王宇昕,付曉薇,趙思宇,陳 芳

(1.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,湖北 武漢 430065;2.智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430065;3.武漢科技大學(xué)校醫(yī)院超聲影像科,湖北 武漢 430065)

0 引 言

乳腺癌是女性最常見(jiàn)的惡性腫瘤疾病之一,已經(jīng)嚴(yán)重威脅到了女性的身心健康,盡早確診是防治乳腺癌的關(guān)鍵[1]。在多種乳腺癌成像技術(shù)中,超聲成像因其成本低、無(wú)輻射且信息采集實(shí)時(shí)成為了乳腺癌檢測(cè)的首選方法,對(duì)其早期診斷和治療具有重大意義。醫(yī)生通過(guò)形態(tài)學(xué)和紋理特征判斷超聲乳腺圖像中腫瘤的位置、尺寸和形狀,以此確定腫瘤的良惡性。但診斷結(jié)果依賴(lài)醫(yī)生的臨床經(jīng)驗(yàn),存在一定的主觀性,易導(dǎo)致漏診與誤診[2]。

為此,計(jì)算機(jī)輔助診斷系統(tǒng)被廣泛應(yīng)用于乳腺癌的臨床診斷。腫瘤區(qū)域的自動(dòng)分割是該系統(tǒng)的關(guān)鍵步驟,分割結(jié)果的質(zhì)量直接影響診斷結(jié)果的準(zhǔn)確性和可靠性[3]。然而,精確的腫瘤分割需要經(jīng)驗(yàn)豐富的臨床醫(yī)生進(jìn)行手動(dòng)標(biāo)注,過(guò)程耗時(shí)且影響診斷效率。另外,由于超聲圖像中存在大量散斑噪聲,導(dǎo)致腫瘤邊緣較為模糊,且不同個(gè)體的腫瘤形狀不一,為腫瘤區(qū)域的自動(dòng)分割帶來(lái)了極大的挑戰(zhàn)。因此,超聲乳腺腫瘤圖像的分割具有重要的研究意義和臨床價(jià)值。

1 相關(guān)工作

目前,研究人員對(duì)超聲乳腺腫瘤圖像的分割方法進(jìn)行了大量研究。Horsch等人[4]首先采用一種基于閾值的分割算法,通過(guò)設(shè)置初始參數(shù)對(duì)超聲乳腺腫瘤圖像進(jìn)行閾值處理。但該方法忽略了空間特征,分割結(jié)果受噪聲影響較大。Feng等人[5]提出一種自適應(yīng)的模糊C均值(AFCM)聚類(lèi)方法,通過(guò)設(shè)置初始聚類(lèi)區(qū)域的數(shù)量和噪聲容忍水平對(duì)乳腺超聲圖像進(jìn)行分割。此方法考慮了空間特征,在一定程度上克服了噪聲敏感問(wèn)題。Cai等人[6]提出了一種基于相位的活動(dòng)輪廓模型(PBAC),使用結(jié)合邊界和區(qū)域信息的能量泛函對(duì)乳腺腫瘤的邊界進(jìn)行提取。這些傳統(tǒng)方法受人為初始參數(shù)設(shè)置影響較大,存在一定的局限性。因此,將傳統(tǒng)分割方法應(yīng)用于超聲乳腺腫瘤分割的效果并不理想。

隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展,大量的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型已應(yīng)用于圖像分割任務(wù)中。與傳統(tǒng)方法相比,基于CNN的方法無(wú)需手工設(shè)計(jì)提取特征,通過(guò)學(xué)習(xí)多層次的特征信息,即可對(duì)圖像的深層特征進(jìn)行自動(dòng)提取[7]。全卷積神經(jīng)網(wǎng)絡(luò)(FCN)[8]將傳統(tǒng)CNN的全連接層替換為卷積層,實(shí)現(xiàn)了端到端的像素級(jí)分割。但該方法細(xì)節(jié)保留不充足,導(dǎo)致分割結(jié)果較粗糙。為此,Ronneberger等人[9]在FCN的每一層間引入跳躍連接,將細(xì)粒度的淺層特征與粗粒度的深層特征結(jié)合起來(lái),提出了具有對(duì)稱(chēng)編-解碼結(jié)構(gòu)的U-Net模型。其中,編碼部分提取特征圖高分辨率的局部特征,用于獲取圖像的上下文信息,解碼部分用于還原各層的特征圖,表達(dá)圖像的全局特征。編-解碼結(jié)構(gòu)間的跳躍連接能有效補(bǔ)充細(xì)節(jié)信息,有利于提高圖像分割的質(zhì)量。

