1 前言

原發(fā)性肝癌是第二大最常見的癌癥致死原因，而肝臟分割是實(shí)現(xiàn)對(duì)癌癥的檢測和治療的關(guān)鍵步驟。在獲取腹部CT掃描圖像之后，要想獲得肝臟體積、位置及形狀等信息，需要經(jīng)驗(yàn)豐富的放射科醫(yī)生對(duì)每個(gè)切片逐一進(jìn)行人工標(biāo)注，然而，這個(gè)過程非常耗費(fèi)時(shí)間和精力，很容易受到醫(yī)生主觀意識(shí)的影響（如圖1所示為3種難分割情形）。因此，臨床上迫切需要自動(dòng)而又精準(zhǔn)的肝臟自動(dòng)分割方法。

以上分別是(a)小肝臟區(qū)域 (b) 肝臟不連續(xù) (c) 肝臟邊界模糊的CT圖像

背景和目標(biāo)：在肝癌的診斷和手術(shù)規(guī)劃中，肝臟分割是必不可少的一個(gè)關(guān)鍵前提。傳統(tǒng)上，放射科醫(yī)生獲取病人CT圖像之后，需要手動(dòng)對(duì)每個(gè)切片逐一人工標(biāo)注，以獲取肝臟區(qū)域。然而，這個(gè)過程非常耗時(shí)，且易受醫(yī)生主觀意識(shí)的影響。在本文中，我們提出了結(jié)合注意力與空洞空間金字塔池的殘差Unet網(wǎng)絡(luò)，來實(shí)現(xiàn)肝臟的全自動(dòng)分割，并在MICCIA-LiTS17和MICCIA-LIVER07兩個(gè)數(shù)據(jù)集上驗(yàn)證了提出的方法的有效性。

方法：設(shè)計(jì)了一種新的SAR-Unet網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)經(jīng)典U-net的三個(gè)方面進(jìn)行了改進(jìn)。首先，在U-Net編碼區(qū)的每次卷積操作之后，引入注意力機(jī)制，使其自適應(yīng)地提取影像特征，抑制無關(guān)區(qū)域，突出分割任務(wù)的相關(guān)特征；第二，將連接U-Net編碼器與解碼器的過渡層和解碼器的輸出層，替換為空洞空間金字塔池(ASPP)，通過不同的空洞比例，構(gòu)建不同感受野的卷積核，以此來獲取多尺度圖像信息；第三，將傳統(tǒng)的卷積塊替換成殘差塊，來緩解梯度爆炸問題，并促使網(wǎng)絡(luò)提取更加復(fù)雜的特征。

結(jié)果：在LiTS17數(shù)據(jù)集實(shí)驗(yàn)中，Dice、VOE、RVD、ASD和MSD平均值分別為0.957、0.095、-0.0084、6.338和40.954。與當(dāng)前其它先進(jìn)的模型相比，我們提出的方法有很大的競爭力，尤其是與基于2D的網(wǎng)絡(luò)向比，提出的方法獲得了最高的精度，

雖然與3D網(wǎng)絡(luò)H-Dense UNet相比，提出的方法精度略低，但是，2D網(wǎng)絡(luò)參數(shù)數(shù)量大幅少于3D網(wǎng)絡(luò)，計(jì)算代價(jià)更低。

此外，在MICCIA-LIVER07數(shù)據(jù)集的實(shí)驗(yàn)中， Dice、VOE、RVD、ASD和MSD平均值分別為0.973、0.054、-0.011、7.696和45.555。在與其它先進(jìn)的網(wǎng)絡(luò)模型比較中，在Dice、RVD和ASD獲得了更高的分割精度。

結(jié)論：提出了一種新的全自動(dòng)肝臟分割方法，大幅提高了2D網(wǎng)絡(luò)模型的分割精度，并且驗(yàn)證了在處理小肝臟區(qū)域、肝臟不連續(xù)區(qū)域和肝臟邊界模糊區(qū)域等難分割問題時(shí)的魯棒性。

該網(wǎng)絡(luò)模型主要有以下貢獻(xiàn):

