陳思卓，趙萌，石凡，黃薇

1.學習型智能系統(tǒng)教育部工程研究中心，天津 300384；2.天津理工大學計算機科學與工程學院，天津 300384

0 引言

肺癌是全球發(fā)病率第二高、致死率最高的癌癥（Sung 等，2021），2020 年因肺癌死亡的患者占癌癥死亡患者數(shù)的18%（田艷濤和康文哲，2021）。肺癌的早期確診對提高患者的存活率有積極作用。臨床中可以通過CT（computed tomography）和MRI（magnetic resonance imaging）等影像學檢查，為肺癌的確診提供參考，但更嚴謹?shù)脑\斷是依靠病理分析檢查發(fā)現(xiàn)的腫瘤細胞。研究表明肺癌的出現(xiàn)通常會誘發(fā)患者出現(xiàn)胸腔積液（胸水）癥狀，在原發(fā)性肺癌和發(fā)生肺部轉(zhuǎn)移的癌癥患者的胸水中，能夠找到腫瘤細胞和腫瘤細胞團塊（Zhai 等，2017；Sarioglu 等，2015）。對胸水中的癌癥細胞進行分割，能夠幫助醫(yī)生及時確定患者肺部是否存在腫瘤細胞。同時，可以為進一步進行病理學分析，判斷肺癌腫瘤細胞的病理類型，確定腫瘤細胞的生物標記提供條件。對胸水以及胸水腫瘤細胞的分析能夠監(jiān)測患者疾病的發(fā)展情況（Nagrath 等，2007），為制定治療方案提供參考，避免延誤寶貴的早期治療時間。

醫(yī)學圖像的分割通常是生物醫(yī)學圖像分析的第一步（Caicedo 等，2019）。但人工評判存在主觀性強、費時費力的缺點。近年來使用計算機輔助癌癥組織細胞分割的技術(shù)得到了發(fā)展。利用計算機對細胞組織進行分割，有著分割結(jié)果定量客觀、分割速度快的優(yōu)點。同時，使用計算機技術(shù)輔助醫(yī)學圖像處理，能夠從常規(guī)的癌癥組織學圖像中提取潛在的有用信息（Echle等，2021）。在過去幾年中深度學習網(wǎng)絡(luò)在細胞分割領(lǐng)域有著優(yōu)秀的表現(xiàn)。經(jīng)典的語義分割神經(jīng)網(wǎng)絡(luò)包括在對稱的編碼器—解碼器結(jié)構(gòu)中引入跳躍連接，在解碼中利用底層特征的 UNet（Ronneberger 等，2015）。在上采樣中利用低層池化信息的SegNet（Badrinarayanan 等，2015），使用不對稱卷積與空洞卷積令SegNet 模型體積降低、速度提高的ENet（efficient neural network）（Paszke 等，2016）。將每個編碼器與解碼器相連接，使編碼器的輸入連接到對應(yīng)解碼器的輸出上，恢復(fù)降采樣操作中丟失的空間信息的LinkNet（Chaurasia 和Culurciello，2017）。這些網(wǎng)絡(luò)在語義分割領(lǐng)域都取得了比較好的成果。其中UNet 通過其U 形結(jié)構(gòu)，在解碼層使用跳躍連接的方式將圖像的高層信息與圖像的淺層信息相結(jié)合，使各層次的信息得以保留，提高了淺層特征的利用率，令網(wǎng)絡(luò)能夠?qū)W習多尺度特征。這一特性使UNet 擅長處理目標邊界不規(guī)則、樣本稀缺的醫(yī)學圖像分割問題。因此，UNet 及其衍生網(wǎng)絡(luò)結(jié)構(gòu)廣泛應(yīng)用于醫(yī)學圖像分割任務(wù)中。