對(duì)于具有較少數(shù)據(jù)樣本的醫(yī)學(xué)圖像,U-Net能夠?qū)ζ溥M(jìn)行模型訓(xùn)練并實(shí)現(xiàn)分割[10]。Almajalid等人[11]最先將U-Net應(yīng)用到超聲乳腺腫瘤分割中,但受U-Net中感受野大小固定的影響,分割后的圖像細(xì)節(jié)仍存在部分缺失。Zhou等人[12]設(shè)計(jì)了具有嵌套結(jié)構(gòu)和密集跳躍連接的UNet++,根據(jù)不同規(guī)模的數(shù)據(jù)集,對(duì)多尺度特征進(jìn)行不同層次的提取。在醫(yī)學(xué)圖像處理中,注意力機(jī)制可使網(wǎng)絡(luò)專(zhuān)注于感興趣區(qū)域的學(xué)習(xí)[13]。

因此,近年來(lái)的醫(yī)學(xué)圖像分割模型大多結(jié)合U-Net與注意力機(jī)制進(jìn)行改進(jìn)。Zhuang等人[14]提出RDAU-Net用于分割乳腺腫瘤圖像,結(jié)合注意力門(mén)(AG)模塊[15]、ResNet[16]和擴(kuò)張卷積[17],以提升網(wǎng)絡(luò)對(duì)腫瘤特征的學(xué)習(xí)能力。Vakanski等人[18]在U-Net的編碼部分引入顯著性圖,使用改進(jìn)后的AG模塊將注意力集中在腫瘤顯著性高的區(qū)域上,但該方法在一定程度上依賴(lài)先驗(yàn)知識(shí),容易錯(cuò)誤篩除顯著性高的圖像。Byra等人[19]提出Selective Kernel U-Net(SK-U-Net),通過(guò)一種通道注意力機(jī)制動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)感受野大小,有效利用不同尺度的空間信息,使得分割結(jié)果得到了較大的優(yōu)化。Zhu等人[20]設(shè)計(jì)了殘差多尺度模塊用于獲取更大的感受野,并在U-Net的跳躍連接部分結(jié)合擠壓激勵(lì)(SE)模塊[21],在通道上融合不同層之間的特征信息,能夠使分割結(jié)果保留更多的腫瘤細(xì)節(jié)信息。這些研究在一定程度上均提高了分割精度,但對(duì)于邊緣模糊、形狀變化較大的超聲乳腺腫瘤圖像,仍無(wú)法得到令人滿(mǎn)意的效果。

鑒于此,基于U-Net,結(jié)合空間注意力和通道注意力,該文提出一種多層融合注意力(Multi-layer Fusion Attention,MLFA)的方法,以實(shí)現(xiàn)噪聲強(qiáng)干擾下的超聲乳腺腫瘤區(qū)域的精確分割。

其主要優(yōu)勢(shì)有:

(1)借鑒深度學(xué)習(xí)中遷移學(xué)習(xí)的思想,在U-Net的編碼部分使用預(yù)訓(xùn)練模型ResNet-34,提高網(wǎng)絡(luò)的特征提取能力,以更好地區(qū)分腫瘤與背景區(qū)域;

(2)針對(duì)噪聲強(qiáng)干擾下腫瘤邊緣模糊的問(wèn)題,引入MLFA模塊對(duì)相關(guān)聯(lián)的深層特征和淺層特征進(jìn)行空間和通道維度上的自適應(yīng)融合,使網(wǎng)絡(luò)聚焦于局部腫瘤特征的學(xué)習(xí),保留更多的腫瘤邊緣細(xì)節(jié)信息;

(3)在公開(kāi)的超聲乳腺腫瘤數(shù)據(jù)集上與其他分割網(wǎng)絡(luò)進(jìn)行比較,驗(yàn)證了該方法具有較好的圖像分割性能。

