秦傳波，宋子玉，曾軍英＊，田聯(lián)房，李 芳

（1.五邑大學(xué) 智能制造學(xué)部，廣東 江門(mén)529020；2.華南理工大學(xué) 自動(dòng)化科學(xué)與工程學(xué)院，廣東 廣州510640；3.江門(mén)市婦幼保健院，廣東 江門(mén)529020）

1 引言

乳腺癌是眾多嚴(yán)重影響女性患者生活質(zhì)量和身心健康的疾病之一。相較于鉬靶、超聲、X-ray、MRI、Thermogram等類(lèi)型影像［1］，動(dòng)態(tài)對(duì)比度增強(qiáng)MRI影像（Dynamic Contrast-En?hanced Magnetic Resonance Imaging，DCEMRI）對(duì)高密度腺體組織的乳腺癌診斷價(jià)值大，是一種以病變區(qū)和正常組織中的微血管系統(tǒng)為生理基礎(chǔ)的無(wú)輻射磁共振功能成像技術(shù)。DCE-MRI對(duì)于早期乳腺癌診斷敏感性強(qiáng)、乳腺癌的分期、分子分型的確診和病變范圍的一致性表現(xiàn)良好。乳腺癌病變區(qū)的自動(dòng)化分割在早期診斷、預(yù)防、術(shù)中引導(dǎo)和預(yù)后具有重大臨床研究?jī)r(jià)值，是實(shí)現(xiàn)人工智能計(jì)算機(jī)輔助診斷系統(tǒng)的關(guān)鍵基礎(chǔ)。

DCE-MRI乳腺癌主要分為腫塊和非腫塊兩種類(lèi)型。乳腺癌病變區(qū)主要沿腺體分布，腫塊形乳腺癌相對(duì)容易辨識(shí)和分割，而非腫塊乳腺癌病變區(qū)的形態(tài)變化不一，且病變區(qū)強(qiáng)度不一，存在空洞、弱邊界和較低的對(duì)比度，容易造成放射科醫(yī)生的漏檢和錯(cuò)判。然而，手動(dòng)勾畫(huà)乳腺癌病變區(qū)要求放射科醫(yī)生具備豐富的臨床經(jīng)驗(yàn)和技巧，并且是一種勞動(dòng)密集型的工作，易受主觀、心理波動(dòng)和生理疲勞的影響，導(dǎo)致乳腺病變勾畫(huà)結(jié)果存在一定的隨機(jī)性。綜上，DCE-MRI乳腺癌自動(dòng)化準(zhǔn)確分割是一個(gè)具有挑戰(zhàn)性的課題，極具臨床應(yīng)用價(jià)值和研究意義。

當(dāng)前乳腺癌影像的研究主要集中在鉬靶、超聲、X射線和組織病理圖像分析［2-4］，但對(duì)DCEMRI乳腺癌影像的研究目前尚沒(méi)有統(tǒng)一的公開(kāi)數(shù)據(jù)庫(kù)可以使用，且臨床乳腺癌圖像病例收集工作量大，樣本相對(duì)少，且病灶區(qū)面積小，背景復(fù)雜，易造成漏分割和鈣化區(qū)誤分割，分割精度尚有較大提升空間。

目前，乳腺癌分割算法研究可以大致化分為經(jīng)典機(jī)器學(xué)習(xí)方法和當(dāng)前流行的深度學(xué)習(xí)方法。乳腺癌分割經(jīng)典機(jī)器學(xué)習(xí)方法主要包括模糊聚類(lèi)（Fuzzy C-Means，F(xiàn)CM）、活動(dòng)輪廓模型（Ac?tive Contour Model，ACM）、條件隨機(jī)場(chǎng)、Graph Cut等方法［5-8］。文獻(xiàn)［5］選取冠狀位影像，采用基于FCM和體積增長(zhǎng)實(shí)現(xiàn)DCE-MRI乳腺癌圖像分割，但需要先手動(dòng)選定感興趣區(qū)域（Region of Interest，ROI），對(duì)于大部分病灶分割結(jié)果需手動(dòng)調(diào)整參數(shù)；文獻(xiàn)［6］根據(jù)腫瘤的時(shí)間，空間和形態(tài)屬性，使用圖割（Graph Cuts）進(jìn)行分割，構(gòu)建一個(gè)癌癥診斷的框架；文獻(xiàn)［7］利用MRF和條件獨(dú)立性構(gòu)建了動(dòng)力學(xué)觀測(cè)模型，將DCE-MRI乳腺動(dòng)態(tài)特征圖作為MRF腫瘤分割的觀察通道。并將分割結(jié)果應(yīng)用于乳腺癌復(fù)發(fā)預(yù)測(cè)。基于偏微分方程的ACM方法在醫(yī)學(xué)影像分割上得到廣泛應(yīng)用；文獻(xiàn)［8］針對(duì)非腫塊乳腺癌病變區(qū)分割，通過(guò)MRF能量區(qū)分腫瘤與背景，再使用能量項(xiàng)后驗(yàn)概率作為ACM區(qū)域項(xiàng)，而后根據(jù)紋理、強(qiáng)度信息構(gòu)建ACM速度函數(shù)，構(gòu)建了一個(gè)復(fù)雜的ACM分割目標(biāo)函數(shù)。但需要事先手動(dòng)分割出ROI，在小范圍病例內(nèi)有較好分割效果。且計(jì)算成本高，耗時(shí)長(zhǎng)，需要人為調(diào)整參數(shù)以適應(yīng)變化的乳腺癌影像。

對(duì)于基于傳統(tǒng)機(jī)器學(xué)習(xí)方法而言，由于乳腺癌病變區(qū)具有對(duì)比度低、邊界模糊及亮度不均勻等特點(diǎn)，通常需要手動(dòng)選取ROI，再進(jìn)行分割處理，或者對(duì)分割后結(jié)果進(jìn)行后處理，才能得到平滑和連續(xù)的分割邊界。通常需要手動(dòng)調(diào)整參數(shù)才能適應(yīng)形態(tài)各異的病灶區(qū)，顯然不是一套完備的自動(dòng)化分割方案。不適合在大量病例數(shù)據(jù)上實(shí)現(xiàn)自動(dòng)化分割。

近年來(lái)，基于深度學(xué)習(xí)的圖像分割、檢測(cè)和分類(lèi)方法取得很大進(jìn)展［4，9-10］。杜克大學(xué)提出了一種掩模引導(dǎo)分層式FCN分割框架［11］，通過(guò)兩個(gè)級(jí)聯(lián)FCN粗分割和FCN細(xì)分割模型，在前后兩個(gè)階段分別完成乳房區(qū)域粗略勾畫(huà)和乳腺癌病變區(qū)的精確分割。在其自建的數(shù)據(jù)庫(kù)上進(jìn)行訓(xùn)練和測(cè)試，分割關(guān)鍵指標(biāo)平均Dice值達(dá)到0.72。然而，對(duì)于體素比較小的乳腺癌病變區(qū)存在漏分割、錯(cuò)分割和分割不準(zhǔn)確的問(wèn)題，并且模型架構(gòu)單一，僅使用FCN級(jí)聯(lián)架構(gòu)，沒(méi)有引入更多有效的措施提升分割精度，諸如注意力和監(jiān)督機(jī)制。這也為本文進(jìn)行下一步深入研究乳腺癌病變區(qū)的精確分割提供了思路。