盡管醫(yī)學圖像分割已經(jīng)進行了廣泛的研究，但是顯微圖像中胸水腫瘤細胞團塊的分割仍然富有挑戰(zhàn)。腫瘤團塊細胞具有特征復(fù)雜細微、形態(tài)較小且形態(tài)多變的特點（陳潁鍶 等，2021）。在臨床分析中，胸水腫瘤細胞通常使用瑞—吉式染液、HE（hematoxylin-eosin）染色、腫瘤細胞涂片等方法進行細胞學分析。但是上述染色方法存在著色質(zhì)量差、染色質(zhì)量不穩(wěn)定的缺點（McGrath 等，2014）。為避免因染色質(zhì)量問題造成細胞邊界不明顯，細胞間對比度降低，對分割結(jié)果造成不良影響，本文使用未染色的胸水腫瘤細胞團塊顯微圖像作為分割對象。但仍然面對如下挑戰(zhàn)：1）細胞之間存在大量遮擋、粘連現(xiàn)象，容易導(dǎo)致分割不足，如圖1 所示；2）細胞顏色和背景相似，導(dǎo)致細胞邊界模糊，同時胸水腫瘤細胞沒有特定的形狀，細胞形態(tài)特征不明顯；3）在顯微鏡下，胸水圖像背景中存在著粒細胞、淋巴細胞、間皮細胞、腫瘤細胞等多種細胞成分（趙莉邐，2020），干擾分割結(jié)果；4）關(guān)于胸水腫瘤細胞團塊國內(nèi)外的研究都比較少（趙莉邐，2020），胸水腫瘤細胞團塊顯微圖像數(shù)據(jù)獲取比較困難。

圖1 胸腔積液腫瘤細胞團塊顯微圖像Fig.1 Microscopic image of a tumor cell mass in pleural effusion

圖2 網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.2 Basic structure of the network

為解決現(xiàn)有胸水腫瘤細胞團塊顯微圖像分割中存在的挑戰(zhàn)，本文提出以 UNet 為基礎(chǔ)，引入過參數(shù)卷積DO-conv（depthwise over-parameterized convolutional layer）（Cao 等，2022）與 CBAM（convolutional block attention module）（Woo 等，2018）注意力機制的分割方法。改進原有的UNet網(wǎng)絡(luò)，將網(wǎng)絡(luò)中的卷積操作替換為結(jié)合了深度卷積和傳統(tǒng)卷積操作的過參數(shù)卷積（DO-conv），在維持相同網(wǎng)絡(luò)深度的情況下，加強網(wǎng)絡(luò)對圖像特征的提取能力，解決細胞特征不明顯的問題。同時，在網(wǎng)絡(luò)底端編碼器向解碼器過渡的位置加入 CBAM 注意力模塊，將模型的注意力集中在目標細胞，抑制網(wǎng)絡(luò)提取無效特征（Wang等，2021；馬思珂 等，2022），加強網(wǎng)絡(luò)對非顯著特征的感知能力，提高細胞定位精度。經(jīng)過實驗對比，本文方法的分割效果優(yōu)于UNet、UNet++（Zhou等，2018）、ResUNet（Xiao 等，2018）、Attention-UNet（Oktay 等，2018）、UNet3+（Huang 等，2020）和U2Net（Qin 等，2020）。

本文的主要工作是：1）使用過參數(shù)卷積替換UNet 中的卷積操作，提高網(wǎng)絡(luò)對特征的提取能力；2）引入注意力機制，充分利用提取的有用特征，抑制無用特征；3）建立一個胸腔積液腫瘤細胞團塊顯微圖像的細胞語義分割數(shù)據(jù)集。

1 方 法

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

DOCUNet（depthwise over-parameterized CBAM UNet）是基于UNet提出的網(wǎng)絡(luò)結(jié)構(gòu)，繼承了UNet的編碼器—解碼器結(jié)構(gòu)，在解碼階段通過跳躍連接融合圖像深層與淺層的特征。整體的網(wǎng)絡(luò)結(jié)構(gòu)如圖 2所示，分為特征提取、特征增強和特征解碼3部分。

由于胸水腫瘤細胞團塊顯微圖像分割的難點在于與細胞和背景對比度低、細胞聚集，導(dǎo)致細胞的邊界特征不明確。本文在特征提取和特征解碼階段使用3 × 3 過參數(shù)卷積（DO-conv）替換常規(guī)的3 × 3 卷積，加強網(wǎng)絡(luò)對圖像特征的提取能力。在每次卷積操作后加入批歸一化（batch normalization，BN）（Ioffe和Szegedy，2015）處理，并通過ReLU（rectified linear unit）函數(shù)進行激活。在網(wǎng)絡(luò)底端編碼器向解碼器過渡部分，使用 CBAM 注意力模塊。運用通道注意力機制與空間注意力機制，提高網(wǎng)絡(luò)對全局信息的利用率，加強最高維的特征圖中重要的特征并且抑制冗余特征，提高解碼時高維特征的質(zhì)量。隨后進行跳接與特征解碼操作，最后通過1 × 1 卷積和sigmoid 函數(shù)輸出預(yù)測結(jié)果。