2 方 法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

在編-解碼結(jié)構(gòu)的網(wǎng)絡(luò)中,編碼路徑提取特征的準(zhǔn)確性會(huì)直接影響后續(xù)解碼路徑分割的精度。但由于圖像特征的差異性,同時(shí)改進(jìn)兩種路徑并不能顯著提高分割精度。因此,該文對(duì)U-Net的編碼部分和跳躍連接部分進(jìn)行改進(jìn),即在編碼部分使用預(yù)訓(xùn)練模型ResNet-34[16]的網(wǎng)絡(luò)參數(shù)進(jìn)行特征提取,同時(shí)在跳躍連接部分引入MLFA模塊,融合不同層次的特征,加強(qiáng)網(wǎng)絡(luò)對(duì)特征的傳遞與利用,提升了模型的靈敏度和分割精度。

網(wǎng)絡(luò)的總體架構(gòu)如圖1所示,分為編碼部分和解碼部分。在編碼過(guò)程中,輸入圖像首先經(jīng)過(guò)一個(gè)7×7卷積(步長(zhǎng)為2,填充邊距為3)進(jìn)行通道加倍,再使用2×2最大池化進(jìn)行下采樣,特征圖尺寸減半。然后,進(jìn)入ResNet-34的四個(gè)殘差塊組合,維度分別是64、128、256和512,使用殘差塊的數(shù)量分別是3、4、6、3。除前兩層外,每增加一層,特征圖尺寸減半,通道數(shù)翻倍。

圖1 提出的分割網(wǎng)絡(luò)結(jié)構(gòu)

在解碼過(guò)程中,編碼末端輸出的特征圖經(jīng)過(guò)雙線性插值的上采樣操作后,與來(lái)自第4層的同尺度特征圖共同輸入到MLFA模塊中,得到增強(qiáng)語(yǔ)義信息后的特征圖。隨后,繼續(xù)經(jīng)過(guò)兩組由3×3卷積(步長(zhǎng)為1,填充邊距為1)、批歸一化(BN)和ReLU激活組成的標(biāo)準(zhǔn)卷積模塊。剩余層數(shù)均采取了上述操作,每增加一層,特征圖尺寸加倍,通道數(shù)減半。對(duì)最后一層的特征圖,使用上采樣操作和3×3卷積,將特征圖通道數(shù)降為1,尺寸恢復(fù)至輸入圖像大小。經(jīng)過(guò)Sigmoid函數(shù)激活,映射出每個(gè)像素的前景和背景概率。若概率大于0.5則為前景腫瘤區(qū)域,反之則為背景,最終實(shí)現(xiàn)超聲乳腺腫瘤的二值分割。

2.2 ResNet

CNN通過(guò)堆疊卷積層來(lái)增加網(wǎng)絡(luò)深度,從而提取到具有豐富語(yǔ)義信息的特征。然而,隨著網(wǎng)絡(luò)深度加深,訓(xùn)練模型時(shí)易出現(xiàn)梯度消失現(xiàn)象,影響網(wǎng)絡(luò)的分割效果。ResNet通過(guò)引入殘差塊,直接將原始輸入信息傳至下一層,在加深網(wǎng)絡(luò)層次的同時(shí),避免了網(wǎng)絡(luò)性能的退化。

殘差塊的基本結(jié)構(gòu)如圖2所示。其中,x代表殘差塊的輸入特征,F(·)代表卷積操作。殘差塊的輸出可以表示為:H(x)=F(x)+x。該文使用去除全連接操作的預(yù)訓(xùn)練模型ResNet-18、ResNet-34以及ResNet-50作為特征提取器進(jìn)行對(duì)比實(shí)驗(yàn),分別由圖2中不同數(shù)目的基本殘差塊構(gòu)成,網(wǎng)絡(luò)參數(shù)如表1所示。實(shí)驗(yàn)中發(fā)現(xiàn),ResNet-34模型的分割效果優(yōu)于其余兩種模型,具體見(jiàn)實(shí)驗(yàn)部分。為此,使用ResNet-34作為超聲乳腺腫瘤分割網(wǎng)絡(luò)的特征提取器。

表1 ResNet模型參數(shù)

圖2 基本殘差塊結(jié)構(gòu)

2.3 MLFA模塊

在深度卷積神經(jīng)網(wǎng)絡(luò)中,相鄰層間的特征信息具有相關(guān)性[20]。淺層特征包含高分辨率的位置信息,深層特征包含低分辨率的全局信息。但是,U-Net中傳統(tǒng)的跳躍連接操作僅能實(shí)現(xiàn)淺層信息的簡(jiǎn)單融合,更深層的信息未充分利用,造成淺層特征與深層特征之間存在語(yǔ)義鴻溝。為此,該文設(shè)計(jì)了MLFA模塊,將其運(yùn)用在跳躍連接部分,對(duì)不同層次的特征進(jìn)行空間與通道維度上的融合,從而使模型更加聚焦于腫瘤特征的學(xué)習(xí)。該模塊結(jié)構(gòu)如圖3所示。