(1) 在U-Net的編碼區(qū)的每個(gè)卷積操作之后，引入注意力機(jī)制，使得注意力機(jī)制可以以自適應(yīng)的方式提取影像特征，并且也可以起到抑制無關(guān)區(qū)域的作用，最終確保網(wǎng)絡(luò)聚焦于肝臟分割任務(wù)的相關(guān)特性；

(2) 將連接U-Net的過渡層以及U-Net解碼器最后的輸出層，替換為空洞空間金字塔池(ASPP)，達(dá)到提取更加豐富的多尺度特征信息的目的；

(3) 將U-Net標(biāo)準(zhǔn)卷積層替換為殘差塊，并增加批歸一化層，確保在訓(xùn)練更深層次網(wǎng)絡(luò)的同時(shí)，加快收斂速度，消除梯度爆炸，提高分割精度。

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

在整個(gè)網(wǎng)絡(luò)中，經(jīng)典U-Net的普通單元被殘差網(wǎng)絡(luò)結(jié)構(gòu)的卷積單元替代。與傳統(tǒng)的卷積單元相比，殘差結(jié)構(gòu)在單一的前向傳播基礎(chǔ)上增加了快捷連接(shortcut connections)，從而使得在沒有發(fā)生訓(xùn)練退化的情況下，訓(xùn)練更深的網(wǎng)絡(luò)，達(dá)到提取更加豐富的判別特征的目的。在殘差單元中，每次卷積之后進(jìn)行批量歸一化和ReLU激活操作。批量歸一化的引入不僅能夠降低模型對(duì)于初始化參數(shù)的敏感度，也在一定程度上起到正則化的效果。而ReLU函數(shù)雖然簡單，卻能夠有效解決網(wǎng)絡(luò)中梯度消失的問題。此外，為了對(duì)編碼器每個(gè)卷積之后得到的特征圖進(jìn)行信息提煉，在每個(gè)串聯(lián)層之后，采用Squeeze and Excitation Block，來自適應(yīng)地提取圖像的特征，從而借助通道注意力機(jī)制，將網(wǎng)絡(luò)聚焦于肝臟分割任務(wù)（如圖2(b)所示）。SE模塊的具體操作如下：首先通過全局平均池化，將每個(gè)通道的二維特征(H x W)壓縮為1個(gè)實(shí)數(shù)，然后，使用一次全連接神經(jīng)網(wǎng)絡(luò)，對(duì)全局平均池化之后的結(jié)果實(shí)施一次非線性變換，以得到每個(gè)特征通道的的權(quán)重值，最后，將前面得到的歸一化權(quán)重加權(quán)到每個(gè)通道的特征上，實(shí)現(xiàn)圖像通道的重要信息提取。進(jìn)一步，為了緩解多次下采樣操作，引發(fā)的分辨率下降問題，提出將Atrous Spatial Pyramid Pooling(ASPP)作為網(wǎng)絡(luò)的過渡層（如圖2(c)所示）。ASPP模塊能夠以多個(gè)不同比例捕捉圖像的上下文信息，從而促使在提取的特征圖中，包含更加豐富的多尺度語義信息。同時(shí)，在譯碼器的輸出也引入ASPP模塊，同樣是為了輸出圖像截取多尺度信息，提高分割的準(zhǔn)確率。 即：U-Net+SE-ResNet+ASPP。

3 LiTS數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析

表2給出了四種模型的定量比較結(jié)果。從表2中可以看出，我們提出的模型在五個(gè)性能指標(biāo)的比較中全部占有顯著優(yōu)勢，尤其是Dice指標(biāo)，我們的方法達(dá)到了95.71 ± 0.55。與其它三種模型相比，F(xiàn)CN模型在Dice、VOE、RVD和MSD指標(biāo)最低，與金標(biāo)準(zhǔn)相差最大。與U-Net和Attention U-Net比較，我們的Dice和MSD指標(biāo)大幅提升，而VOE、RVD和ASD指標(biāo)上也有小幅提升?？傮w而言，本文方法的各項(xiàng)指標(biāo)不但精度更高，而且波動(dòng)范圍較小，從而證明了模型的精度上的優(yōu)勢。在本對(duì)比實(shí)驗(yàn)中，我們還采用了統(tǒng)計(jì)學(xué)方法t檢驗(yàn)來驗(yàn)證我們提出的方法與其他方法在分割精度上是否顯著性差異，所有的統(tǒng)計(jì)假設(shè)檢驗(yàn)都是就基于Dice和ASD兩個(gè)指標(biāo)。如表2所示，標(biāo)記的結(jié)果與我們提出的結(jié)果之間（Dice和ASD）的性能差異，具有統(tǒng)計(jì)學(xué)意義（p <0 05）。