1.2 DO-conv

卷積操作是特征提取階段的關(guān)鍵操作，考慮到胸水腫瘤細胞顯微圖像中細胞特征不明確、細胞邊界模糊的特點，提高編碼器特征提取能力是必要的。在傳統(tǒng)方法中，加深網(wǎng)絡(luò)模型深度是提高模型特征提取能力的常見做法，但是這種操作在增加模型計算量的同時，網(wǎng)絡(luò)過深還可能造成梯度消失。為了提高模型特征提取能力而盲目加深網(wǎng)絡(luò)模型并不是普適的方法。本文采用融合深度卷積和傳統(tǒng)卷積的過參數(shù)卷積（DO-conv）替代傳統(tǒng)卷積，提高模型提取能力，同時保持網(wǎng)絡(luò)模型深度不變。在卷積操作中采用滑動窗口的方式，將步長設(shè)置為1，使輸入圖像分成多個大小與卷積核相等的塊（patch），卷積核對每個patch 進行特征提取。在DO-conv 中先對每個patch 進行深度卷積，再對結(jié)果進行傳統(tǒng)卷積，最后輸出提取到的特征。具體處理過程如圖3所示。

圖3 DO-conv計算過程Fig.3 DO-conv calculation process

式中，Ο 為深度卷積運算符，Θ 為傳統(tǒng)卷積運算符，P′表示深度卷積的中間結(jié)果，P′∈

在深度卷積操作中，可訓(xùn)練卷積核K 是一個3D tensor，表示為K∈，D為深度卷積的深度。如圖3 所示，P′中的每一個元素都是P 按通道與K 中垂直向量點積得到的（圖3 中綠色方塊）。通過深度卷積，將H×W維的特征圖轉(zhuǎn)變?yōu)镈維特征圖，輸出P′通過2D tensor 表示為P′∈深度卷積操作的計算為

如圖3 所示，H×W=4，Cin=3，D=5。P 經(jīng)過深度卷積后得到P′，隨后對P′進行傳統(tǒng)卷積操作（圖3 中黃色方塊），特征圖輸出通道為Cout，P′沿著C（C∈的Cout方向進行點積，輸出F 用1D tensor表示為F∈傳統(tǒng)卷積操作的計算式為

在 DO-conv 中輸入圖像的H×W維特征先被映射為D維特征，隨后通過傳統(tǒng)卷積操作使輸出向量大小和傳統(tǒng)卷積操作相同。由于卷積過程中D≥(H×W)，DO-conv 在輸出相同大小的特征圖的時候形成了過參數(shù)化的卷積操作，增加了模型在特征提取階段的可訓(xùn)練參數(shù)，增強了模型對特征的提取能力，有助于解決分割任務(wù)中因為細胞未染色所造成的細胞特征不明顯的問題。

1.3 CBAM 模塊

在模型的特征提取階段，編碼器由卷積層、池化層、激活函數(shù)和批歸一化層這些基礎(chǔ)計算模塊組成。其中，池化層會減小特征圖的尺寸，使得模型可以看做是一種層次表示學習算法。若將卷積神經(jīng)網(wǎng)絡(luò)不同層次的特征圖視做不同語義層次的表征，淺層的特征圖擁有豐富的語義信息，用于提取細胞邊緣等基礎(chǔ)特征；深層的特征圖可以提取抽象的語義信息，并保持一定空間聯(lián)系（郭璠 等，2021）。多次池化操作會導(dǎo)致網(wǎng)絡(luò)感受視野逐漸縮小，使網(wǎng)絡(luò)過分關(guān)注局部特征，忽略特征與全局特征的聯(lián)系。同時胸水腫瘤細胞團塊細胞內(nèi)部的特征十分細微，細胞核膜等細節(jié)信息容易在多次池化后丟失，對應(yīng)的梯度信息得不到網(wǎng)絡(luò)的關(guān)注，這在編碼器末端輸出的特征圖中尤為明顯。為緩解這一現(xiàn)象，對特征提取末端輸出的最高維特征圖使用CBAM 注意力模塊，用其形成的注意力圖對提取到的特征進行權(quán)重的再分配。CBAM 分為空間注意力和通道注意力兩部分，空間注意力機制利用空間信息為每個像素進行加權(quán)輸出，從而增強感興趣的目標區(qū)域，同時弱化不相關(guān)的背景區(qū)域，提升關(guān)鍵區(qū)域的特征表達。通道注意力利用高維特征通道中每個通道的相關(guān)性，對不同的特征通道賦予不同的權(quán)重系數(shù)，從而強化重要特征，抑制非重要特征。CBAM 注意力模塊的組成如圖4所示。