注意力機(jī)制［12］、多尺度和監(jiān)督學(xué)習(xí)［13-14］表明能有效改善深度學(xué)習(xí)模型效果。深圳研究院提出基于深度表示的跨模態(tài)乳腺M(fèi)RI影像分割模型［15］。受知識(shí)蒸餾和注意力轉(zhuǎn)移策略啟發(fā)，采用有監(jiān)督跨模態(tài)學(xué)習(xí)方式對(duì)T 1c和T 2W兩種序列進(jìn)行融合，同時(shí)引入注意力機(jī)制實(shí)現(xiàn)有效的信息選擇和抑制噪聲。

由于DCE-MRI乳腺癌背景復(fù)雜，胸腔、乳房等組織占據(jù)影像的很大比例的面積，而乳腺癌病變區(qū)所占面積相對(duì)較小，在乳腺癌分割任務(wù)中，先勾畫(huà)出乳房區(qū)域ROI，可進(jìn)一步提高分割精度［11］。文獻(xiàn)［16-17］采用經(jīng)典U-net［18］為基礎(chǔ)，將乳房區(qū)域與胸壁線分離。證明了使用U形網(wǎng)絡(luò)進(jìn)行乳房ROI提取的可行性。

2 所提出的方法

乳腺癌病變區(qū)形態(tài)各異且邊界模糊，所占面積小，是個(gè)典型的分類(lèi)不均衡問(wèn)題，并且周?chē)尘皬?fù)雜，存在心臟、胸壁、皮膚、肌肉和脂肪等組織，嚴(yán)重影響和干擾乳腺癌圖像的自動(dòng)化分割［11］。由于乳腺癌區(qū)域相對(duì)整張影像所占面積小，為充分挖掘其語(yǔ)義信息，本文提出了一個(gè)二階段的乳腺癌分割框架。

在第一個(gè)階段，重新訓(xùn)練了U-Net模型來(lái)提取一個(gè)粗略的乳房區(qū)域ROI，消除乳房周邊胸肌肉、脂肪、心臟等不相關(guān)組織對(duì)乳房區(qū)域內(nèi)乳腺癌分割的影響。

在第二個(gè)階段，基于階段一粗分割乳房ROI，提出了一種UTB-Net模型，實(shí)現(xiàn)乳腺腫瘤分割，模型如圖1所示。

圖1 所提深度監(jiān)督UTB-Net架構(gòu)Fig.1 Proposed deep supervision UTB-Net架構(gòu)

所提模型以改進(jìn)的U-Net為基準(zhǔn)，設(shè)計(jì)并融合多尺度并行卷積融合模塊、Non-local模塊［19］、注意力-殘差混合解碼模塊，提出了融合深度監(jiān)督的UTB-Net模型。采用深度監(jiān)督的UTB-Net模型可以提取更加豐富的細(xì)節(jié)信息，結(jié)合全局注意力和局部注意力對(duì)細(xì)小的乳腺癌病灶進(jìn)行更準(zhǔn)確的定位，而深度監(jiān)督機(jī)制則能加強(qiáng)網(wǎng)絡(luò)對(duì)前景的響應(yīng)。

本文主要所做的工作和貢獻(xiàn)如下：

（1）在編碼路徑，提出多尺度并行卷積融合模塊。采用多尺度的并行卷積結(jié)構(gòu)，通過(guò)不同核大小的卷積操作提取不同尺度的特征信息，豐富模型提取邊緣信息與精細(xì)信息的能力。

（2）對(duì)基準(zhǔn)U-Net網(wǎng)絡(luò)模型進(jìn)行微調(diào)。在編碼路徑采用PReLU激活函數(shù)，減少網(wǎng)絡(luò)非線性表達(dá)的信息丟失，將BatchNorm換成Group?Norm［20］，以此來(lái)減少計(jì)算量不足對(duì)分割精度的影響。并在編碼路徑的末端增加了Non-local，從而高效地獲取全局相關(guān)信息，以此形成一個(gè)全局的注意力機(jī)制。

（3）在解碼端，提出結(jié)合注意力和殘差的混合解碼模塊，將注意力模塊的非線性整流單元與殘差結(jié)合來(lái)構(gòu)建解碼模塊，以此來(lái)改善網(wǎng)絡(luò)信息流向，提高特征提取能力。

實(shí)驗(yàn)表明，所提出的模型不但對(duì)于腫塊和非腫塊有較好的分割結(jié)果，提高分割精度的同時(shí)對(duì)于小體素、小面積的乳腺癌圖像也具有良好的分割效果。

2.1 乳房ROI提取

乳腺腫瘤病變區(qū)通常出現(xiàn)在乳房區(qū)域，極少出現(xiàn)在胸壁線的位置或者乳房邊緣。事先提取一個(gè)粗糙的乳房區(qū)域ROI，有利于下一步乳腺癌的準(zhǔn)確分割［11］。在第一個(gè)階段，根據(jù)臨床醫(yī)生勾畫(huà)的乳房區(qū)域標(biāo)簽，重新設(shè)計(jì)了醫(yī)學(xué)影像分割任務(wù)中常用的基準(zhǔn)U-Net模型，實(shí)現(xiàn)乳房ROI粗略勾畫(huà)，如圖2所示（彩圖見(jiàn)期刊電子版）。圖2（a）是DCE-MRI乳腺癌水平位影像，乳房區(qū)域ROI用綠色標(biāo)簽標(biāo)記，乳腺癌區(qū)域用黃色區(qū)域標(biāo)記。圖2（b）是局部放大圖，可見(jiàn)乳腺癌有邊界不規(guī)則、空洞等特征。圖2（c）是用ITK-Snap工具重建3D效果圖。圖2（d）從空間角度展示了乳房組織和乳腺癌之間空間關(guān)系。

圖2 DCE-MRI乳腺癌示意圖Fig.2 Illustration of DCE-MRI breast tumor

2.2 微調(diào)基準(zhǔn)U-Net模型

為了充分挖掘乳腺腫瘤區(qū)域的語(yǔ)義信息，對(duì)基準(zhǔn)U-net模型分別做了微調(diào)和改進(jìn)。微調(diào)UNet架構(gòu)細(xì)節(jié)如圖3所示。

