ubuntu 16.04操作系統(tǒng)。

3.1 數(shù)據(jù)集與預(yù)處理

本文使用CHAOS作為實(shí)驗(yàn)數(shù)據(jù)集，來自2019 ISBI調(diào)整賽。數(shù)據(jù)集包含CT和MRI兩種掃描數(shù)據(jù)，本文僅采用CT數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，包含40 個不同病人的腹部CT 掃描圖像。拆分后匯總得到2314個有標(biāo)簽樣本，分辨率為512 × 512。

為了節(jié)省計(jì)算資源，便于訓(xùn)練模型，把圖像分辨率調(diào)整為128 × 128，將訓(xùn)練集、驗(yàn)證集和測試集按照6：2：2 的比例進(jìn)行劃分。實(shí)驗(yàn)前對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行常規(guī)的數(shù)據(jù)增強(qiáng)，例如隨機(jī)翻轉(zhuǎn)、平移縮放等，以緩解小數(shù)據(jù)集帶來的過擬合現(xiàn)象。

3.2 評價指標(biāo)

為評估模型性能以及與其他模型進(jìn)行比較，本文采用Dice 系數(shù)（Dice）、交并比（IoU）和 F1 分?jǐn)?shù)（F1 Score）作為評價指標(biāo)。F1 Score 指標(biāo)可同時體現(xiàn)精確率（Precision）和召回率（Recall），通常用來評價二分類模型的穩(wěn)健程度。在式（4）、式（5）中，X為預(yù)測結(jié)果，Y為真實(shí)標(biāo)簽值。在式（6）中，TP為真陽性，F(xiàn)P為假陽性，F(xiàn)N為假陰性。這3 個指標(biāo)的值越大，與實(shí)際結(jié)果的相似度越高，則分割結(jié)果越好。

3.3 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本文提出的醫(yī)學(xué)圖像分割模型在肝臟圖像分割數(shù)據(jù)集CHAOS 上的性能優(yōu)勢，將其與其他幾種經(jīng)典醫(yī)學(xué)圖像分割模型進(jìn)行比較，包括U-Net［11］、U-Net++［20］、Attention U-Net（AU-Net）［21］、Medical Transformer（MedT）以及U-Net 3+［22］。表1 為不同網(wǎng)絡(luò)模型在肝臟圖像分割數(shù)據(jù)集上的性能比較。

Table 1 Comparison of liver image segmentation performance表1 肝臟圖像分割性能比較

從表1 可以看出，本文提出的醫(yī)學(xué)圖像分割模型PRA-UNet3+在肝臟圖像分割任務(wù)上，3 項(xiàng)評價指標(biāo)均優(yōu)于其他模型。在測試集上平均Dice 達(dá)到0.9467，平均IoU 達(dá)到0.9623，平均F1 Score達(dá)到0.9351。

由表1 可知，U-Net 3+融合全尺度的語義信息，在性能表現(xiàn)上優(yōu)于U-Net、U-Net++、AU-Net 這類普通的跳躍連接架構(gòu)，證明了全尺度跳躍連接架構(gòu)的有效性。由于淺層語義信息中冗余信息較多，因此之前的模型在分割目標(biāo)邊緣處理以及分割目標(biāo)與背景對比度低時，分割效果并不理想。本文在U-Net 3+淺層語義信息與深層語義信息融合時，加入注意力門來過濾冗余信息的影響，并引入點(diǎn)采樣方法以解決傳統(tǒng)采樣步驟對分割目標(biāo)邊緣過采樣的問題，使得邊緣分割更加平滑。對比U-Net 3+，PRA-UNet3+平均Dice 提升了2.55%，平均IoU 提升了2.27%，平均 F1 Score 提升了2.68%，證明該模型能更好地對肝臟圖像和分割背景進(jìn)行分類，提高分割精度。為了更加直觀地對比分割效果，圖5 給出4 組肝臟圖像在不同模型下的分割結(jié)果比較。

Fig.5 Comparison of liver image segmentation results圖5 肝臟圖像分割結(jié)果比較

方框標(biāo)出分割效果差異較大的部分，從圖5 中可以看出PRA-UNet3+對分割邊緣的處理上更加平滑，分割正確的面積更大，避免了過分割和欠分割問題，與真實(shí)標(biāo)簽值最為接近。