圖4 CBAM注意力模塊Fig.4 CBAM attention module

在CBAM 注意力模塊中，通道注意力模塊使用平均池化操作和最大池化操作進行信息采集，形成兩幅特征圖。通過共享全連接層降維后，將兩幅特征圖相加，經(jīng)過sigmoid 激活函數(shù)后得到特征的權(quán)重系數(shù)，最后與輸入特征圖相乘得到新的特征。通道注意力Ac計算為

式中，F(xiàn)是輸入特征圖，a和v分別是最大池化和平均池化操作，M為全連接降維操作，σ是sigmoid 激活函數(shù)。

空間注意力模塊則沿著通道軸分別應(yīng)用最大池化操作和平均池化操作，將獲得的特征圖拼接起來，通過7 × 7 的卷積和sigmoid 激活函數(shù)進行空間注意力映射，空間注意力As計算為

式中，F(xiàn)c是通道注意力生成的特征圖，C7×7是卷積核大小為7 × 7的卷積操作。

在CBAM 注意力模塊中，空間注意力模塊對輸入特征進行細胞與背景區(qū)域的語義區(qū)分，通道注意力加強對細胞不規(guī)則輪廓信息的學習，二者結(jié)合產(chǎn)生注意力映射圖。將注意力映射圖和輸入特征圖逐元素相乘形成完整的權(quán)重圖，完成對特征權(quán)重的再分配。整個CBAM處理流程為

式中，Ac和As分別為通道注意力和空間注意力，F(xiàn)c和Fs是它們生成的注意力映射圖。

2 實驗與結(jié)果分析

2.1 數(shù)據(jù)的收集和數(shù)據(jù)的預(yù)處理

胸水腫瘤細胞顯微圖像由天津醫(yī)科大學提供，邀請病理學專家在腫瘤細胞團塊標記（Ma 等，2021）的基礎(chǔ)上進一步篩選并且標記出每個細胞的邊界。最終得到117 幅圖像，每幅圖像的尺寸為1 024 × 1 280 像素。圖像中包含一處或多處腫瘤細胞團塊，其中包含1～2 處腫瘤細胞團塊的顯微圖像有77 幅，包含3～7 處腫瘤細胞團塊的顯微圖像有40 幅，具體數(shù)量分布如圖5 所示。將117 幅圖像劃分為5 個數(shù)據(jù)子集進行5 折交叉驗證，訓(xùn)練中4 個作為訓(xùn)練集，1 個作為驗證集。在訓(xùn)練開始前，從訓(xùn)練集先隨機抽取17 幅圖像構(gòu)成測試集。最終訓(xùn)練時，數(shù)據(jù)集被分配為76幅圖像的訓(xùn)練集，17幅圖像的測試集，24幅圖像的驗證集。

圖5 顯微圖像中腫瘤細胞團塊數(shù)量分布柱狀圖Fig.5 Histogram of the distribution of the number of tumor cell clusters in micrographs

在訓(xùn)練過程中，為增強模型的魯棒性，同時避免模型過擬合，對訓(xùn)練集進行數(shù)據(jù)擴充。使用的方法包括按照0.5的概率進行左右水平翻轉(zhuǎn)，按照0.8的概率進行面積0.8 倍的縮放，按照0.5 的概率進行上下翻轉(zhuǎn)，按照 0.8 的概率隨機將圖像順時針旋轉(zhuǎn)-10°～10°，最終將訓(xùn)練集擴充至4 000 例。在數(shù)據(jù)輸入網(wǎng)絡(luò)前，使用OpenCV（Open Source Computer Vision Library）提供的像素區(qū)域關(guān)系重采樣法將圖像尺寸轉(zhuǎn)變?yōu)?256 × 256 像素。計算數(shù)據(jù)集中RGB三通道的均值和標準差，對數(shù)據(jù)集進行全局歸一化處理。