圖3 微調(diào)的U-net模型Fig.3 Illustration of Fine-tuned U-net model

首先，編碼區(qū)與解碼區(qū)特征提取單元采用的激活函數(shù)用PReLU替換掉ReLU，以此來(lái)減少信息的丟失；其次，又因醫(yī)學(xué)影像計(jì)算量大，采用GroupNorm作為歸一化層，以緩解顯卡內(nèi)存不足對(duì)分割精度的影響；特征提取單元基本結(jié)構(gòu)為Conv→PReLU→Conv→PRe?LU→GroupNorm；最后，在編碼路徑的最后一層，進(jìn) 行 兩 次Conv→PReLU→Conv→PReLU→GroupNorm操作，而后將信息融合壓縮至與原通道數(shù)一致，目的是保證不增加參數(shù)的同時(shí)提取更多高級(jí)特征信息。在后續(xù)實(shí)驗(yàn)分析部分，其實(shí)驗(yàn)結(jié)果表明，相較于基準(zhǔn)U-net模型，經(jīng)微調(diào)的U-net也可以取得較好分割效果。

其次，基于所提模型的微調(diào)U-Net模型結(jié)構(gòu)基礎(chǔ)，在其編碼路徑上，進(jìn)一步整合本文所構(gòu)建的多尺度并行卷積模塊；在編碼路徑末端加入Non-local模塊；在解碼路徑上加入了所提出的注意力-殘差混合解碼模塊，并對(duì)各層解碼輸出使用多尺度深度監(jiān)督機(jī)制進(jìn)行融合。即分別在微調(diào)U-Net模型的編碼路徑、編碼末端和解碼路徑進(jìn)行改進(jìn)，構(gòu)建所提出的UTBNet模型。

2.3 所提出的UTB-Net分割模型構(gòu)建方法

下面將詳盡闡述UTB-Net的構(gòu)建過(guò)程，即如何將多尺度并行卷積模塊、Non-local模塊和注意力、殘差混合解碼模塊和多尺度監(jiān)督分別嵌入至微調(diào)的U-Net模型的編碼路徑和解碼路徑。

2.3.1 多尺度并行卷積融合模塊

因乳腺癌區(qū)域大小不定、形狀各異、灰度不均且邊界模糊，在模型引入多尺度并行卷積融合（Multi-Scale Parallel Convolution Fusion，MSP?CF）模塊，如圖4所示。并行卷積結(jié)構(gòu)能夠在同一層級(jí)獲得不同感受野的特征，提高模糊邊緣和小面積腫塊的乳腺癌分割精度，然后將不同尺度的信息融合傳遞至下一層，可以在提高精度的同時(shí)靈活地平衡計(jì)算量和模型能力。

圖4 多尺度并行卷積融合模塊Fig.4 MSPCF Block

MSPCF模塊包含3個(gè)并行卷積層和1個(gè)全局平均池化層、1個(gè)1×1卷積層。3個(gè)并行卷積操作的卷積核尺寸分別為1×1，3×3和5×5，其中5×5的卷積核經(jīng)過(guò)卷積分解處理［21］，用2個(gè)3×3的卷積核替代。卷積分解使用小的卷積核級(jí)聯(lián)替代大的卷積核，可以獲得相同的感受野，同時(shí)在一定程度上減少模型的參數(shù)，提高模型的非線性表達(dá)能力。

MSPCF模塊采用不同大小的卷積核獲取多尺度的上下文特征信息，其中1×1的卷積層則保留當(dāng)前尺度的特征信息。MSPCF模塊還使用了全局平均池化層，獲取像素級(jí)的全局信息，而后通過(guò)雙線性插值上采樣得到所需的維度，再通過(guò)1×1卷積將全局平均池化層信息與三個(gè)并行卷積層信息融合并壓縮。然后將輸出特征圖傳遞至下一層。

在分割任務(wù)中，將此MSPCF模塊融合至所提出的網(wǎng)絡(luò)的編碼部分。在圖4中，y4的的計(jì)算公式如式（1）所示：

其中：x=［x1，x2，...，xc］，y4=［y41，y42，...，y4c］，F(xiàn) bi(x)表示雙線性插值，然后將所有分支的特征圖整合為Y，其中Y=［y1，y2，y3，y4］。最后，通過(guò)一個(gè)［1×1，C］的卷積操作將多尺度信息聚集到一起得到輸出特征圖z。

2.3.2 Non-local模塊

眾所周知，卷積操作通常關(guān)注局部的感受野。如果要增大感受野，傳統(tǒng)的方法是堆疊卷積層和池化層來(lái)實(shí)現(xiàn)，但這樣會(huì)增加模型的參數(shù)量和計(jì)算量。Wang等人［19］借鑒圖像去噪的思想而提出Non-local模塊，用來(lái)獲取長(zhǎng)距離之間的關(guān)聯(lián)信息，最終實(shí)現(xiàn)每個(gè)像素的全局感受野，并通過(guò)不同的操作，可以獲得不同空間、時(shí)間、通道的像素之間的信息相關(guān)性，按照非局部均值定義，具體結(jié)構(gòu)如圖5所示。其中，C(x)是歸一化參數(shù)，在實(shí)驗(yàn)中設(shè)置為x的位置數(shù)量，用N來(lái)表示。x表示輸入的信號(hào)。y表示輸出的信號(hào)，其面積和輸入信號(hào)相同。g(x i)用于計(jì)算輸入信號(hào)在j位置的特征值。f(x i，x j)則表示點(diǎn)乘相似度，在本方法中采用點(diǎn)積表示。其中：

圖5 Non-local模塊架構(gòu)［19］Fig.5 Non-local block architecture［19］

將Non-local架構(gòu)定義為一個(gè)殘差形式，使其具有靈活性，不需要循環(huán)漸進(jìn)的訓(xùn)練，可以十分方便的整合到一個(gè)標(biāo)準(zhǔn)CNN架構(gòu)中，以此來(lái)改善模型的敏感性和準(zhǔn)確性，并且不需要改變?cè)薪Y(jié)構(gòu)，輸出信號(hào)zi=W z yi+x i，x i表示殘差，W z表示一系列的卷積操作，zi則表示下層的輸入信號(hào)?？伸`活地將Non-local模塊整合到本文模型中。

2.3.3 注意力-殘差混合解碼模塊

本文提出了一種注意力-殘差混合解碼模塊（Attention-Residual Hybrid Decoding，ARHD），并將其融入本網(wǎng)絡(luò)的解碼路徑當(dāng)中，ARHD架構(gòu)細(xì)節(jié)如圖6所示。He等人［21］通過(guò)短連接構(gòu)建殘差模塊，在一定程度上緩解了梯度消失和梯度爆炸問(wèn)題，使得在訓(xùn)練更深的網(wǎng)絡(luò)的同時(shí)，不增加參數(shù)量同時(shí)且能保證良好的性能。文獻(xiàn)［12］根據(jù)軟自注意力機(jī)制提出附加注意門(mén)（Additive at?tention Gate，AG）模塊，在自動(dòng)學(xué)習(xí)聚焦于不同形狀和大小的目標(biāo)結(jié)構(gòu)同時(shí)，隱式的學(xué)習(xí)抑制輸入圖像中不相關(guān)區(qū)域，以此來(lái)突出特定任務(wù)中有效的顯著特征，從而有效地提高分割精度。根據(jù)上述兩種方法，構(gòu)建了ARHD模塊。

