紀(jì)玲玉,高永彬,趙呈陸,湯先華,徐凱成,徐嘉誠

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620)

胃癌是我國最常見的腫瘤之一。我國的胃癌發(fā)病率及死亡率僅次于肝癌。進(jìn)展期胃癌常伴有區(qū)域淋巴結(jié)受累，并且陽性淋巴結(jié)數(shù)目影響患者的生存率，因此手術(shù)后對淋巴結(jié)的清掃已成為治療的重要環(huán)節(jié)[1]。然而，胃癌進(jìn)展期的淋巴結(jié)大多附著在動脈血管周圍，手術(shù)前需要判斷淋巴結(jié)和血管是否有浸潤、神經(jīng)受侵的情況。當(dāng)患者淋巴結(jié)腫大融合成塊，并且包裹在腹部動脈血管周圍時(shí)，如果仍采用手術(shù)治療，患者將面臨較大的風(fēng)險(xiǎn)，甚至有生命危險(xiǎn)，因此對動脈血管進(jìn)行精準(zhǔn)分割就顯得尤為重要。目前針對胃癌淋巴結(jié)周圍動脈血管的研究甚少，主要是因?yàn)楦共縿用}血管分支繁多，紋理信息弱，組織間粘連情況復(fù)雜。少數(shù)研究采用的是傳統(tǒng)方法，例如基于邊緣的分割方法、基于區(qū)域的分割方法、基于水平集的分割方法等[2-3]。然而，傳統(tǒng)的分割方法耗時(shí)耗力且分割精度低。近年來，深度學(xué)習(xí)的方法逐漸被應(yīng)用到醫(yī)學(xué)圖像分割中，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)在圖像分割和檢測中獲得了較好的應(yīng)用效果。與傳統(tǒng)方法不同的是，深度學(xué)習(xí)可以從大量的訓(xùn)練數(shù)據(jù)中自動學(xué)習(xí)目標(biāo)的外觀模型及內(nèi)部特征，并用學(xué)習(xí)到的特征進(jìn)行預(yù)測[4]。為了提高動脈血管分割精度，本文采用卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行腹部動脈血管的分割。

1 相關(guān)工作

圖像分割是圖像分析和處理的關(guān)鍵一步，是計(jì)算機(jī)視覺的基礎(chǔ)。所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個(gè)互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。目前圖像分割方法大多是傳統(tǒng)分割方法和深度學(xué)習(xí)的方法。傳統(tǒng)方法的分割主要是基于水平集方法以及基于模型和統(tǒng)計(jì)學(xué)的方法：文獻(xiàn)[5]利用水平集的方法對MR圖像的大腸癌進(jìn)行分割；文獻(xiàn)[6]利用水平集方法對醫(yī)學(xué)圖像進(jìn)行分割和測量；文獻(xiàn)[7]利用主動輪廓模型和卡爾曼濾波器進(jìn)行血管分割和跟蹤。這些方法的缺點(diǎn)是需要先驗(yàn)知識進(jìn)行輪廓的初始化才能達(dá)到分割效果，分割精度較低。