2.2 實驗環(huán)境與實驗參數(shù)設(shè)置

實驗使用 PyTorch1.11.0 框架，在一臺GPU 型號為Nvidia Geforce RTX 3090，CUDA 版本為11.3 的計算機上運行。實驗過程中初始學習率為 0.003，采用Adam（Kingma 和Szegedy，2017）算法對二分類交叉熵（binary cross entropy，BCE）損失函數(shù)進行優(yōu)化，實驗中模型均經(jīng)過50次迭代。

2.3 評價指標

使用交并比（intersection over union，IoU）、Dice系數(shù)（Dice，1945）、精確率、召回率和豪斯多夫距離（Hausdorff distance95，HD95）作為評價指標，多角度地評估模型性能。

精確率與召回率的取值范圍為［0，1］，精確度越高代表錯誤預(yù)測的像素越少，召回率越高則代表漏檢的像素越少。

IoU 與Dice 系數(shù)均為度量樣本集合相似度的度量函數(shù)，常用于評估醫(yī)學圖像分割的結(jié)果。取值范圍為［0，1］，越大則代表標注的掩膜與預(yù)測的掩膜重合的區(qū)域越大，分割效果越好。

豪斯多夫距離是描述兩組點集之間相似程度的一種量度，表示分割結(jié)果與標注結(jié)果兩個點集之間最短距離的最大值。豪斯多夫距離可以度量細胞團塊分割任務(wù)中分割結(jié)果邊緣與掩膜邊緣之間最大不匹配程度。為消除離群點對影響，采用HD95 作為本文方法的評估指標。

2.4 對比實驗

為了驗證模型的有效性，將提出的網(wǎng)絡(luò)模型與UNet、UNet++、ResUNet、Attention-UNet 和UNet3+一起進行5 折交叉驗證實驗。實驗結(jié)果如表1 和表2所示。

表1 不同模型在5折交叉驗證中評價指標均值Table 1 The average value of evaluation indicators by different methods using 5-flod cross validation

表2 不同模型在5折交叉驗證中評價指標方差Table 2 The standard deviation of evaluation indicators by different methods using 5-flod cross validation

從表1 和表2 可以看出，在IoU、Dice 系數(shù)、精確度、HD95上本文模型都優(yōu)于其他模型，并且除HD95以外，所有的評價指標中本文方法的方差都是最小的。與UNet相比本文提出的方法在IoU、Dice 系數(shù)、精確度和召回率上分別提高了2.80%、1.65%、1.47%和1.36%。

為進一步驗證本文模型的性能，對不同模型的分割結(jié)果進行展示，結(jié)果如圖6所示。

圖6 本文算法與多種算法的分割結(jié)果對比Fig 6 Comparison of segmentation results between the algorithm in the paper and multiple algorithms（（a）original images；（b）ground truth；（c）UNet；（d）ResUNet；（e）Attention-UNet；（f）UNet++；（g）UNet3+；（h）U2Net；（i）ours）

從分割結(jié)果上來看，ResUNet 因為跳接跨度大，部分語義信息提取不充分，導(dǎo)致分割時容易將背景中的干擾細胞誤分為胸水腫瘤細胞。UNet++在背景中存在大量與腫瘤細胞相似的干擾細胞，且腫瘤團塊細胞顏色與背景相似時容易出現(xiàn)誤分割的情況。UNet 在細胞和背景對比度低、細胞膜邊緣特征不明顯時，容易出現(xiàn)欠分割與漏分割。U2Net 細胞邊緣分割效果較好，但是面對背景復(fù)雜或細胞粘連嚴重的情況，U2Net 仍存在漏分割與誤分割。面對腫瘤細胞相互重疊、細胞間粘連嚴重的圖像中，本文提出的方法即使在細胞粘在一起形成緊密的團塊，依然能夠分割出細胞之間的間隙。當細胞團塊中心出現(xiàn)干擾時，本文提出的方法也能對細胞團塊進行精確分割。綜合考慮腫瘤團塊細胞分割的精確度與完整度，本文提出的DOCUNet 在胸水腫瘤細胞團塊分割的任務(wù)上取得最好的結(jié)果。