圖6 注意力、殘差混合解碼模塊Fig.6 Block of attention and residual hybrid decoding

如圖6所示，AG模塊將深層特征信息與來(lái)自淺層的特征信息進(jìn)行矩陣加法運(yùn)算，再經(jīng)PRe?LU［20］得到激活特征，然后通過(guò)sigmoid得到注意力系數(shù)。在計(jì)算注意力系數(shù)ali∈[0，1]時(shí)，由于ReLU激活函數(shù)會(huì)造成信息的丟失，所以在模塊中將使用PReLU［22］函數(shù)，公式如式（3）所示：

其中：

其中：Group Norm［19］是針對(duì)batch size較小時(shí)的一種規(guī)范化方式，α是可學(xué)習(xí)參數(shù)。分別代表淺層特征和深層特征信息，是卷積操作的線性變換，sigmoid(x)=1/(1+ex)。

將AG模塊輸出的注意力系數(shù)與深層特征信息進(jìn)行矩陣相乘運(yùn)算，消除不相關(guān)特征與噪聲，突出顯著特征，再將結(jié)果和淺層信息加入殘差連接模塊，改善解碼部分的梯度流動(dòng)，緩解梯度彌散和網(wǎng)絡(luò)退化問(wèn)題，使深層的網(wǎng)絡(luò)更容易訓(xùn)練，最后輸出注意力特征圖。為了方便表達(dá)，用代表矩陣相乘運(yùn)算，表示最后輸出的注意力特征圖，實(shí)驗(yàn)結(jié)果分析見(jiàn)后續(xù)3.5節(jié)內(nèi)容。

在ARHD模塊中，將AG模塊嵌入到解碼層單元中，再加入殘差連接，改善解碼部分的梯度流動(dòng)，緩解梯度彌散和網(wǎng)絡(luò)退化問(wèn)題，使深層的網(wǎng)絡(luò)更容易訓(xùn)練。用cat來(lái)表示通道拼接操作，d表示通道拼接后的特征圖，F(xiàn)(x)表示一系列的卷積操作，那么有：

其中：y表示最后的輸出結(jié)果。最后的輸出結(jié)果將經(jīng)過(guò)上采樣，作為下一層的輸入。

2.3.4 深度監(jiān)督（Deep Supervision，DS）

為解決深度模型訓(xùn)練時(shí)梯度消失或爆炸的優(yōu)化問(wèn)題，Lee等［13］提出深度監(jiān)督，加快網(wǎng)絡(luò)收斂速度、提高識(shí)別網(wǎng)絡(luò)的識(shí)別能力。這種機(jī)制通過(guò)導(dǎo)出一個(gè)直接聯(lián)系上下層訓(xùn)練的目標(biāo)函數(shù)而實(shí)現(xiàn)，以便在訓(xùn)練過(guò)程中抵消不穩(wěn)定的梯度變化產(chǎn)生的負(fù)面影響。

在本文所提出的網(wǎng)絡(luò)中，如圖1右側(cè)所示，最后輸出的結(jié)果將來(lái)自不同解碼層輸出的特征圖輸出結(jié)果作為深度監(jiān)督的輸入。對(duì)四個(gè)輸出特征圖使用同一種損失函數(shù)，最后將所有分支的輸出結(jié)果求和取平均作為最終損失。具體表述公式如式（5）所示：

其中：yj，分別表示不同解碼層輸出的概率值、真實(shí)標(biāo)簽值，N表示分支的總數(shù)。

2.3.5 改進(jìn)過(guò)程

將上述三種模塊：多尺度并行卷積模塊、Non-local模塊和注意力、殘差混合解碼模塊和深度監(jiān)督機(jī)制，分別嵌入至微調(diào)的U-net模型的編碼區(qū)和解碼區(qū)。對(duì)于三種模塊的加入方式，依次研究了如下3種改進(jìn)：

首先，提出基于ARHD模塊的ARH-UNet模型。僅在解碼部分進(jìn)行改進(jìn)。在每個(gè)特征提取單元前嵌入ARHD模塊，在乳腺腫瘤分割中，ARHD模塊可以將編碼區(qū)的淺層特征信息和解碼區(qū)的深層特征信息進(jìn)行融合，再通過(guò)注意力系數(shù)得到所要的局部顯著特征，同時(shí)，因?yàn)槎踢B接的存在使解碼單元的語(yǔ)義信息更加豐富，改善解碼部分的梯度流動(dòng)，緩解梯度彌散和網(wǎng)絡(luò)退化問(wèn)題，使深層的網(wǎng)絡(luò)更容易訓(xùn)練，從而簡(jiǎn)化網(wǎng)絡(luò)的訓(xùn)練，有效的提高乳腺腫瘤分割精度，在實(shí)驗(yàn)中可以取得一定效果。

其次，提出基ARHD模塊和MSPCF模塊的AMH-UNet?；谏厦娴腁RH-UNet模型，在編碼部分進(jìn)行改進(jìn)。在每個(gè)編碼部分的特征提取單元后嵌入MSPCF模塊，與ARH-UNet網(wǎng)絡(luò)融合提出AMH-UNet。用于提取位于編碼部分不同層級(jí)的不同尺度的特征信息，將其融合壓縮后傳遞至一下層或通過(guò)長(zhǎng)連接傳遞至對(duì)應(yīng)的解碼層，以此來(lái)豐富網(wǎng)絡(luò)提取的特征信息，在實(shí)驗(yàn)中對(duì)于乳腺癌病灶的分割取得較好的效果。

最后，基于上面的ARH-UNet模型，引入具有良好可移植性的Non-local模塊，從而高效地獲取全局相關(guān)信息，以此形成一個(gè)全局的注意力機(jī)制。又因?yàn)镹on-local模塊計(jì)算開(kāi)銷(xiāo)大，所以我們將其放置在編碼部分最后一層，從而提出UTBNet網(wǎng)絡(luò)。并在解碼路徑的各層輸出引入深度監(jiān)督，構(gòu)建基于深度監(jiān)督的UTB-Net，模型具體細(xì)節(jié)如圖1所示，其實(shí)驗(yàn)效果表現(xiàn)最佳，詳見(jiàn)后續(xù)章節(jié)3實(shí)驗(yàn)對(duì)比分析。

