賈熹濱, 孫馨蕊, 楊正漢, 楊大為, 王 珞, HONG Min

(1.北京工業(yè)大學(xué)信息學(xué)部, 北京 100124; 2.首都醫(yī)科大學(xué)附屬北京友誼醫(yī)院放射科, 北京 100050;3.順天鄉(xiāng)大學(xué), 水原 336-745, 韓國)

準(zhǔn)確識(shí)別肝血管對(duì)于肝臟局灶性病變的定位、制定肝臟切除手術(shù)方案、評(píng)估肝臟實(shí)質(zhì)病理及影像改變等均有重要價(jià)值。過去對(duì)肝臟大血管的分割主要依據(jù)醫(yī)生的手工標(biāo)注,但該方法存在費(fèi)時(shí)、低效、醫(yī)生間不一致等局限性。因此,實(shí)現(xiàn)全自動(dòng)、高精度、高效及一致性的肝血管圖像分割具有重要的臨床應(yīng)用價(jià)值。

傳統(tǒng)肝血管分割方法主要有基于閾值的分割方法[1-3]、基于區(qū)域生長的分割方法[4-6]、基于活動(dòng)輪廓模型的分割方法[7-8]等。但由于肝臟圖像灰度信息常常較為復(fù)雜,個(gè)體差異性較強(qiáng),以上手動(dòng)設(shè)計(jì)特征提取模塊的方法能夠提取的特征較少,所提出的模型通常泛化性較差,且具有較大的局限性。

目前基于深度學(xué)習(xí)的肝血管分割方法主要基于兩大類,2D的分割模型和3D的分割模型。很多現(xiàn)有的肝血管分割方法基于2D分割模型實(shí)現(xiàn)。Kitrungrotsakul等[9-10]利用3個(gè)特征提取網(wǎng)絡(luò),分別從肝臟計(jì)算機(jī)斷層掃描(computed tomography,CT)圖像的冠狀面、矢狀面、橫截面3個(gè)方向進(jìn)行分割,再將所得結(jié)果融合獲得最終的分割結(jié)果。Ibragimov等[11]提出的模型具有和U-Net[12]相似的結(jié)構(gòu),并通過馬爾可夫隨機(jī)場(chǎng)(Markov random fields, MRFs)對(duì)肝門靜脈中心線進(jìn)行增強(qiáng),以去除錯(cuò)誤分割的部分。Feng等[13]提出邊緣競(jìng)爭(zhēng)血管分割網(wǎng)絡(luò)用于病理肝臟血管的分割,結(jié)合邊緣感知自我監(jiān)督機(jī)制,以有限標(biāo)記信息進(jìn)行血管分割。同時(shí),以對(duì)抗的方式優(yōu)化前背景分割信息。Li等[14]提出了一種分階段的深度網(wǎng)絡(luò),利用注意力機(jī)制加強(qiáng)這些區(qū)域低對(duì)比度毛細(xì)血管的空間激活?？梢钥闯?該方法以提升血管分割的結(jié)構(gòu)性為主要目標(biāo),提出了不同的解決方案。但對(duì)于2D的分割模型而言,由于沒有利用切片間的連續(xù)信息,分割精度和分割結(jié)果的連續(xù)性有所限制。