圖3 MLFA模塊結(jié)構(gòu)

在MLFA模塊中,包含空間注意力模塊(SAM)和通道注意力模塊(CAM)兩個(gè)部分。首先,將淺層特征圖FL∈RC×H×W和深層特征圖FH∈RC×H×W共同輸入SAM,得到空間級(jí)特征圖FS∈RC×H×W,突出淺層特征的感興趣區(qū)域,弱化不相關(guān)的背景區(qū)域。同時(shí),將FH輸入CAM,對(duì)通道特征進(jìn)行動(dòng)態(tài)權(quán)重分配,表達(dá)深層特征不同通道的重要程度,得出通道級(jí)特征圖FC∈RC×H×W。最后,將兩個(gè)模塊的輸出的特征圖相加進(jìn)行融合,得到輸出特征圖Fout。

2.3.1 空間注意力模塊

在SAM中,首先,將FL與經(jīng)過(guò)上采樣后的FH分別通過(guò)一個(gè)1×1卷積進(jìn)行相加融合。然后,經(jīng)過(guò)一個(gè)ReLU激活函數(shù)和一個(gè)1×1卷積,將通道數(shù)降為1。此時(shí),特征圖中的每一個(gè)像素都是該像素在全部通道方向上的一個(gè)特征值。最后,對(duì)特征圖進(jìn)行Softmax操作,生成注意力權(quán)重圖Fα∈R1×H×W,再與FL相乘,即可得到空間級(jí)特征圖FS?？臻g注意力可由公式(1)和(2)表示:

Fα=σ1(Conv1×1(σ0(Conv1×1(FL)+

Conv1×1(FH))))

(1)

Fs=FL×Fα

(2)

其中,Convi×i(·)代表卷積操作,i代表卷積核大小;σ0為ReLU激活函數(shù);σ1為Softmax激活函數(shù)。以下公式參數(shù)同式(1)。

2.3.2 通道注意力模塊

深層特征包含豐富語(yǔ)義特征的同時(shí)分辨率較低,因此采用通道注意力,使模型更關(guān)注特征的通道信息。首先,使用卷積核大小為3×3、擴(kuò)張率各為1和2的兩個(gè)擴(kuò)張卷積分支對(duì)輸入的特征圖進(jìn)行分裂,得到兩個(gè)具有不同感受野大小的特征圖Fr1∈RC×H×W和Fr2∈RC×H×W,如公式(3)所示:

(3)

其中,Convi×i,r(·)代表擴(kuò)張卷積操作,i代表卷積核大小,r代表擴(kuò)張率。

然后,將兩個(gè)特征圖進(jìn)行相加融合,再進(jìn)行全局平均池化(gap)操作,得到具有全局感受野的特征。通過(guò)一個(gè)縮減維度的全連接(fc)提取特征,得到壓縮后的特征z∈Rd×1,如公式(4)所示:

z=w0(gap(Fr1+Fr2))

(4)

其中,w0∈Rd×C代表全連接的權(quán)值,d代表輸出維度。

最后,根據(jù)不同感受野的特征聚合信息,通過(guò)softmax函數(shù)產(chǎn)生兩個(gè)權(quán)值,分別映射到Fr1和Fr2各自的對(duì)應(yīng)通道,同時(shí)將Fr1和Fr2分別與兩個(gè)權(quán)值相乘。最終,將各自通道上的特征圖進(jìn)行相加,得到對(duì)通道信息動(dòng)態(tài)選擇后的特征圖Fc,可由公式(5)表示:

Fc=Fr1×σ1(z)+Fr2×σ1(z)

(5)

MLFA模塊的最終輸出結(jié)果Fout如公式(6)所示:

Fout=Fs+Fc

(6)

3 實(shí) 驗(yàn)