2.5 消融實驗

在5折交叉驗證實驗的過程中，在進行第5次驗證實驗時，所有模型均出現(xiàn)了較大的精度波動現(xiàn)象。如表3 所示，本文提出的網(wǎng)絡(luò)在第5 次驗證實驗中，在IoU、Dice 系數(shù)、精確率與召回率中均取得了最好的結(jié)果，且在IoU與召回率指標中波動最小。

表3 第5次實驗各評價指標及與均值的波動Table 3 The fifth experiment of each evaluation indicators and the fluctuation with the average value

為研究本文所提出網(wǎng)絡(luò)模型精度波動較小的原因，在第5 次驗證實驗中的胸水腫瘤細胞團塊顯微圖像數(shù)據(jù)集上進行消融實驗，對過參數(shù)卷積（DOconv）和CBAM 模塊的作用進行研究與討論，實驗結(jié)果如表4所示。從表4中可以看出，獨立地使用過參數(shù)卷積或CBAM 注意力模塊都能為模型在IoU，Dice系數(shù)與召回率上帶來提升。使用CBAM 注意力模塊特征圖進行處理，有效地加強了腫瘤細胞中非顯著特征的權(quán)值，使召回率有較大提升。使用 DO-conv卷積替換傳統(tǒng)卷積操作則通過加強網(wǎng)絡(luò)對圖像特征的提取能力，加強模型對細胞不規(guī)則邊界的感知能力，從而抑制模型的過分割，提高最終結(jié)果的精確率。

表4 各模塊消融后的評價指標對比Table 4 Comparison of evaluation indexes after ablation of each module

各模塊消融后分割結(jié)果對比如圖7所示。從圖7第1、2 行可以看出，當圖像中目標細胞與背景對比度低，且背景中存在大量干擾細胞的圖像時，UNet出現(xiàn)了漏分割。使用 CBAM 注意力模塊對網(wǎng)絡(luò)編碼器提取的特征進行再分配后，有效緩解了UNet面對特征不明顯圖像的漏分割問題，使用 DO-conv 卷積加強模型對細胞特征的提取能力也能取得近似的結(jié)果。

圖7 各模塊消融后分割結(jié)果對比Fig.7 Comparison of segmentation results after ablation of each module（（a）original images；（b）ground truth；（c）UNet；（d）UNet+CBAM；（e）UNet+DO-conv；（f）ours）

從圖7 第3、4 行可以看出，使用UNet 分割緊密的腫瘤細胞團塊時，存在細胞邊緣模糊的現(xiàn)象，使用CBAM 注意力模塊或DO-conv 都可以緩解分割結(jié)果中細胞邊緣模糊的問題，HD95指標的降低證明了改進的有效性，本文提出的DOCUNet 網(wǎng)絡(luò)則可以分割出清晰的細胞邊界。

消融實驗結(jié)果的ROC（receiver operating characteristic）曲線和AUC（area under curve）值如圖8所示。

圖8 各模塊消融后分割結(jié)果的ROC曲線Fig.8 ROC curve of segmentation results after ablation of each module

為了進一步解釋使用的兩種方法對模型的具體影響，使用基于Grad-CAM（gradient-weighted class activation mapping）（Selvaraju 等，2020）的SEGGradCAM（semantic segmentation via gradientweighted class activation mapping）（Vinogradova 等，2020）算法對實驗結(jié)果繪制了類激活熱力圖。結(jié)果如圖 9 所示。

從圖9 第1、2 行可以看出，UNet 主要的關(guān)注點在于細胞的邊界，對于細胞的中心關(guān)注度較低。解釋了為什么當輸入圖像中腫瘤細胞邊界不明確，且背景中有大量干擾細胞時 UNet 出現(xiàn)了漏分割現(xiàn)象。作為對比當 UNet 網(wǎng)絡(luò)結(jié)構(gòu)和CBAM 相結(jié)合時（圖9 第1 行）細胞內(nèi)的激活熱力圖從藍色變成了黃色到紅色，這表明網(wǎng)絡(luò)關(guān)注到了細胞內(nèi)部。同時，UNet 未識別的左右兩處的細胞都受到了網(wǎng)絡(luò)的關(guān)注。證明當背景中存在大量干擾細胞時，CBAM 注意力模塊可以通過抑制背景特征，突出腫瘤細胞特征來提高分割精度。