為更好獲取上下文信息,研究者將3D卷積神經(jīng)網(wǎng)絡(luò)用于肝血管分割任務(wù)中。Huang等[15]為了處理肝血管和肝背景類別之間的高度不平衡,提出了一種基于骰子系數(shù)變量的損失函數(shù),用于增加對(duì)誤分類像素的懲罰。孫錦峰等[16]提出一個(gè)二階段的三維卷積神經(jīng)網(wǎng)絡(luò)用于分割肝靜脈和肝門靜脈,在網(wǎng)絡(luò)的第1階段分割全部肝血管,第2階段分割肝門靜脈,通過2個(gè)階段的結(jié)果分離出肝靜脈。Yan等[17]利用注意力機(jī)制和多尺度融合的方法對(duì)肝臟CT圖像的全血管進(jìn)行分割,以提升不同尺度的肝血管的分割效果。Yang等[18]在V-Net的基礎(chǔ)上引入擴(kuò)張卷積,使網(wǎng)絡(luò)在不使用下采樣的情況下仍能擴(kuò)大感受野。同時(shí),在網(wǎng)絡(luò)的解碼器中設(shè)計(jì)了尺度間的密集連接,以防止解碼過程中高層語義信息的丟失,并有效地整合多尺度特征信息。Su等[19]將密集塊結(jié)構(gòu)引入V-Net中,并提出了雙分支密集連接下采樣策略,用于更好地捕捉肝臟血管特征。3D分割模型雖然能夠利用圖像中相鄰切片的連續(xù)信息,但是由于血管細(xì)小且分布在整個(gè)肝區(qū)域內(nèi),標(biāo)注一例質(zhì)量較好的血管標(biāo)注信息通常需要花費(fèi)大量的時(shí)間,因此獲得大量的、標(biāo)注質(zhì)量好的血管標(biāo)注數(shù)據(jù)較為困難。這為分割精度的提升帶來了很大的局限性。其次,肝血管數(shù)據(jù)集的層間距通常在1.5～7.5 mm,由于層間距的問題,相鄰2個(gè)切片上可能存在信息突變的現(xiàn)象。圖1為同一病例的2張相鄰切片,由紅框部分可以看出一些細(xì)小的肝血管在相鄰切片上已無法觀察到。因此,在引入上下文信息的同時(shí)也為模型帶來更多的冗余信息。

圖1 相鄰層切片數(shù)據(jù)

一方面,2D網(wǎng)絡(luò)缺少上下文信息;另一方面,由于缺乏大量標(biāo)注數(shù)據(jù)用于訓(xùn)練,3D網(wǎng)絡(luò)的模型訓(xùn)練效果常不理想。為解決上述問題,本文提出局部-長距離-相鄰信息融合模塊,并基于該模塊改進(jìn)并優(yōu)化了U-Net網(wǎng)絡(luò)結(jié)構(gòu),本文將編碼階段的每一個(gè)卷積層優(yōu)化為本文的局部-長距離-相鄰信息融合模塊,同時(shí)提取特征圖局部信息、長距離相關(guān)信息和相鄰切片融合信息,并對(duì)不同分支的信息進(jìn)行特征融合。此種融合模式在提升網(wǎng)絡(luò)特征提取能力的同時(shí),有效地減少在下采樣過程中信息損失的問題,提升分割的效果。

1 基于結(jié)構(gòu)感知的肝血管分割網(wǎng)絡(luò)

本文提出一種基于結(jié)構(gòu)感知的肝血管分割網(wǎng)絡(luò)(local-global-adjacent information fusion U-Net,LGA U-Net), 網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。該網(wǎng)絡(luò)是基于U-Net改進(jìn)的端到端2D肝血管分割網(wǎng)絡(luò)。其輸入為分割切片及其相鄰2張切片,輸出為肝血管分割結(jié)果。網(wǎng)絡(luò)的解碼階段仍采用U-Net的解碼器,而將U-Net編碼器中的編碼層操作改進(jìn)為本文提出的局部-長距離-相鄰信息融合模塊(local-global-adjacent information fusion module, LGA),LGA模塊可以同時(shí)獲取局部、長距離和相鄰切片上下文信息并進(jìn)行融合,為解碼階段提供充足的語義信息。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)

1.1 LGA模塊

LGA模塊的結(jié)構(gòu)如圖3所示,該模塊由殘差卷積模塊、長距離信息獲取模塊和相鄰信息提取模塊組成。給定特征圖通道數(shù)C、高H和寬W。其中,殘差卷積模塊用于獲取特征圖相鄰像素之間的局部信息,長距離信息模塊用于獲得特征圖像素間的長距離依賴關(guān)系,相鄰信息提取模塊用于提取相鄰切片信息作為分割的補(bǔ)充信息。3個(gè)模塊的輸出特征圖FL、FG和FA相互補(bǔ)充,有效提升網(wǎng)絡(luò)特征提取的能力。