UTB-Net可以提取豐富的淺層、深層特征信息，跟已有的乳腺病灶分割網(wǎng)絡(luò)相比，通過(guò)全局注意力與局部注意力相輔相成，實(shí)現(xiàn)準(zhǔn)確地病灶定位、分割。最后，為了避免長(zhǎng)連接的淺層語(yǔ)義信息影響病灶像素級(jí)分割，采用深度監(jiān)督機(jī)制使解碼單元間特征在每個(gè)圖像尺度上具有語(yǔ)義識(shí)別能力，以此來(lái)確保不同尺度的注意力單元能夠?qū)μ卣髦星熬靶畔a(chǎn)生最大響應(yīng)。

2.3.6 Loss Function

在醫(yī)學(xué)圖像分割中的一個(gè)重要挑戰(zhàn)就是數(shù)據(jù)不平衡。一般情況下，大部分?jǐn)?shù)據(jù)集中的病灶體素的數(shù)量遠(yuǎn)低于非病變體素的數(shù)量，乳腺癌數(shù)據(jù)集亦如此，并且乳腺病灶的面積遠(yuǎn)小于乳房區(qū)域面積。數(shù)據(jù)集訓(xùn)練出的模型會(huì)對(duì)分割精度產(chǎn)生影響。為此，針對(duì)該種情況采用Tversky［23］損失函數(shù)。它是一種基于Tversky指數(shù)的廣義損失函數(shù)，可以有效解決數(shù)據(jù)不平衡的問(wèn)題，在精度和召回率之間達(dá)到更好的平衡。公式如式（6）所示：

其中：p，g為網(wǎng)絡(luò)最后一層sigmoid輸出的結(jié)果。p0i為病變體素的輸出概率，p1i非病變體素的輸出概率。類(lèi)似地，對(duì)于g，0表示病變體素輸出概率，1表示非病變體素輸出的概率。α，β則分別控制假陰性和假陽(yáng)性，可以通過(guò)調(diào)整α，β來(lái)控制假陽(yáng)性和假陰性之間的權(quán)衡，在實(shí)驗(yàn)中α=0.3，β=0.7。

3 實(shí)驗(yàn)與分析

在這項(xiàng)研究應(yīng)用中，服務(wù)器硬件配置為：In?tel（R）Core（TM）i9-9900K CPU@3.60 GHz×16；GPU顯卡配置為GeForce RTX 2080 Ti；操作系統(tǒng)為Ubuntu 18.04；采用Python3.6編程語(yǔ)言；使用基于Pytorch1.3的深度學(xué)習(xí)框架。

3.1 數(shù)據(jù)庫(kù)及預(yù)處理

本文實(shí)驗(yàn)所用DCE-MRI影像數(shù)據(jù)為160例自建臨床數(shù)據(jù)庫(kù)，采集乳腺癌影像的設(shè)備型號(hào)是西門(mén)子MAGNETO 1.5T MRA，配備乳腺專(zhuān)用4通道相控陣表面線圈。在采集過(guò)程中病人的姿態(tài)呈俯臥位。篩選后最終入庫(kù)160例T 2期DCE-MRI臨床數(shù)據(jù)，影像為橫切面方向，圖像大小512×512。乳房ROI區(qū)域的標(biāo)簽制作由臨床醫(yī)生借助LabelMe軟件手動(dòng)進(jìn)行標(biāo)注。乳腺癌的標(biāo)簽制作使用了醫(yī)學(xué)影像軟件3D slicer。對(duì)于臨床160例影像數(shù)據(jù)，隨機(jī)劃分為訓(xùn)練集128例，測(cè)試集32例，在訓(xùn)練時(shí)對(duì)數(shù)據(jù)進(jìn)行了鏡像、縮放、彈性形變等數(shù)據(jù)增強(qiáng)操作。在訓(xùn)練過(guò)程中又對(duì)數(shù)據(jù)進(jìn)行有效的預(yù)處理，首先刪除前0.1%與后0.1%的像素值進(jìn)行去噪，然后進(jìn)行灰度歸一化操作。對(duì)于乳房ROI區(qū)域提取與乳腺癌病灶分割采用同一批訓(xùn)練集和測(cè)試集，二者在整體框架上是一種先后順序的二階段結(jié)構(gòu)，在訓(xùn)練過(guò)程中分別對(duì)兩個(gè)模型進(jìn)行先后訓(xùn)練。首先使用微調(diào)U-net模型進(jìn)行乳房ROI區(qū)域提取，其次對(duì)于乳腺癌病灶分割在訓(xùn)練過(guò)程中使用He［22］歸一化算法進(jìn)行初始化，Adam優(yōu)化器［25］進(jìn)行梯度下降，參數(shù)設(shè)置為：β1=0.9，β2=0.999，ε=1e-8、學(xué)習(xí)率為1e-3。Batch size設(shè)置為2，每個(gè)模型迭代次數(shù)為200，最后通過(guò)sigmoid函數(shù)得到輸出結(jié)果，因?yàn)槠漭敵鲋涤驗(yàn)椋?，1），所以最后輸出結(jié)果通過(guò)設(shè)置閾值（threshold=0.3）來(lái)判斷。

3.2 分割評(píng)價(jià)標(biāo)準(zhǔn)

評(píng)估分割結(jié)果借鑒五種常用的醫(yī)學(xué)影像分割評(píng)估指標(biāo)：Dice coefficient（DSC）、Intersection over Union（IoU）、敏感性（Sensitivity）、特異性（Specificity）、陽(yáng)性預(yù)測(cè)值（Positive predictive val?ue），公式如式（7）所示。

其中：TP是像素級(jí)分割中前景分割正確的像素點(diǎn)數(shù)，TN是像素級(jí)分割中背景分割正確的像素點(diǎn)數(shù)，F(xiàn)P是像素級(jí)分割中背景分割錯(cuò)誤的像素點(diǎn)數(shù)，F(xiàn)N是像素級(jí)分割中前景分割錯(cuò)誤的像素點(diǎn)數(shù)。

3.3 乳房ROI分割

重新設(shè)計(jì)基準(zhǔn)U-Net模型實(shí)現(xiàn)乳房ROI粗略勾畫(huà)。分割示意如圖7所示（彩圖見(jiàn)期刊電子版），第1行為3例含有乳腺癌的影像；第2行為醫(yī)生手動(dòng)分割乳房區(qū)域標(biāo)簽；第3行紅色區(qū)域?yàn)閁Net乳房區(qū)ROI粗分割結(jié)果。乳房區(qū)域可以延深至胸部?jī)蓚?cè)，以確保沒(méi)有乳腺癌區(qū)域漏掉。同時(shí)實(shí)現(xiàn)即使較小的乳房區(qū)域也得以正確分割。