近年來，伴隨著卷積神經(jīng)網(wǎng)絡(luò)在語義分割方面的應(yīng)用，各種變體網(wǎng)絡(luò)被逐漸應(yīng)用到醫(yī)學(xué)圖像分割領(lǐng)域。CNN是神經(jīng)網(wǎng)絡(luò)的一個(gè)分支，由許多層組成，每一層執(zhí)行特定的操作，例如卷積、池化、損失計(jì)算等。通過改變網(wǎng)絡(luò)深度和卷積層數(shù)，相繼出現(xiàn)了AlexNet[8]、VGGNet[9]、GoogleNet[10]和ResNet[11]等網(wǎng)絡(luò)。與普通圖像相比，醫(yī)學(xué)圖像的結(jié)構(gòu)更加復(fù)雜，分割目標(biāo)也更小，導(dǎo)致上述早期網(wǎng)絡(luò)不能實(shí)現(xiàn)較好的分割效果。文獻(xiàn)[12]提出了全卷積網(wǎng)絡(luò)(Fully Convolutional Network，F(xiàn)CN)。FCN舍棄了全連接層(Full Connection Layer，F(xiàn)C)，全部用卷積層構(gòu)建網(wǎng)絡(luò)，通過使用轉(zhuǎn)置卷積以及不同層次特征融合的策略，使得網(wǎng)絡(luò)輸出為輸入圖像的預(yù)測掩碼，大幅度提高了效率和精度。文獻(xiàn)[13]在FCN網(wǎng)絡(luò)的基礎(chǔ)上加入了跳躍連接(U-Net)，將下采樣和上采樣相連接，有效縮小編碼器和解碼器的特征圖之間可能存在語義差距。U-Net網(wǎng)絡(luò)是首次成功應(yīng)用在醫(yī)學(xué)圖像分割的卷積神經(jīng)網(wǎng)絡(luò)，之后的醫(yī)學(xué)圖像分割網(wǎng)絡(luò)都是在U-Net的基礎(chǔ)上進(jìn)行不同形式的改進(jìn)。H-DenseUNet網(wǎng)絡(luò)[14]利用殘差網(wǎng)絡(luò)(Residual Network，ResNet)[15]的思想進(jìn)行CT圖像上肝臟腫瘤的分割，有效利用了空間信息，減少了計(jì)算成本。Y-Net網(wǎng)絡(luò)[16]與U-Net網(wǎng)絡(luò)不同，其多了一個(gè)編碼器，并且一個(gè)編碼器采用了預(yù)訓(xùn)練好的VGG19權(quán)值。文獻(xiàn)[17]在U-Net的基礎(chǔ)上加入了注意力模塊和空洞金字塔池來提升腺體細(xì)胞圖像分割精度。由于普通的二維卷積不能有效地利用圖像的時(shí)序信息，因此研究人員在二維卷積網(wǎng)絡(luò)中引入了遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks，RNN)的改進(jìn)版-長短時(shí)間記憶(Long Short-Term Memory，LSTM)。LSTM主要處理圖像序列中時(shí)序信息，通過引入自環(huán)(Self-Loops)使得梯度流能夠長期保存。文獻(xiàn)[18]將FCN和RNN相結(jié)合應(yīng)用于醫(yī)學(xué)圖像分割，將空間信息和時(shí)間信息結(jié)合到分割任務(wù)中。