圖3 LGA模塊結(jié)構(gòu)

1.1.1 殘差卷積模塊

本文的殘差卷積模塊如圖4所示。受到ResNet[20]中殘差網(wǎng)絡(luò)的啟發(fā),該模塊包含2個(gè)卷積層。每個(gè)卷積層包含一個(gè)3×3的卷積核,一個(gè)批標(biāo)準(zhǔn)化(batch normalization, BN)操作和一個(gè)帶泄露的修正線性單元(leaky ReLU, LReLU)操作。輸入的特征圖在經(jīng)過2個(gè)上述的卷積層后,將輸出結(jié)果與輸入特征圖相加,得到該模塊的輸出FL。

圖4 本文使用的殘差卷積模塊

1.1.2 長距離信息提取模塊

獲取圖像的長距離依賴對(duì)于圖像分割任務(wù)而言是十分有利的,它相對(duì)于局部感受野而言能夠獲得圖像整體的信息,而在卷積神經(jīng)網(wǎng)絡(luò)中,遠(yuǎn)距離的像素依賴需要卷積層逐層遞推向前迭代獲得。在卷積疊加的過程中,由于感受野的限制,長距離的信息往往在信息傳遞過程中逐漸丟失,尤其是對(duì)于血管這種管狀且細(xì)小的目標(biāo)而言則更為不利。

考慮到自注意力機(jī)制能夠有效地提取長距離像素間的關(guān)系,在卷積層操作之間輕量地捕獲輸入特征圖所有像素間的依賴關(guān)系,本文參考了GC Block[21],具體結(jié)構(gòu)如圖5所示。長距離信息提取模塊首先通過卷積wk∈RC×1對(duì)特征圖Fi進(jìn)行線性特征轉(zhuǎn)換,經(jīng)過維度轉(zhuǎn)換后通過Softmax歸一化函數(shù)計(jì)算特征圖的全局注意力圖,將特征圖與全局注意力圖相乘,以聚合全局上下文特征。為了減小優(yōu)化難度,長距離信息提取模塊僅使用卷積wv∈R1×1對(duì)輸出的全局上下文特征進(jìn)行一次線性變換,并使用Sigmoid函數(shù)將不同通道的權(quán)重歸一化至[0,1],最后采用求和操作將全局的上下文特征聚合到每個(gè)位置的特征中。

圖5 長距離信息提取模塊

(1)

zi=xi+Sigmoid(z′i)

(2)

式中:xi∈RC×1×1為特征圖上某位置的輸入;zi為其對(duì)應(yīng)位置的輸出;i為該位置的索引;j和m為特征圖中所有位置的枚舉;N為特征圖中位置索引的個(gè)數(shù)(N=H×W);wk和wv為線性變換矩陣,wv最終輸出特征圖FG。長距離信息提取模塊通過計(jì)算全局注意力圖獲取長距離依賴。將全局注意力圖作用于特征圖,可綜合考慮特征圖各個(gè)位置的特征信息,以此增強(qiáng)特征圖的長距離依賴。

1.1.3 相鄰信息提取模塊

考慮到三維醫(yī)學(xué)影像中的相鄰切片可以為網(wǎng)絡(luò)提供更多的血管立體走向信息,提出了相鄰信息提取模塊,并將其添加至特征提取的過程中。相鄰信息的提取包括頂層圖像融合和相鄰信息提取模塊2個(gè)步驟。

1)頂層圖像融合

由于切片之間具有不連續(xù)性,相鄰切片間相對(duì)位置較遠(yuǎn)的像素間相關(guān)性通常不高。因此,采用頂層圖像融合策略, 在模型輸入時(shí)將同一病例相鄰切片灰度信息投影到目標(biāo)切片的同一平面,進(jìn)行圖像層面上的特征融合,得到相鄰-目標(biāo)融合特征圖像。給定一個(gè)待分割圖像It∈RC×H×W,其相鄰2層切片分別定義為It-1和It+1(見圖2),其融合圖像為

Ifuse=It+λ1It-1+λ2It+1

(3)