圖7 乳房區(qū)域粗分割示意圖Fig.7 Illustration of breast area coarse segmentation

分割結(jié)果的實(shí)驗(yàn)統(tǒng)計(jì)表明，其DICE值可以達(dá)到0.92，ACC達(dá)到0.98，如表1所示。滿(mǎn)足下一步乳腺癌精確分割的需求?；静挥绊懞罄m(xù)乳腺癌病灶分割。

表1 乳房區(qū)域分割結(jié)果Tab.1 breast area segmentation results

3.4 不同方法實(shí)驗(yàn)對(duì)比分析

在有限的相同數(shù)據(jù)集上，將所提出模型與現(xiàn)有表現(xiàn)優(yōu)異的主流分割模型進(jìn)行對(duì)比測(cè)試。我們的微調(diào)模型有：U-Net，ARH-UNet，AMH-UN?et，AMH-UNet+DS，UTB-Net+DS。而選擇用于比對(duì)的6個(gè)表現(xiàn)優(yōu)異主流醫(yī)學(xué)影像分割模型：U-Net［18］，2D-VNet［26］，ResUNet［28］，2D-DenseU?Net［27］，Pix2pix［29］，Attention-UNet［12］進(jìn) 行 對(duì) 比 分析。實(shí)驗(yàn)結(jié)果分別如圖8～圖10所示。

圖10 乳腺癌分割結(jié)果全局展示圖Fig.10 Global illustration of breast tumor segmentation

圖8展示了3例病人在6個(gè)不同表現(xiàn)優(yōu)異的主流分割模型的乳腺癌病變區(qū)分割結(jié)果。第1行為3例病人原始影像。第2行分別是3例病人相應(yīng)的金標(biāo)準(zhǔn)。從第3行到第7行分別對(duì)應(yīng)UNet［18］，2D-VNet［26］，ResUNet［28］，2D-DenseU?Net［27］，Pix2pix［29］的5種 模 型 相 應(yīng) 的 分 割 結(jié) 果。由圖可知，第3行U-net分割結(jié)果的邊緣粗糙，不能準(zhǔn)確區(qū)分正常腺體與乳腺癌灶區(qū)域，分割結(jié)果主要集中在灰度值較高的區(qū)域，未能完整地出分割出乳腺癌灶，分割結(jié)果小于金標(biāo)準(zhǔn)區(qū)域。第4行是2D-VNet的分割的結(jié)果，可以看出受乳房邊緣和周?chē)袤w的影響，甚至無(wú)法分割出乳腺癌灶。

圖8 乳腺癌病變區(qū)分割結(jié)果局部示圖Fig.8 Partial segmentation of breast tumor lesions

在圖8中，第5行是ResUNet［28］的分割結(jié)果，可以看出受周?chē)Ｏ袤w的影響，將正常腺體分割成乳腺癌灶區(qū)域。第6行是2D-DenseUNet［27］的分割結(jié)果，由于乳腺癌灶邊界具有模糊特性，分割存在過(guò)度分割的問(wèn)題。第7行是Pix2pix［29］分割結(jié)果，作為可用于分割的生成對(duì)抗網(wǎng)絡(luò)，由于乳腺癌灶存在亮度不均，語(yǔ)義信息復(fù)雜，最終影響了分割的 準(zhǔn)確性。Attention-UNet［12］分割結(jié)果在圖9中第1行，主觀上可以看出對(duì)乳腺癌灶的定位較為準(zhǔn)確，但是對(duì)于邊緣和細(xì)節(jié)的部分還有欠缺。

圖9 乳腺癌病變區(qū)分割結(jié)果局部示圖Fig.9 Partial segmentation of breast tumor lesions

對(duì)于本文所提出的5個(gè)改進(jìn)模型分割結(jié)果，主要展示在圖9的第2行至第6行。

圖9第2行是微調(diào)U-Net模型的分割結(jié)果，在編碼部分的最后一層，進(jìn)行兩次Conv→PRe?LU→Conv→PReLU→Group Norm操作，在保證不增加參數(shù)的同時(shí)提取更多高級(jí)特征信息。相較于圖8中第三行基準(zhǔn)U-net分割結(jié)果，乳腺癌結(jié)果在面積上有所增加。圖9中第3行是ARHUNet分割結(jié)果，ARH-UNet與基準(zhǔn)U-Net相比不僅繼承了微調(diào)U-Net優(yōu)點(diǎn)，全局上觀察則對(duì)分割的病灶進(jìn)行了較為準(zhǔn)確的定位，局部上展示出獲取了更多細(xì)節(jié)信息。而圖9中第4行是AMHUNet分割結(jié)果，其在全局定位與局部細(xì)節(jié)都得到更進(jìn)一步提升，分割結(jié)果噪點(diǎn)更少。

圖9中第5行是AMH-UNet+DS分割結(jié)果，模型在局部邊緣和信息的識(shí)別上展示得更優(yōu)異。圖9中最后一行是UTB-Net+DS模型分割結(jié)果，與所有實(shí)驗(yàn)網(wǎng)絡(luò)相比表現(xiàn)出最高的分割準(zhǔn)確性。這是因?yàn)橐肓硕喑叨茸⒁饬旌蠙C(jī)制，相對(duì)其他模型而言，更接近于醫(yī)生標(biāo)注的金標(biāo)準(zhǔn)結(jié)果，分割結(jié)果優(yōu)于其他方法。另外，結(jié)合圖8和圖9可以看出微調(diào)U-Net與基準(zhǔn)U-Net相比無(wú)論全局還是局部都具有更高的分割準(zhǔn)確性，最明顯的優(yōu)點(diǎn)是保留了更多圖片信息。分割不準(zhǔn)確的主要原因主要由于非腫塊的乳腺腫瘤區(qū)域邊界模糊，形態(tài)變化大，紋理不規(guī)則，受周?chē)Ｏ袤w組織的影響較大。

圖10進(jìn)一步使用單個(gè)病例從全局分析分割結(jié)果。ARH-UNet與基準(zhǔn)U-Net相比不僅繼承了微調(diào)U-Net優(yōu)點(diǎn)，全局上觀察則對(duì)分割的病灶進(jìn)行了較為準(zhǔn)確的定位，局部上展示出獲取了更多細(xì)節(jié)信息。而AMH-UNet則在全局定位與局部細(xì)節(jié)都得到更進(jìn)一步提升。使得分割結(jié)果的噪點(diǎn)更少。AMH-UNet+DS則在局部邊緣和信息的識(shí)別上展示的更優(yōu)異。最后，UTB-Net+DS與所有實(shí)驗(yàn)網(wǎng)絡(luò)相比表現(xiàn)出最高的分割準(zhǔn)確性。