盡管改進(jìn)版的二維U-Net有良好的分割性能，但大多數(shù)醫(yī)學(xué)成像方式是計(jì)算機(jī)斷層掃描(Computed Tomography，CT)或磁共振成像(Magnetic Resonance Imaging，MRI)，它們通常是3D體積形式。利用二維卷積很可能丟失三維空間信息，因此許多改進(jìn)的3D FCN網(wǎng)絡(luò)被應(yīng)用于三維醫(yī)學(xué)圖像分割。文獻(xiàn)[19]使用3DUNet進(jìn)行冠狀動脈血管分割。3DUNet是UNet的一個(gè)簡單擴(kuò)展，被應(yīng)用于三維圖像分割。相比于UNet，3DUNet僅用了3次下采樣操作，在每個(gè)卷積層后使用了批量歸一化。文獻(xiàn)[20]提出將VNet網(wǎng)絡(luò)用于MR圖像的前列腺分割。VNet與UNet類似，不同之處是VNet網(wǎng)絡(luò)的每層卷積之間進(jìn)行了殘差連接，使網(wǎng)絡(luò)可以更好地收斂。Dense-VNet網(wǎng)絡(luò)[21]利用密集鏈接塊代替卷積層，緩解了梯度消失問題，加強(qiáng)了特征傳播，鼓勵(lì)特征復(fù)用，減少了參數(shù)量。近期，分段級聯(lián)式網(wǎng)絡(luò)被許多人提出。文獻(xiàn)[22]提出了腹部多器官分割與器官注意網(wǎng)絡(luò)及統(tǒng)計(jì)融合的方法。該算法分為兩個(gè)階段，第1階段進(jìn)行網(wǎng)絡(luò)訓(xùn)練得到概率圖，將得到的概率圖作為第2階段網(wǎng)絡(luò)輸入的補(bǔ)充，并且加入了輔助監(jiān)督和反向連接，最后用多視圖模型EM算法融合。文獻(xiàn)[23]在3D FCN上使用多尺度金字塔和上下文思想進(jìn)行腹部多器官的分割。上下文的思想主要是把前一個(gè)3D UNet的輸出融合到下一個(gè)3D UNet的輸入中，然后進(jìn)行一次迭代。文獻(xiàn)[24]提出基于遷移學(xué)習(xí)的腹部多器官CT自動分割的深度學(xué)習(xí)方法。該方法由3個(gè)階段組成：在第1階段根據(jù)概率地圖集估計(jì)器官的大致位置；在第2階段中，將已經(jīng)訓(xùn)練的3D UNet應(yīng)用于聚焦點(diǎn)；在第3階段中，采用后處理的方法清除碎片。文獻(xiàn)[25]利用級聯(lián)VNet分割腦腫瘤。任務(wù)分成兩個(gè)階段：第1階段主要是生成腫瘤掩碼，在生成掩碼之前加入形態(tài)濾波，去除邊緣噪聲；第2階段分成4分類，主要目的是分割出腫瘤。將第1個(gè)網(wǎng)絡(luò)分割的掩碼以及原始訓(xùn)練集投入此網(wǎng)絡(luò)訓(xùn)練，得到腫瘤分割。文獻(xiàn)[26]提出兩階段胰腺分割方法。第1階段位粗分割階段，用3D UNet進(jìn)行了降采樣三維體。利用基于分割與定位之間的緊密關(guān)系，獲得粗尺度的分割掩碼后提取胰腺候選區(qū)域。然后，從估算的標(biāo)簽中提取覆蓋胰腺的候選區(qū)域；第2階段為精細(xì)分割，用另一個(gè)3D UNet在第1階段生成的候選區(qū)域上進(jìn)行訓(xùn)練。

盡管已有一系列的血管分割方法被提出，但是針對胃癌受累淋巴結(jié)周圍動脈血管的分割方法較少，并且已有方法的分割效果欠佳。本文提出基于改進(jìn)3D FCN的腹部動脈血管分割方法。該方法在網(wǎng)絡(luò)編碼路徑上構(gòu)造多尺度的輸入，形成不同層次的感受野，并對側(cè)輸入卷積后的圖像與下采樣卷積后的圖像進(jìn)行了融合，擴(kuò)寬解碼路徑的信息量。隨著網(wǎng)絡(luò)不斷的卷積和池化，高層語義信息越來越少，本文將密集擴(kuò)張卷積與通道注意模塊進(jìn)行融合應(yīng)用到三維網(wǎng)絡(luò)，更好地提取了高層特征信息。與傳統(tǒng)分割方法相比，使用三維卷積進(jìn)行胃癌受累淋巴結(jié)周圍動脈血管的分割可以有效利用3D卷積分割的時(shí)序性，避免CT圖像幀與幀之間信息的丟失，提升了動脈血管分割精度。

2 方法設(shè)計(jì)

實(shí)驗(yàn)的整體架構(gòu)流程圖如圖1所示，其中虛線C表示融合操作，SED表示密集擴(kuò)張卷積與通道注意力融合的模塊。網(wǎng)絡(luò)架構(gòu)包括：(1)基礎(chǔ)網(wǎng)絡(luò)3D FCN；(2)多尺度輸入的融合操作；(3)密集擴(kuò)張卷積和通道注意力的融合模塊。為了形成不同層次的感受野，獲取更多特征信息，本文采用平均池化對圖像進(jìn)行自然降采樣，在編碼路徑中構(gòu)造多尺度的輸入。為了更好地捕獲高層特征信息，本文在網(wǎng)絡(luò)中嵌入了SED。實(shí)驗(yàn)的整體訓(xùn)練過程為：將處理后的原始數(shù)據(jù)和標(biāo)注數(shù)據(jù)送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好權(quán)重的網(wǎng)絡(luò)模型。然后，將測試集送入訓(xùn)練好權(quán)重的網(wǎng)絡(luò)模型中進(jìn)行預(yù)測，得到預(yù)測結(jié)果圖。