式中:λ1、λ2為可學(xué)習(xí)的參數(shù)值;Ifuse為網(wǎng)絡(luò)最淺層相鄰信息提取模塊的輸入,即相鄰-目標(biāo)融合圖像。

2)相鄰信息提取

對(duì)于相鄰信息的提取模塊而言,其目的是將相鄰-目標(biāo)融合圖像中血管連續(xù)性信息有效進(jìn)行提取。頂層圖像融合后,目標(biāo)特征圖血管的相關(guān)特征主要存在于相鄰的像素之間。距離較遠(yuǎn)的像素其相關(guān)性通常較小,且已通過長距離提取模塊獲取切片內(nèi)部的長距離相關(guān)性信息。同時(shí),通過多個(gè)相鄰信息提取模塊的卷積傳遞,相鄰切片中其他位置的像素也可以間接對(duì)目標(biāo)像素特征做貢獻(xiàn)。因此,相鄰信息提取模塊采用2個(gè)標(biāo)準(zhǔn)卷積層作為特征提取模塊,便可有效地完成相鄰信息的提取。相鄰信息提取模塊的每個(gè)卷積層包含一個(gè)3×3的卷積核,一個(gè)BN層和一個(gè)LReLU。相鄰信息提取模塊可以表示為

FA=g{W1,W2}(F′A)=σ(W2σ(W1F′A))

(4)

式中:W1和W2分別為標(biāo)準(zhǔn)卷積層的3×3卷積核;σ為LReLU,輸入為上一層LGA模塊輸出的相鄰-目標(biāo)融合特征圖F′A,輸出為相鄰-目標(biāo)融合特征圖FA。

1.1.4 局部-長距離-相鄰信息融合

在分別計(jì)算了圖3所示的局部特征FL、長距離特征FG和相鄰特征FA后,此步驟將其進(jìn)行特征融合得到輸出特征圖FLGA,即

(5)

式中:λ1、λ2、λ3為可學(xué)習(xí)的參數(shù)值;σ代表LReLU。

利用可學(xué)習(xí)的參數(shù)作為權(quán)值對(duì)3個(gè)模塊的輸出進(jìn)行加權(quán)求和可以使權(quán)值在訓(xùn)練中不斷被優(yōu)化,使網(wǎng)絡(luò)能夠自適應(yīng)地獲得良好的融合效果。

1.2 損失函數(shù)

本文使用了交叉熵(cross entropy, CE)和骰子(dice-coefficient, Dice)損失函數(shù)[22]加權(quán)求和作為損失函數(shù),從而有效改善肝血管圖像前景像素與背景像素的不平衡性,同時(shí)加快訓(xùn)練的收斂速度。

交叉熵是分割模型常用的損失函數(shù),能夠度量模型輸出的像素類別預(yù)測(cè)值和真實(shí)標(biāo)簽的差異性,用于判斷分割結(jié)果是否準(zhǔn)確。

(6)

式中:LCE為CE損失函數(shù);N為像素點(diǎn)個(gè)數(shù);yi為圖像中像素i的標(biāo)簽值;pi為網(wǎng)絡(luò)預(yù)測(cè)出該像素為前景的概率值。

Dice損失函數(shù)目前被廣泛應(yīng)用于醫(yī)學(xué)影像分割任務(wù)中。其作為一種集合相似度度量函數(shù),主要度量前景標(biāo)注值和預(yù)測(cè)值之間的相似性。因此能夠在一定程度上緩解類別不均衡帶來的無法收斂到全局最優(yōu)解的問題。

(7)

式中A和B分別為標(biāo)簽和預(yù)測(cè)值的集合。

為了確保訓(xùn)練過程穩(wěn)定性的同時(shí)保持模型的有效性,本文采用CE與Dice損失函數(shù)的加權(quán)和作為本文的損失函數(shù)。交叉熵和Dice的融合公式為

Lseg=αLCE+(1-α)LDice

(8)

式中:LDice為Dice損失函數(shù);α為超參數(shù)。為了使網(wǎng)絡(luò)在更穩(wěn)定地收斂的同時(shí)緩解類別不平衡的問題,本文將α設(shè)置為0.5。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)集