3.1 數(shù)據(jù)集與預(yù)處理

實(shí)驗(yàn)超聲乳腺腫瘤數(shù)據(jù)集共有791幅,來(lái)自?xún)蓚€(gè)公開(kāi)的超聲乳腺數(shù)據(jù)集UDIAT[22]和Dataset BUSI[23]。UDIAT中包含163幅超聲影像,其中110幅是良性腫瘤,53幅是惡性腫瘤,平均圖像大小為760×570像素。BUSI收集了628幅20～75歲女性的超聲乳腺腫瘤影像,其中包含419幅良性腫瘤和209幅惡性腫瘤,平均圖像大小為500×500像素。兩個(gè)數(shù)據(jù)集中的所有樣本均有一個(gè)病灶,且都帶有手工標(biāo)注的分割標(biāo)簽。

為了平衡數(shù)據(jù)集的良惡性分布,該文對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行混合分類(lèi)處理。將二者混合后按7∶1∶2的比例隨機(jī)劃分成訓(xùn)練集554張、驗(yàn)證集79張、測(cè)試集158張,其中良性與惡性腫瘤分布均以2∶1的比例保持不變。在實(shí)驗(yàn)中,圖像尺寸統(tǒng)一設(shè)置為128×128大小。

3.2 評(píng)價(jià)指標(biāo)

采用Dice系數(shù)、IoU、Precision和Recall作為評(píng)估分割模型性能的指標(biāo),計(jì)算公式分別如下:

(7)

(8)

(9)

(10)

其中,TP代表被正確分割的腫瘤區(qū)域,FP代表被誤分割為腫瘤的背景區(qū)域,FN代表被誤分割為背景的腫瘤區(qū)域。Dice系數(shù)是統(tǒng)計(jì)中衡量二元分類(lèi)模型精度的指標(biāo),值越接近1,分割結(jié)果越準(zhǔn)確。IoU是比較有限樣本集之間相似性和差異性的指標(biāo),值越大,相似性越高。Recall反映所有真實(shí)樣本中預(yù)測(cè)為正樣本的比例。Precision反映所有分割結(jié)果中預(yù)測(cè)為正的比例。這些客觀評(píng)價(jià)指標(biāo)對(duì)醫(yī)生進(jìn)行乳腺癌的病理診斷具有很好的分析價(jià)值。

另外,采用FLOPs作為評(píng)估模型復(fù)雜度的評(píng)價(jià)指標(biāo)。FLOPs為浮點(diǎn)運(yùn)算次數(shù),用于衡量模型的計(jì)算量。

3.3 模型訓(xùn)練

使用Python環(huán)境下的Pytorch深度學(xué)習(xí)框架,構(gòu)建網(wǎng)絡(luò)模型并完成實(shí)驗(yàn)。服務(wù)器硬件配置為Intel(R)Core(TM)i9-9900K CPU @ 3.60 GHz,GPU 顯卡配置為Nvidia GeForce RTX 2080,操作系統(tǒng)為Ubuntu 18.04。實(shí)驗(yàn)中使用he normal初始化網(wǎng)絡(luò)參數(shù),batch_size為8,epoch為100。模型優(yōu)化器為Adam。初始學(xué)習(xí)率為0.001,采用多步長(zhǎng)衰減策略進(jìn)行衰減。損失函數(shù)使用Dice Loss[24],其適用于目標(biāo)尺寸變化較大的圖像分割,并在訓(xùn)練過(guò)程中對(duì)難以學(xué)習(xí)的樣本進(jìn)行有針對(duì)性的優(yōu)化,從而緩解樣本分布不均衡帶來(lái)的負(fù)面影響,提升模型的性能。該損失函數(shù)如式(11)所示:

Diceloss(P,M)=1-Dice(P,M)=

(11)

其中,P代表模型分割的預(yù)測(cè)像素值,M代表簽像素值。

為了減少過(guò)擬合,并在有限訓(xùn)練樣本數(shù)量下進(jìn)行分割,對(duì)訓(xùn)練集所有樣本進(jìn)行數(shù)據(jù)增強(qiáng),包含以50%的概率進(jìn)行水平翻轉(zhuǎn)、豎直翻轉(zhuǎn)以及仿射變換等操作,增強(qiáng)后的訓(xùn)練集擴(kuò)充至原來(lái)的十倍。訓(xùn)練過(guò)程中使用相同的參數(shù)設(shè)置,同時(shí)通過(guò)驗(yàn)證集對(duì)結(jié)果進(jìn)行監(jiān)督,并取在驗(yàn)證集上損失最小的模型作為分割模型進(jìn)行測(cè)試。