通過(guò)分析局部細(xì)節(jié)分割結(jié)果圖8～圖9和全局分割圖10，可以看出UTB-Net+DS在全局與局部的分割區(qū)域定位、邊緣信息識(shí)別和細(xì)節(jié)信息分割方面都取得了最好的表現(xiàn)。最終得出在分割過(guò)程中對(duì)分割區(qū)域進(jìn)行全局與局部精準(zhǔn)定位、保留更多圖像信息與增強(qiáng)信息識(shí)別能力對(duì)像素級(jí)分割結(jié)果至關(guān)重要，這也證實(shí)了UTB-Net+DS網(wǎng)絡(luò)存在一定的魯棒性與合理性。

3.5 注意力圖和特征分析

如圖11所示，為兩例乳腺癌灶注意力的熱力圖和特征圖。網(wǎng)絡(luò)初始化時(shí)注意力點(diǎn)在乳房全局區(qū)域服從均勻分布。隨著數(shù)據(jù)在網(wǎng)絡(luò)中流動(dòng)，網(wǎng)絡(luò)的焦點(diǎn)逐漸聚焦于乳腺癌灶的邊緣，最后從粗糙的定位和大概輪廓逐漸聚焦于乳腺癌灶，從而進(jìn)行精確地分割。即使當(dāng)數(shù)據(jù)流經(jīng)網(wǎng)絡(luò)過(guò)程中產(chǎn)生錯(cuò)誤的聚焦也可以被逐漸修正。從中可以觀察到，殘差與注意力單元ARHD與Non-lo?cal能夠幫助進(jìn)行病灶定位與糾正，以及獲取目標(biāo)的重要特征。

圖11 乳腺癌灶分割注意力熱力圖與特征圖Fig.11 Breast tumor segmentation Attention and feature map

圖11為兩例病人注意圖采用Grad-CAM［30］方法產(chǎn)生熱力圖和特征圖作為注意力的仿真結(jié)果，通過(guò)病例1可以觀察到模型使用注意力機(jī)制后可以穩(wěn)定的定位到病灶部位。病例2可以觀察到，圖中左乳區(qū)有乳腺癌病灶，圖2中右乳區(qū)存在虛假疑似病灶區(qū)域，所提模型的注意力機(jī)制配合殘差與注意力單元（ARHD）與Non-local能夠幫助進(jìn)行疑似病灶定位與糾正，以及獲取目標(biāo)的重要特征。所獲得的注意力特征圖如圖12所示，從所提模型的編碼路徑與解碼路徑的連接處提取注意力特征圖，從中可以看到所提模型穩(wěn)定的定位到病灶區(qū)和疑似病灶區(qū)，而對(duì)于圖2中右乳區(qū)虛假病灶區(qū)，所提模型可以在解碼部分進(jìn)行抑制，能夠有效的減少虛假病灶區(qū)錯(cuò)分割。

圖12 乳腺癌灶分割特征圖Fig.12 Breast tumor segmentation Attention and feature map

3.6 模型可視化與消融實(shí)驗(yàn)分析

圖13展示深度監(jiān)督UTB-Net對(duì)單例病灶的乳腺癌灶分割結(jié)果的2D和3D擬合效果。圖13（a）預(yù)測(cè)結(jié)果輪廓基本擬合乳腺癌灶區(qū)。由于MSPCF能夠在同一層級(jí)獲得不同感受野的特征，可提高網(wǎng)絡(luò)獲取模糊邊緣和小面積腫塊信息的能力。為了更加直觀展現(xiàn)所提模型預(yù)測(cè)結(jié)果，分別對(duì)金標(biāo)準(zhǔn)和預(yù)測(cè)結(jié)果進(jìn)行3D構(gòu)建，結(jié)果分別如圖13（b）和13（c）。由圖可知，所提模型的分割結(jié)果雖然接近金標(biāo)準(zhǔn)的大體輪廓，但在乳腺癌病變邊緣像素級(jí)分割上仍有待加強(qiáng)。

圖13 單病例分割與3D重構(gòu)Fig.13 Segmentation and 3D reconstruction of single case

為了進(jìn)一驗(yàn)證注意力-殘差混合解碼模塊、多尺度并行卷積融合模塊、深度監(jiān)督機(jī)制和Nonlocal模塊對(duì)模型的貢獻(xiàn)，進(jìn)行了模型的消融實(shí)驗(yàn)仿真和分析。如圖14所示，第1列為3例病患的原始影像；第2列為金標(biāo)準(zhǔn)在3D空間中的重構(gòu)圖；第3列為微調(diào)U-net加入注意力-殘差混合解碼（ARHD）模塊后，分割結(jié)果在3D空間中的重構(gòu)圖；第4列為模型加入多尺度并行卷積融合（MSPCF）模塊后，分割結(jié)果在3D空間中的重構(gòu)圖；第5列為加入深度監(jiān)督機(jī)制（Depth supervi?sion）后，分割結(jié)果在3D空間中的重構(gòu)圖；最后1列為加入Non-local后，所提出模型的分割結(jié)果在3D空間中的重構(gòu)圖。在各個(gè)模塊添加的過(guò)程當(dāng)中，在表面細(xì)節(jié)、顆粒度、中間的空洞處理、病灶邊緣上分割效果逐漸提升，對(duì)于綜合后的模型表現(xiàn)為最優(yōu)。

圖14 消融實(shí)驗(yàn)過(guò)程展示Fig.14 Diagram of ablation experiment process

對(duì)于模型中的卷積層特征進(jìn)行了提取和再現(xiàn)，如圖15所示，分別對(duì)編碼層1～4進(jìn)行特征可視化，從圖中可知所提模型在編碼層主要學(xué)習(xí)紋理、邊緣、灰度等淺層特征信息，在解碼路徑上分別對(duì)解碼層1～4進(jìn)行特征可視化，從圖中可知解碼層我們的模型主要學(xué)習(xí)深層的語(yǔ)義信息。

圖15 卷積層仿真結(jié)果展示Fig.15 Diagram of ablation experiment process

3.7 分割結(jié)果統(tǒng)計(jì)分析

為了更進(jìn)一步驗(yàn)證深度監(jiān)督UTB-Net對(duì)于乳腺癌灶的分割性能，使用Dice coefficient（DSC），Intersection over Union（IoU），敏 感 性（Sensitivity），特異性（Specificity），陽(yáng)性預(yù)測(cè)值（Positive predictive value）作為該數(shù)據(jù)集上的評(píng)估指標(biāo)，對(duì)測(cè)試結(jié)果進(jìn)行統(tǒng)計(jì)分析。

如表2所示，在該數(shù)據(jù)集深度監(jiān)督UTB-Net在所有評(píng)估指標(biāo)上取得了很好的結(jié)果。但由于乳腺DCE-MRI臨床數(shù)據(jù)集包含大量噪聲，背景區(qū)域與前景區(qū)域不平衡，所以造成模型表現(xiàn)出敏感性指標(biāo)低特異性指標(biāo)高這一特點(diǎn)。深度監(jiān)督UTB-Net的DICE值超出對(duì)比基準(zhǔn)U-Net 4.78%，IOU上超出5.92%，SEN超出3.94%，在SPE上持平，在PPV上超出4.43%。可以看出，深度監(jiān)督UTB-Net結(jié)果與基準(zhǔn)U-Net［18］相比更具有穩(wěn)定性，且測(cè)試結(jié)果平均水平也高于它。所提最終深度監(jiān)督UTB-Net是經(jīng)過(guò)一系列模型不斷創(chuàng)新改進(jìn)而來(lái)。