圖1 實(shí)驗(yàn)整體架構(gòu)圖Figure 1.Diagram of the overall experiment architecture

2.1 三維全卷積網(wǎng)絡(luò)

三維全卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，該網(wǎng)絡(luò)丟棄了傳統(tǒng)全卷積網(wǎng)絡(luò)的全連接層，并且采用了編碼器與解碼器的相連接的結(jié)構(gòu)模式。與3DUNet類似，該網(wǎng)絡(luò)由收縮路徑和擴(kuò)展路徑組成。不同之處在于該網(wǎng)絡(luò)每層卷積之間加入了殘差連接，用以防止網(wǎng)絡(luò)過擬合。整個(gè)架構(gòu)通過4次下采樣和4次上采樣進(jìn)行網(wǎng)絡(luò)分割，其中下采樣操作逐漸減少圖像的空間維度，而上采樣操作逐步修復(fù)物體的細(xì)節(jié)和空間維度。網(wǎng)絡(luò)中每層包含1～3個(gè)卷積，每個(gè)卷積核的大小為5×5×5，步長為1。下采樣和上采樣部分采用卷積核大小2×2×2和步長為2的卷積操作。為了解決網(wǎng)絡(luò)層數(shù)過多導(dǎo)致網(wǎng)絡(luò)泛化能力變差的問題，本文在每個(gè)卷積層之前加入PReLU激活函數(shù)和批量歸一化層。網(wǎng)絡(luò)在編碼和解碼部分加入殘差來提高網(wǎng)絡(luò)的性能。本文在網(wǎng)絡(luò)中加入了激活函數(shù)，使得網(wǎng)絡(luò)具有非線性映射的學(xué)習(xí)能力。為了使輸出卷積大小與輸入相同，最后一個(gè)卷積層使用1×1×1大小的卷積核。最后，通過應(yīng)用Sigmoid激活函數(shù)將輸出轉(zhuǎn)換為前景和背景區(qū)域的概率值。本研究選用PReLU激活函數(shù)，其與ReLU函數(shù)相比具有更快的收斂速度，且能解決ReLU存在的神經(jīng)元“壞死”情況。PReLU激活函數(shù)定義為

(1)

圖2 三維全卷積網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)Figure 2. Basic structure of 3D full convolutional network

其中，x表示輸入，訓(xùn)練參數(shù)a學(xué)習(xí)控制x負(fù)數(shù)部分。

本文使用Dice loss系數(shù)作為損失函數(shù)。Dice函數(shù)能夠處理數(shù)據(jù)不均衡的問題，尤其在醫(yī)學(xué)圖像分割中有良好的分割性能。函數(shù)表達(dá)式如下

(2)

式中，N表示體素的總數(shù)量；i表示第1個(gè)體素；p表示預(yù)測的結(jié)果；g表示金標(biāo)準(zhǔn)(Ground-Truth，GT)。

2.2 多尺度特征提取

CNN卷積核的大小反映了感受野的范圍，加大卷積核的同時(shí)也增加了學(xué)習(xí)參數(shù)的數(shù)目。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的池化層有助于縮小圖像的尺寸和增加特征圖像的步長。然而，池化層會導(dǎo)致圖像細(xì)節(jié)丟失和小目標(biāo)的不完整分割，且容易產(chǎn)生分割斷裂的現(xiàn)象。為了解決這些問題，文獻(xiàn)[27]提出擴(kuò)張卷積方法，在不增加附加參數(shù)的情況下擴(kuò)大感受野，從而保留了多尺度特征和細(xì)節(jié)信息。擴(kuò)張卷積是一種帶孔的卷積，它能夠通過控制擴(kuò)張率r來改變輸出特征映射的分辨率。對應(yīng)于輸出特征層上y的每個(gè)像素i，擴(kuò)張卷積的過程如下