為證明模塊的有效性，同時進(jìn)行了消融實(shí)驗(yàn)。以UNet 3+作為基線網(wǎng)絡(luò)，依次將注意力門模塊（AG）和改進(jìn)的點(diǎn)采樣模塊（IPR）融入其中進(jìn)行實(shí)驗(yàn)。

（1）模塊有效性。表2 中的數(shù)據(jù)顯示，在CHAOS 數(shù)據(jù)集上，當(dāng)U-Net 3+只加入淺層與深層語義信息之間的注意力模塊時，Dice 為0.9174，相比U-Net 3+提升了6.27%；IoU 為0.9234，相比U-Net 3+提升了3.61%；F1 Score 為0.9140，相比U-Net 3+提升了 6.33%。可見引入注意力模塊的網(wǎng)絡(luò)在各個評價指標(biāo)上均有明顯提升，說明通過注意力門模塊可以提升網(wǎng)絡(luò)對重點(diǎn)分割區(qū)域的關(guān)注程度。若去除注意力模塊，只在解碼過程中加入改進(jìn)的點(diǎn)采樣模塊，使網(wǎng)絡(luò)對邊緣難分割的區(qū)域進(jìn)行細(xì)化分割，此時Dice、IoU 和F1 Score 的值分別為0.9232、0.9449 和0.9187，各指標(biāo)分別比U-Net3+網(wǎng)絡(luò)提升了6.94%、6.03%和6.88%。因此，單獨(dú)引入注意力模塊或改進(jìn)的點(diǎn)采樣模塊，對分割性能都有一定提升，證明了各模塊的有效性。詳細(xì)的消融實(shí)驗(yàn)結(jié)果比較如表2所示。

Table 2 Results of ablation experiment on CHAOS表2 CHAOS數(shù)據(jù)集上的消融實(shí)驗(yàn)結(jié)果

（2）改進(jìn)的點(diǎn)采樣模塊有效性。由表2 可知，相比傳統(tǒng)點(diǎn)采樣模塊（PR），改進(jìn)的點(diǎn)采樣模塊在一定程度上緩解了類樣本不平衡問題，3 個評價指標(biāo)都有所提升，Dice 提升較少，僅為0.87%，IoU 提升了2.68%，F(xiàn)1 Score 提升了1.08%。由此證明，改進(jìn)的點(diǎn)采樣模塊在本文提出架構(gòu)中是有效的。

模型大小關(guān)系到實(shí)踐的可能性，也是評價一個模型的重要指標(biāo)。利用PyTorch 工具包對本文模型與其他模型在參數(shù)量方面進(jìn)行比較，結(jié)果如表3所示。

Table 3 Comparison of model parameters表3 模型參數(shù)量比較

表3 給出不同模型參數(shù)量對比。U-Net 3+由于使用全尺度的跳躍連接，參數(shù)量明顯少于 U-Net。本文模型基于U-Net 3+，參數(shù)在注意力模塊和點(diǎn)采樣模塊有所增加，參數(shù)量相比U-Net 3+增加了1.49%，但Dice 提高了2.55%，IoU 提高了2.27%，F(xiàn)1 Score 提高了2.68%，以較小的計(jì)算性能消耗為代價，帶來了比較可觀的性能提升，證明了本文模型在肝臟圖像分割任務(wù)上的優(yōu)越性。

4 結(jié)語

器官圖像分割是醫(yī)學(xué)圖像技術(shù)對病理分析的基礎(chǔ)，也是進(jìn)行下一步深入研究的前提，所以一個好的分割方法對醫(yī)學(xué)圖像研究至關(guān)重要。本文在經(jīng)典U-Net 3+分割模型上進(jìn)行改進(jìn)，在全尺度特征融合過程中加入注意力門，使模型更加關(guān)注分割目標(biāo)區(qū)域。為了解決傳統(tǒng)采樣方法造成目標(biāo)分割邊緣過采樣的問題，在上采樣過程中對分割邊緣進(jìn)行點(diǎn)采樣處理，從而改善邊緣分割判斷不準(zhǔn)確的現(xiàn)象，提高邊緣分割的平滑程度。實(shí)驗(yàn)結(jié)果證明，本文提出的模型PRA-UNet3+在對肝臟圖像分割時效果明顯提升，用較小的性能開銷，使評價指標(biāo)提升了2%以上。