表2 不同模型分割結(jié)果統(tǒng)計(jì)分析Tab.2 Compare of segmentation results

圖16為各個(gè)算法的BOX箱線圖統(tǒng)計(jì)對(duì)比（彩圖見(jiàn)期刊電子版），其橫軸表述前面實(shí)驗(yàn)對(duì)比算法中所用到的不同模型，縱軸表示DICE系數(shù)，本文所提微調(diào)U-Net、ARH-UNet、AMH-UNet、AMH-UNet+DS、UTB-Net+DS模型，隨著改進(jìn)過(guò)程，所有指標(biāo)值、穩(wěn)定性均逐步升高，進(jìn)一步驗(yàn)證了所提模塊的有效性和對(duì)模型改進(jìn)與創(chuàng)新方向的正確性。BOX圖中的綠色線和紅色線分別表示測(cè)試數(shù)據(jù)的平均值和中值。

圖16 所有實(shí)驗(yàn)?zāi)Ｐ偷南渚€圖展示Fig.16 BOX diagrams of all comparative experiments

3.8 模型參數(shù)分析

由表3可知，所提模型參數(shù)約23.7 MB，所提出模型使用微調(diào)U-net作為基礎(chǔ)的編碼與解碼結(jié)構(gòu)，即Conv→PReLU→Conv→PReLU→Group?Norm，在編碼路徑加入多尺度并行卷積融合（MSPCF）模塊構(gòu)成編碼層的一部分。UTB-Net包含四層編碼層和四個(gè)最大池化運(yùn)算，每個(gè)運(yùn)算之后特征圖面積減半。除MSPCF外，所有卷積層都有3×3的卷積核，通道數(shù)如上表所示，第一個(gè)編碼層輸出有32個(gè)通道，隨著網(wǎng)絡(luò)的加深，每個(gè)編碼層和最大池化運(yùn)算之后通道數(shù)會(huì)加倍，直到通道數(shù)為512，在之后的卷積層與Non-local模塊輸出通道數(shù)不變。

表3 UTB-Net主要模塊參數(shù)Tab.3 Main module parameters of UTB net

在解碼部分，包含注意力-殘差混合解碼（ARHD）模塊構(gòu)建的三層解碼層、一個(gè)基礎(chǔ)解碼結(jié)構(gòu)和四個(gè)轉(zhuǎn)置卷積運(yùn)算，每個(gè)運(yùn)算后特征圖面積增大兩倍，同時(shí)通道參數(shù)減少一半。轉(zhuǎn)置卷積的輸出連接著編碼器對(duì)應(yīng)部分的輸出，以此作為下層的輸入。由此得到的特征圖通過(guò)卷積運(yùn)算來(lái)處理，以保持通道數(shù)量與對(duì)稱(chēng)編碼部分相同。最后將每個(gè)解碼層的輸出的特征圖，通過(guò)上采樣與1×1卷積操作，還原成512×512大小的單通道特征圖，經(jīng)過(guò)深度監(jiān)督機(jī)制求和取平均獲得最終輸出結(jié)果。

對(duì)所提出模型的關(guān)鍵卷積核權(quán)值與偏置進(jìn)行了可視化分析。如圖17所示，從圖17（a）可以看出編碼層第一層的卷積核權(quán)值服從正態(tài)分布，這一層卷積核主要學(xué)習(xí)一些粗糙的淺層特征。圖17（b），（c），（d），（i）是編碼層第一層多尺度并行卷積融合（MSPCF）模塊不同尺度的卷積核權(quán)值，從中可以看到不同尺度的卷積核所學(xué)習(xí)的特征是不相同，這進(jìn)一步驗(yàn)證所提出MSPCF模塊的合理性與有效性。圖12（k），（l），（o）是解碼層1～3的卷積核權(quán)值，從圖中可以看出注意力-殘差混合解碼（ARHD）模塊的卷積核所學(xué)習(xí)特征分布基本一致，進(jìn)一步表明所提ARHD模塊能穩(wěn)定識(shí)別與定位病灶區(qū)域，能有效的學(xué)習(xí)到深層語(yǔ)義信息。圖12（p）為解碼層最后一層的卷積核參數(shù)，由于長(zhǎng)連接的存在使其不僅能保留上層所學(xué)習(xí)的深層特征信息，也能保留對(duì)應(yīng)編碼層的淺層特征信息。綜上，通過(guò)卷積核權(quán)值的分析，所提模型具有一定的合理性與正確性。

圖17 UTB-Net關(guān)鍵卷積核權(quán)值與偏置Fig.17 BOX diagrams of all comparative experiments

3.9 分割模型訓(xùn)練與驗(yàn)證

如圖18可知，本文所提出的模型在訓(xùn)練過(guò)程中，訓(xùn)練loss在迭代0～25次之間收斂速度較快，在經(jīng)歷25～140次迭代后曲線收斂逐漸趨于平緩。驗(yàn)證loss在0～25次迭代之間收斂速度也較快，在經(jīng)歷25～140次迭代后曲線趨于平緩。綜上所述，本文所提的模型在訓(xùn)練與驗(yàn)證過(guò)程中具有一定的穩(wěn)定性與魯棒性。

圖18 UTB-Net訓(xùn)練與驗(yàn)證Loss曲線Fig.18 UT B-N train and valid loss

4 結(jié)論

在有限的數(shù)據(jù)集上，針對(duì)具有復(fù)雜背景的DCE-MRI乳腺癌圖像分割問(wèn)題。本文提出了一種分階段乳腺癌圖像分割模型。首先，借鑒Unet模型完成乳房區(qū)域的粗略勾畫(huà)。其次，提出一種UTB-Net模型，在解碼路徑整合注意力-殘差混合解碼結(jié)構(gòu)，在編碼路徑和末端分別引入多尺度并行卷積模塊、Non-local模塊。實(shí)驗(yàn)結(jié)果表明所提出的模型實(shí)驗(yàn)相較于U-Net基準(zhǔn)模型，乳腺癌分割指標(biāo)DICE，IOU，SEN，PPV分別提升了4%。4.78%，5.92%，3.94%。不足之處：對(duì)于網(wǎng)孔狀較小的病變區(qū)細(xì)節(jié)分割上需進(jìn)一步提升。下一步將研究乳腺癌圖像的3D分割和定位，結(jié)合影像組學(xué)，建立預(yù)測(cè)模型，提高乳腺癌的診斷、治療和預(yù)后。