(3)

其中，w是卷積核；k是卷積核大小；x是卷積輸入；r膨脹率決定了輸入信號的采樣間隔，代表了在輸入特征層中引入了r-1個(gè)孔，通過調(diào)整r可以自適應(yīng)調(diào)整感受野大小。將卷積核大小為3×3×3的卷積層的膨脹率設(shè)置為1。隨著網(wǎng)絡(luò)模型分層深度的增加，圖像的細(xì)節(jié)信息會變得模糊。同時(shí)，網(wǎng)絡(luò)趨于復(fù)雜，會產(chǎn)生過擬合等問題。為了簡化網(wǎng)絡(luò)模型并保留多尺度目標(biāo)特征和細(xì)節(jié)信息，本文提出了一種基于擴(kuò)張卷積的網(wǎng)絡(luò)模型—密集擴(kuò)張卷積[28]，如圖3所示。該模塊類似于Inception-ResNet[29]，利用帶有不同空洞率的多個(gè)卷積塊進(jìn)行級聯(lián)，卷積核的大小為3×3×3，空洞率分別為1、3、5。在每個(gè)分支的卷積塊后進(jìn)行了1×1×1的降低維度操作。該模塊能夠提取不同大小目標(biāo)的特征信息。

圖3 密集擴(kuò)張卷積塊Figure 3. Dense dilation convolution block

2.3 融入通道注意的多尺度特征提取

卷積神經(jīng)網(wǎng)絡(luò)建立在卷積運(yùn)算的基礎(chǔ)上，通過融合局部感受野內(nèi)的空間信息和通道信息來提取特征信息。為了提高網(wǎng)絡(luò)的分割性能，許多現(xiàn)有的工作已經(jīng)證實(shí)了強(qiáng)空間編碼的優(yōu)勢。充分利用通道之間的關(guān)系可提取更多高層語義特征。文獻(xiàn)[30]專注于通道信息，提出了一種新穎的網(wǎng)絡(luò)架構(gòu)單元“擠壓-提取”(Squeeze-and-Excitation，SE)，如圖4所示，其中FC1和FC2表示全連接層。該模塊通過建模通道之間的相互依賴關(guān)系，自適應(yīng)地重新校準(zhǔn)通道式的特征響應(yīng)。

圖4 通道注意力模塊Figure 4. Channel attention module

SE模塊由3部分組成。利用通道特征的相互依賴關(guān)系的操作如下：

(1)擠壓(Squeeze)操作。順著空間維度進(jìn)行特征壓縮，將每個(gè)二維的特征通道變成一個(gè)實(shí)數(shù)，這個(gè)實(shí)數(shù)某種程度上具有全局的感受野，并且輸出的維度和輸入的特征通道數(shù)相匹配。它表征著在特征通道上響應(yīng)的全局分布，且使得靠近輸入的層也可以獲得全局的感受野。通過全局平均池化生成通道統(tǒng)計(jì)Zc，計(jì)算式為

(4)

其中，H×W表示特征的空間維度；c表示通道數(shù)；

(2)提取(Excitation)操作。提取操作類似于循環(huán)神經(jīng)網(wǎng)絡(luò)中門的機(jī)制，通過參數(shù)w來為每個(gè)特征通道生成權(quán)重。其中參數(shù)w被學(xué)習(xí)用來顯式地建模特征通道間的相關(guān)性，其計(jì)算式為

sc=σ(W2δ(W1Zc))

(5)