本文使用了MICCAI 2018十項(xiàng)全能數(shù)據(jù)集(medical segmentation decathlon,MSD)[23]中的肝血管與腫瘤數(shù)據(jù)集(以下簡(jiǎn)稱MICCAI肝血管數(shù)據(jù)集)和三甲醫(yī)院收集標(biāo)注的自采肝血管數(shù)據(jù)集來驗(yàn)證模型的有效性。

2.1.1 MICCAI肝血管數(shù)據(jù)集

MICCAI肝血管數(shù)據(jù)集,包含了303例帶有標(biāo)注的肝臟門靜脈期的CT圖像。該數(shù)據(jù)集標(biāo)定了肝血管和肝腫瘤的分割掩膜。根據(jù)任務(wù)需求,本文只保留了肝血管的標(biāo)簽,并將這303例標(biāo)注數(shù)據(jù)按照 7∶1∶2的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,即訓(xùn)練集213例,驗(yàn)證集30例,測(cè)試集60例。

2.1.2 自采肝血管數(shù)據(jù)集

自采肝血管數(shù)據(jù)集的收集和標(biāo)定主要由三甲醫(yī)院的專業(yè)影像科醫(yī)生完成,該數(shù)據(jù)集的標(biāo)定包括肝背景(正常肝背景、脂肪肝、肝鐵過載、肝纖維化)和肝血管,其收集和標(biāo)定的主要目的是為了進(jìn)行肝臟的定量研究。該數(shù)據(jù)集共有58例門靜脈期MRI圖像。按照6∶2∶2的比例隨機(jī)將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,其中訓(xùn)練集38例,驗(yàn)證集10例,測(cè)試集10例。

2.1.3 數(shù)據(jù)預(yù)處理

由于2個(gè)數(shù)據(jù)集中不同病例間存在著體素間距差異較大的問題,因此需要對(duì)數(shù)據(jù)集進(jìn)行體素間距歸一化操作。具體方法是采用數(shù)據(jù)集所有數(shù)據(jù)的體素間距中位數(shù)作為歸一化后的體素間距,并利用重采樣的方法對(duì)整個(gè)數(shù)據(jù)集進(jìn)行重采樣。對(duì)于MICCAI肝血管數(shù)據(jù)集,利用先驗(yàn)知識(shí),將圖像HU值的強(qiáng)度截?cái)嗟絒-100,250]以去除冗余信息,再對(duì)其進(jìn)行Z分?jǐn)?shù)標(biāo)準(zhǔn)化(zero-mean normalization, Z-score)操作。對(duì)于自采肝血管數(shù)據(jù)集,由于不同病例的灰度差異較大,因此直接對(duì)每例數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。

在訓(xùn)練時(shí),使用翻轉(zhuǎn)、高斯噪聲、高斯模糊、伽馬(gamma)變換等操作對(duì)訓(xùn)練集進(jìn)行隨機(jī)增強(qiáng),以增強(qiáng)訓(xùn)練樣本的多樣性。

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)中網(wǎng)絡(luò)的具體參數(shù)為:輸入圖像大小為256×256,批大小為32,初始學(xué)習(xí)率設(shè)置為0.000 1,使用自適應(yīng)矩估計(jì)(adaptive moment estimation, Adam)的模型優(yōu)化算法,最大迭代次數(shù)為200次,若驗(yàn)證集損失在30輪訓(xùn)練內(nèi)未下降,則學(xué)習(xí)率衰減為原來的0.1。

2.3 評(píng)價(jià)指標(biāo)

為了對(duì)分割結(jié)果進(jìn)行量化評(píng)價(jià),本文分別使用骰子相似系數(shù)(dice similarity coefficient,DSC)[22]、F1值(F1 score)和中心線相似系數(shù)(centerline Dice,clDice)[24]來衡量分割結(jié)果。這些指標(biāo)在模型分割質(zhì)量方面進(jìn)行了綜合評(píng)價(jià)。下面給出這些指標(biāo)的具體定義。