3.4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證ResNet-34提取特征的能力,在U-Net的編碼部分使用層數(shù)不同的ResNet模型進(jìn)行對(duì)比實(shí)驗(yàn)。結(jié)果如表2所示,使用ResNet-34得出的分割結(jié)果要優(yōu)于使用ResNet-18與ResNet-50得出的結(jié)果。

表2 ResNet模型的對(duì)比結(jié)果

另外,為了驗(yàn)證文中所提的注意力機(jī)制的有效性,將兩個(gè)結(jié)合通道注意力和空間注意力的模塊CBAM[25]和SCSE[26]分別添加到U-Net的跳躍連接部分,與MLFA模塊進(jìn)行對(duì)比。表3為三種注意力機(jī)制的對(duì)比實(shí)驗(yàn)結(jié)果,MLFA模塊在各項(xiàng)指標(biāo)上均優(yōu)于CBAM和SCSE,證明了文中多層融合注意力機(jī)制的有效性。

表3 注意力機(jī)制的對(duì)比結(jié)果

將改進(jìn)模型與U-Net[9]、UNet++[12]、Attention U-Net[15](A-U-Net)、SK-U-Net[19]和RDAU-Net[14]五種分割網(wǎng)絡(luò)模型進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果如表4所示。與對(duì)比模型相比,文中模型在五項(xiàng)指標(biāo)上均有不同程度的提高。相較于其中效果最好的Attention U-Net,文中模型在Dice、IoU、Recall和Precision上分別提升了2.41、2.51、1.67以及2.16百分點(diǎn)。同時(shí),文中模型的FLOPs為3.05G,較Attention U-Net減少了40%,說(shuō)明文中模型在算法復(fù)雜度上具有較大優(yōu)勢(shì)。

表4 不同模型在指標(biāo)上的分割結(jié)果

總體來(lái)說(shuō),文中模型在保證準(zhǔn)確性的同時(shí),在性能上也取得了較好的表現(xiàn)。

圖4為文中模型的分割可視化效果對(duì)比。其中,圖(a)是測(cè)試集中的4幅受散斑噪聲干擾較大的原始超聲乳腺腫瘤圖像,圖(b)是圖(a)對(duì)應(yīng)的標(biāo)簽圖像。對(duì)于腫瘤邊界較為明顯的乳腺超聲圖像,例如第1幅圖,五種模型均能劃分出腫瘤的大致區(qū)域。其中SK-U-Net、RDAU-Net與文中模型在分割結(jié)果明顯更接近于標(biāo)簽圖像。但對(duì)于邊緣復(fù)雜或者小目標(biāo)的乳腺腫瘤區(qū)域,例如第4幅圖,由于周邊干擾因素較大,對(duì)比模型均存在將部分易混淆的背景區(qū)域誤分割為腫瘤區(qū)域的情況?？梢灾庇^看出,文中模型較其他模型分割效果較好,對(duì)于小目標(biāo)以及噪聲干擾大的超聲圖像魯棒性更強(qiáng),在分割腫瘤邊緣較復(fù)雜的超聲圖像時(shí)更接近標(biāo)簽圖像。

圖4 不同模型的分割結(jié)果對(duì)比

4 結(jié)束語(yǔ)

針對(duì)超聲乳腺腫瘤圖像中散斑噪聲較大、腫瘤邊緣模糊以及形狀復(fù)雜等問(wèn)題,基于U-Net提出了一種多層融合注意力的分割方法。在保持U-Net對(duì)稱(chēng)結(jié)構(gòu)的基礎(chǔ)之上,在編碼部分引入預(yù)訓(xùn)練模型ResNet-34,對(duì)輸入的圖像特征進(jìn)行提取。同時(shí),在跳躍連接部分引入MLFA模塊,通過(guò)混合注意力機(jī)制對(duì)圖像的深層特征和淺層特征進(jìn)行自適應(yīng)融合與增強(qiáng),進(jìn)一步提升了網(wǎng)絡(luò)的分割性能。通過(guò)實(shí)驗(yàn)證明,該方法較其他已有方法抗噪聲干擾更強(qiáng),對(duì)于不同尺寸、邊緣復(fù)雜的乳腺腫瘤都有較好的分割效果,分割結(jié)果的精度得到了有效提高。在未來(lái)的研究工作中,將著重結(jié)合改進(jìn)的損失函數(shù)提出更高效的分割網(wǎng)絡(luò),以實(shí)現(xiàn)更高精度的超聲乳腺腫瘤圖像的自動(dòng)分割。