(3)校正權(quán)值操作。該操作將上一步操作輸出的權(quán)重看做經(jīng)過特征選擇后的每個(gè)特征通道的權(quán)重，然后通過乘法逐通道加權(quán)到先前的特征上，完成在通道維度上對原始特征的重標(biāo)定，表達(dá)式如下

Xc=Fscale(fc,sc)

(6)

式中，X=[x1,x2，…，xc]；Fscale(fc,sc)表示sc和fc之間的通道相乘；fc表示輸入的特征圖。

由于密集擴(kuò)張卷積中采用了大量通道來豐富語義特征的表達(dá)。受文獻(xiàn)[30]的影響，本文將密集擴(kuò)張卷積與通道注意力模塊進(jìn)行融合(簡稱SEC模塊)，如圖5所示。該操作可使密集擴(kuò)張卷積更好地利用通道之間的關(guān)系，提取更多高層特征信息。本文在密集擴(kuò)張卷積模塊的分類層上添加了監(jiān)控信號，因此分類層上特征的每個(gè)通道都可以看作是一個(gè)特定的類響應(yīng)，對聚合的多尺度特征進(jìn)行特征重新校準(zhǔn)。

圖5 融入通道注意的多尺度特征提取模塊Figure 5. Multi-scale feature extraction module with channel attention

3 實(shí)驗(yàn)結(jié)果和分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)所使用的數(shù)據(jù)均來至于上海市長征醫(yī)院。本文共使用50個(gè)實(shí)例數(shù)據(jù)，每個(gè)實(shí)例數(shù)據(jù)都包含了人體的整個(gè)腹部區(qū)域，且均為經(jīng)過血管造影劑進(jìn)行增強(qiáng)掃描后的圖像。實(shí)驗(yàn)采用門脈期的動脈血管數(shù)據(jù)作為訓(xùn)練集和測試集，此期每個(gè)病人的CT包括40～50張切片。原始CT圖像的大小是512×512，由于運(yùn)行內(nèi)存限制，將原始數(shù)據(jù)處理成256×256大小。本文對CT數(shù)據(jù)進(jìn)行了預(yù)處理，將每個(gè)病人32張CT切片壓縮成一個(gè)mhd和raw格式文件。實(shí)驗(yàn)采用40個(gè)實(shí)例1 280張圖像作為訓(xùn)練集來訓(xùn)練網(wǎng)絡(luò)權(quán)重，采用10個(gè)實(shí)例320張圖像作為測試集來預(yù)測實(shí)驗(yàn)結(jié)果。本實(shí)驗(yàn)的金標(biāo)準(zhǔn)(GT)是由多個(gè)專家對CT原數(shù)據(jù)圖像進(jìn)行多次人工標(biāo)記得到的平均結(jié)果。圖6顯示了不同病人動脈血管某一切片在CT圖像上的表現(xiàn)，左側(cè)數(shù)字(1)和(2)表示行號。圖6(a)～6(c)表示只出現(xiàn)主動脈的切片；圖6(d)～6(f)表示出現(xiàn)主動脈及其分支血管的切片，圖中箭頭指向血管。

圖6 不同病人CT動脈血管圖像Figure 6. Arteries CT images of different patients

3.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)采用Python3編程語言，并采用Keras庫來實(shí)現(xiàn)模型。本文使用Ubuntu16.04系統(tǒng)和1個(gè)NVIDIA GPU(NVIDIA GTX1080Ti)作為訓(xùn)練和測試平臺，采用Adam算法來優(yōu)化網(wǎng)絡(luò)參數(shù)。訓(xùn)練中，將epoch設(shè)置為500，將batch_size設(shè)置為1，初始學(xué)習(xí)率為0.000 01。

3.3 實(shí)驗(yàn)評估

本文采用準(zhǔn)確率(Accuracy，ACC)、特異性(Specificity，SP)、靈敏度(Sensitivity，SE)、Dice相似系數(shù)[31](Dice Similarity Coefficient，DSC)作為評估指標(biāo)來評估腹部動脈血管的分割性能。ACC表示正確分類動脈血管和非動脈血管像素占整個(gè)圖像總像素的百分比。SP表示所有真正的非動脈血管像素中正確分類的非動脈血管像素的百分比。Sen表示正確分類動脈血管像素占真實(shí)動脈血管像素的百分比。上述指標(biāo)的計(jì)算式如下