圖9 模塊消融后的類激活熱力圖Fig.9 Thermogram of class activation after ablation of each module（（a）original images；（b）ground truth；（c）UNet；（d）UNet+CBAM；（e）UNet+DO-conv；（f）ours）

從圖9 第3 行可以看出，使用DO-conv 后的網(wǎng)絡(luò)在關(guān)注腫瘤細胞內(nèi)的語義信息的同時，也能兼顧腫瘤細胞的細胞邊界，使網(wǎng)絡(luò)在面對形狀不規(guī)則的細胞時能實現(xiàn)精確分割。面對細胞形態(tài)不規(guī)則、細胞間相互重疊的復(fù)雜分割情況，雖然使用DO-conv 進行分割可以有效提取圖像特征，但從圖9第4行可以看出，網(wǎng)絡(luò)模型對細胞內(nèi)部的關(guān)注度較低。然而，加入CBAM 模塊形成本文提出的DOCUNet 網(wǎng)絡(luò)后，這種情況得到了改善。在圖9 第4 行中，DOCUNet 繪制的激活熱力圖顯示細胞內(nèi)部基本上都是紅色與亮黃色的，并且細胞與細胞之間的邊界清晰可見，表明該網(wǎng)絡(luò)對細胞內(nèi)部和細胞邊界的關(guān)注度都很高，充分利用了圖像中的語義信息。

3 結(jié)論

針對胸腔積液腫瘤細胞團塊顯微圖像分割問題，本文提出了 DOCUNet 語義分割模型，實現(xiàn)了端到端的胸水腫瘤細胞團塊分割。實驗中為避免因胸水腫瘤細胞染色不均對實驗結(jié)果造成不可預(yù)測的影響，本文采用未染色的細胞圖像。通過使用過參數(shù)卷積層（DO-conv）替換傳統(tǒng)卷積操作以解決胸水腫瘤細胞團塊顯微圖像存在的細胞聚集、細胞形態(tài)多樣、細胞膜分界不明顯的問題?？紤]到背景中干擾細胞多且細胞內(nèi)部存在細微特征信息，使用 CBAM注意力模塊對網(wǎng)絡(luò)模型提取到的特征進行權(quán)重再分配，提高對腫瘤細胞的識別能力。通過5 折交叉驗證實驗證明了所提方法的有效性。實驗中所提方法的平均IoU、Dice系數(shù)、精確率、召回率和豪斯多夫距離為0.858 0、0.920 4、0.928 2、0.920 3 和18.17，且除豪斯多夫距離外，本文方法的各指標方差最小。實驗結(jié)果對比UNet 網(wǎng)絡(luò)，各項指標分別提高了2.80%、1.65%、1.47%和1.36%，豪斯多夫距離下降了41.16%，在分割結(jié)果中本文提出的方法取得了最優(yōu)結(jié)果。在消融實驗中使用ROC 曲線和類激活熱力圖（SEG-GradCAM），驗證了過參數(shù)卷積與CBAM 注意力模塊，能夠增強網(wǎng)絡(luò)模型對腫瘤細胞非顯著信息的提取，使網(wǎng)絡(luò)注意到細胞內(nèi)部的特征信息，提高網(wǎng)絡(luò)模型的分割能力。

對胸水腫瘤細胞進行檢測是篩查肺癌的一種方式，當前國內(nèi)外較少針對該檢測方式的研究，對胸水腫瘤細胞團塊的分割是深入研究腫瘤細胞的預(yù)處理步驟之一。目前受限于可靠的標注數(shù)據(jù)數(shù)量和胸水腫瘤細胞形態(tài)與所處環(huán)境的復(fù)雜性，對團塊細胞的分割仍存在漏檢以及分割不全面的現(xiàn)象。接下來可以從細胞圖像樣本分布的特點，消除不同光照條件對圖像的影響，對算法進行進一步的優(yōu)化。收集更多數(shù)據(jù)，建立不同時期肺癌患者的胸水腫瘤細胞數(shù)據(jù)庫，輔助醫(yī)生對于肺癌不同階段的診斷。同時，對結(jié)合深度卷積與傳統(tǒng)卷積的過參數(shù)卷積以增加線性變化的方式，帶來網(wǎng)絡(luò)性能提升的原因進行進一步的研究。