表3給出了提出的模型在LiTS17測試集的詳細(xì)性能指標(biāo)。從表3中可以看出，10套測試集的Dice、VOE、RVD、ASD和MSD最優(yōu)值分別為0.968、0.073、0.034、5.017和31.094，而各項(xiàng)指標(biāo)的均值分別為0.957、0.095、-0.0084、6.338和40.954。按照目前LiTS17競賽成績，我們方法的Dice排名第15名，VOE第33名，RVD第65名，ASD第120名，MSD排第70名。

4 Visual segmentation results on challenging liver cases

5 其它方法在LIVER07數(shù)據(jù)集上的比較

6 Limitations

和其它方法一樣，論文提出的模型存在一定的局限性。首先，方法的ASD和MSD數(shù)值偏高，尤其是MSD數(shù)值，很大的原因在于，醫(yī)學(xué)CT是基于3D的，而方法是基于2D網(wǎng)絡(luò)，因而容易缺失z軸上的重要的上下文信息；其次，當(dāng)肝臟邊緣含有發(fā)生病變或者腫瘤異常時(shí)，論文提出的方法會(huì)出現(xiàn)較大誤差。

7 討論和總結(jié)

本文提出了一種新的用于肝臟分割的SAR-Unet網(wǎng)絡(luò)。該網(wǎng)絡(luò)結(jié)合了U-Net、注意力機(jī)制、殘差學(xué)習(xí)和空洞空間金字塔池三者的優(yōu)勢。一方面，利用注意力機(jī)制，以自適應(yīng)的方式提取影像的特征，并且抑制了無關(guān)區(qū)域，使網(wǎng)絡(luò)聚焦于肝臟分割任務(wù)的相關(guān)特性；另一方面，

將空洞空間金字塔池作為網(wǎng)絡(luò)的過渡層，以實(shí)現(xiàn)對(duì)特征圖像的多尺度提取

；此外，將殘差結(jié)構(gòu)疊加到卷積單元中，使得網(wǎng)絡(luò)解決梯度消失的問題。我們?cè)贚iTS17和LIVER07兩個(gè)MICCIA競賽數(shù)據(jù)集上驗(yàn)證了我們提出的模型高精準(zhǔn)性和魯棒性。與先進(jìn)的經(jīng)典模型相比，我們方法的總體性能占顯著優(yōu)勢，尤其是Dice、VOE和RVD三個(gè)指標(biāo)明顯優(yōu)于其它方法，而且在處理小肝臟區(qū)域、肝臟不連續(xù)區(qū)域和肝臟邊界模糊區(qū)域等難分割問題時(shí)，也表現(xiàn)出了強(qiáng)有力的魯棒性。但是，在處理肝臟邊緣病變或者腫瘤時(shí)，我們的方法容易發(fā)生過分割或者欠分割誤差，這也將成為我們今后研究的工作的改進(jìn)重點(diǎn)。

作者簡介：李響Superb，CSDN百萬訪問量博主，普普通通男大學(xué)生，深度學(xué)習(xí)算法、醫(yī)學(xué)圖像處理專攻，偶爾也搞全棧開發(fā)，沒事就寫文章。
博客地址：lixiang.blog.csdn.net

點(diǎn)擊下方閱讀原文加入社區(qū)會(huì)員

深度學(xué)習(xí)U-Net網(wǎng)絡(luò)在肝癌治理中的應(yīng)用