(7)

(8)

(9)

(10)

其中，TP表示真陽性；TN表示真陰性；FP表示假陽性；FN表示假陰性；G表示金標(biāo)準(zhǔn)(GT)；P表示預(yù)測的分割結(jié)果。

表1顯示了不同算法的分割結(jié)果。從表中可以看出，針對腹部動脈血管分割，本文所提方法在評估指標(biāo)ACC、SP、SE和DSC上分別達(dá)到了99.97%、99.93%、81.20%和84.77%。與3DUNet相比，本文所提方法在各項(xiàng)指標(biāo)中均有提升，特別是在SE和DSC上分別提升2.85%和3.79%。與AG-Vnet相比，本文方法得到的SE和DSC值分別提升了0.92%和1.30%。為了更清晰地觀察分割結(jié)果，圖7給出了不同方法分割結(jié)果的可視化效果圖，(1)～(5)行分別表示病人動脈血管的不同切片，第(1)行只包含主動脈，未出現(xiàn)動脈分支，剩余行包含主動脈和細(xì)小動脈分支。圖7(a)表示原始圖像的金標(biāo)準(zhǔn)，其余列分別表示不同算法的分割結(jié)果。圖7(b)表示使用3DUNet算法對腹部動脈血管的分割。圖7(c)表示使用VNet算法的分割結(jié)果。圖7(d)表示融入通道注意模塊的VNet算法的分割結(jié)果。圖7(e)表示加入注意力機(jī)制(Attention，AG)[32]的VNet算法分割結(jié)果。圖7(f)表示本文所提方法的分割結(jié)果。從圖7可以看出，其他方法分割的動脈血管存在多分(非血管部分被當(dāng)作血管分割)和漏分(血管部分沒有被有效分割)的現(xiàn)象較多，而所提方法對動脈血管多分和漏分的現(xiàn)象相對較少。為了更直觀地進(jìn)行血管細(xì)節(jié)對比，圖中使用虛線方框強(qiáng)調(diào)了血管分割的細(xì)節(jié)部分。

表1 不同算法在腹部動脈血管的分割結(jié)果

圖7 不同方法不同病人血管分割結(jié)果Figure 7. Results of patients vessel segmentation with different methods

為了便于判斷胃癌受累淋巴結(jié)與周圍動脈血管的關(guān)系，本文對分割出的血管使用醫(yī)學(xué)重建工具進(jìn)行重建。重建出來的血管能夠更加細(xì)致地描繪血管的形態(tài)，并且對醫(yī)生進(jìn)行三維虛擬手術(shù)有重要的作用，可以輔助修正手術(shù)規(guī)劃，提高手術(shù)的效率和成功率。圖8展現(xiàn)了不同病人的血管重建效果，圖8(a)～圖8(d)分別表示不同病人的血管。

圖8 腹部血管重建結(jié)果圖Figure 8. Abdominal vascular reconstruction results

4 結(jié)束語

本文針對胃癌受累淋巴結(jié)周圍動脈血管分割精度低、易斷裂的問題，提出一種基于3D卷積網(wǎng)絡(luò)的動脈血管分割算法。該算法通過調(diào)整網(wǎng)絡(luò)架構(gòu)來提升分割性能，首先構(gòu)造多尺度輸入，形成不同感受野，捕獲更多特性信息；然后，將密集擴(kuò)張卷積運(yùn)用到3D網(wǎng)絡(luò)來捕獲不同尺寸的血管特征；最后，利用密集擴(kuò)張卷積與通道注意的融合，獲取高層特征信息，使血管分割更加精準(zhǔn)。與其他分割算法相比，本文所提方法能夠提高腹部血管分割精度，具有一定的可行性。