1) 骰子相似系數(shù):用于度量分割結(jié)果與專家標(biāo)注的相似性。該指標(biāo)越高表明分割結(jié)果與標(biāo)注一致性越高。

(9)

2) F1值:為了能夠平衡不同算法的優(yōu)劣,用來對(duì)精確率和召回率進(jìn)行整體的評(píng)價(jià)。F1值認(rèn)為模型的精確率和召回率同等重要,因此該項(xiàng)指標(biāo)越高,則表明模型的綜合效果越好。

(10)

(11)

(12)

式中:TP、TN、FP、TN分別代表像素分類結(jié)果中的真正例、真負(fù)例、假正例和假負(fù)例個(gè)數(shù)。

3) 中心線相似系數(shù):利用迭代的最大值-最小值池化來提取專家標(biāo)注和分割結(jié)果的血管中心線,并通過

(13)

(14)

分別計(jì)算拓?fù)渚_率和拓?fù)湔倩芈省?/p>

(15)

用于整體衡量拓?fù)渚_率和拓?fù)湔倩芈?。該?xiàng)指標(biāo)越高表明模型分割結(jié)果與標(biāo)注的拓?fù)湟恢滦栽礁摺Ｊ街?VL為專家標(biāo)注的二元掩膜集合;VP為網(wǎng)絡(luò)預(yù)測(cè)的分割掩膜集合;SL為專家標(biāo)注掩膜的血管中心線集合;SP為網(wǎng)絡(luò)預(yù)測(cè)出的分割掩膜的血管中心線集合。

2.4 肝血管分割對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文所提出模型的有效性,在實(shí)驗(yàn)數(shù)據(jù)集上測(cè)試的具體對(duì)比方法有:U-Net[12]、Res U-Net[25]、Attention U-Net[26]、U-Net++[27]、CE-Net[28]、添加中心線骰子損失(clDice loss)的U-Net[24]、3D U-Net[29]和LVSNet[17]。本文分別按照其模型的標(biāo)準(zhǔn)配置在MICCAI肝血管數(shù)據(jù)集和自采肝血管數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。

表1為在MICCAI肝血管數(shù)據(jù)集上不同模型的量化分割結(jié)果?？梢钥闯?本文方法相較于其他算法而言在各項(xiàng)指標(biāo)上均有提升。從DSC上看,相較于U-Net提升了約4.1%,相較于Res U-Net提升了約3%,相較于3D U-Net提升了約3.3%,相較于LVSNet提升了3.2%。相較于其他方法也均有不同程度的提升。從clDice上來看,本文方法分割結(jié)果相較于添加中心線損失的U-Net提升了約1.8%,相對(duì)于其他方法提升了約12%。

表1 MICCAI肝血管數(shù)據(jù)集不同模型的量化分割結(jié)果

表2為在自采數(shù)據(jù)集上不同模型的量化分割結(jié)果。本文方法的clDice相較于其他方法而言提升了6.1%～20.0%。

表2 自采數(shù)據(jù)集不同模型的量化分割結(jié)果

本文算法取得良好效果的原因在于本文提出的LGA模塊能夠在不添加額外的損失約束條件下有效地為網(wǎng)絡(luò)特征提取部分補(bǔ)充長距離信息和相鄰信息,由此獲得了更強(qiáng)的血管結(jié)構(gòu)認(rèn)識(shí)能力,從而有效提升了血管分割的連續(xù)性和準(zhǔn)確性。

2.5 肝血管分割結(jié)果主觀分析實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證本文模型性能,本文對(duì)分割可視化結(jié)果進(jìn)行直觀的對(duì)比分析,在MICCAI肝血管測(cè)試集上隨機(jī)選擇2個(gè)病例給出不同模型的分割可視化結(jié)果樣例,如圖6所示。圖6(a)～(i)依次為U-Net、Res U-Net、CE-Net等對(duì)比方法和本文方法的分割結(jié)果。圖6(j)為專家標(biāo)注信息,圖中紅框?yàn)槟Ｐ蛯⒎茄芟袼卣`判為血管像素的區(qū)域。根據(jù)紅框可以看出,對(duì)比方法存在不同程度的過分割現(xiàn)象。

圖6 可視化結(jié)果

以病例二為例,3D U-Net將腫瘤錯(cuò)誤判定為肝血管,其他方法也都不同程度地將圖像中腫瘤的邊緣部位判斷為肝血管。而本文的方法對(duì)于該區(qū)域給出了良好的分割結(jié)果。

2.6 消融實(shí)驗(yàn)

本文以MICCAI肝血管數(shù)據(jù)集為例進(jìn)行了消融實(shí)驗(yàn),用來驗(yàn)證本文提出的LGA模塊的各子模塊的有效性。本文使用DSC和F1對(duì)模型進(jìn)行性能評(píng)估,實(shí)驗(yàn)結(jié)果如表3所示。

表3 消融實(shí)驗(yàn)

其中,基線模型(Baseline)的結(jié)果為僅采用LGA模塊中殘差卷積模塊的實(shí)驗(yàn)結(jié)果。由實(shí)驗(yàn)結(jié)果可以看出使用基線模型分割肝血管的Dice和F1值分別為57.57%和58.81%。此后,分別在基線模型上添加長距離提取模塊(Baseline+Global)和相鄰信息提取(Baseline+Adjacent)模塊,在基線模型上添加長距離提取模塊后,DSC和F1值分別提升了4.54%和6.65%。在基線模型添加相鄰信息提取模塊后,DSC和F1值分別提升了5.96%和8.14%。當(dāng)使用完整的LGA模塊時(shí),DSC和F1值相對(duì)于基線模型提升了6.46%和9.12%。實(shí)驗(yàn)結(jié)果表明,LGA模塊的各子模塊均有助于網(wǎng)絡(luò)分割效果的提升。

2.7 模型參數(shù)對(duì)比

本文對(duì)比了不同方法的參數(shù)量(parameter,Param),模型所需的計(jì)算力(floating point operations,FLOPs)和對(duì)每張切片分割所需時(shí)間。本文方法的Param為1.38×107個(gè),FLOPs為1.701×1010次,推斷時(shí)間為0.132 s。本文方法在Param和FLOPs均遠(yuǎn)小于CE-Net、3D U-Net以及LVSNet。但相對(duì)于U-Net、Res U-Net等對(duì)比方法,雖然加入相鄰信息提取模塊,FLOPs并未大幅增加。表4中的結(jié)果表明,本文方法在不需大量參數(shù)的情況下獲得最優(yōu)的分割結(jié)果。

表4 不同方法參數(shù)對(duì)比

3 結(jié)論

1) 提出了一種基于結(jié)構(gòu)感知的肝血管分割算法框架。有效緩解了2D網(wǎng)絡(luò)無法表征血管立體走向與3D網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)不足的問題,提升了肝血管的分割效果,同時(shí)提升了肝血管分割的連續(xù)性。

2) 提出了局部-長距離-相鄰信息融合模塊。該模塊由殘差卷積模塊、長距離信息提取模塊和相鄰信息提取模塊3個(gè)部分組成。殘差卷積模塊起到提取特征圖中局部特征的作用,長距離信息提取模塊能夠提取特征圖長距離的相關(guān)性,有效地減少下采樣過程中長距離信息損失。相鄰信息提取模塊為網(wǎng)絡(luò)補(bǔ)充了相鄰切片血管的信息,起到提升肝血管結(jié)構(gòu)性和連續(xù)性的作用。

3) 本文在MICCAI肝血管數(shù)據(jù)集和自采肝血管數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)驗(yàn)證了本文所提出算法的有效性。實(shí)驗(yàn)結(jié)果表明,本文所提出的算法實(shí)現(xiàn)切片間空間上下文信息的建模,有效提升了肝血管的分割準(zhǔn)確率。在可視化實(shí)驗(yàn)中,相對(duì)于現(xiàn)有方法,本文方法的血管分割的準(zhǔn)確性更好,結(jié)構(gòu)連續(xù)性也有大幅提升。