張克雙，鄔春學，張 生，林 曉

(1.上海理工大學光電信息與計算機工程學院，上海 200093；2.上海師范大學信息與機電工程學院，上海 200030)

1 引言

在獲取患者頸部超聲圖像的過程中，由于病人的晃動以及超聲儀器電子器件的擾動，使采樣到的超聲圖像中廣泛存在散斑噪聲，這給臨床治療帶來很大的挑戰(zhàn)。并且超聲圖像中存在前背景顏色相近、陰影和低對比度區(qū)域，僅利用顏色、紋理等信息難以準確分割病變區(qū)域[1]。近年來，針對頸部臂叢神經(jīng)分割的研究主要依靠傳統(tǒng)方法，如基于閾值的直方圖雙峰法、Sobel算子、分水嶺算法和區(qū)域分裂合并法等。但是，基于深度學習的研究較少，龍法寧等人[2]提出了一種基于U-Net(U-shaped Network)[3]卷積神經(jīng)網(wǎng)絡(luò)的臂叢神經(jīng)超聲圖像分割算法QU-Net，引入了一種新的損失函數(shù)。楊桐等人[4]提出了一種基于SegNet(Segmentation Network)模型的臂叢神經(jīng)超聲圖像分割算法,對分割后的結(jié)果使用自適應(yīng)對比度增強的方法使超聲圖像的顯示更加清晰。

上述傳統(tǒng)方法分割速度快，但是對噪聲敏感，且模型的建立需要手工設(shè)計圖像特征,過程復(fù)雜繁瑣,模型的魯棒性和泛化能力也表現(xiàn)一般[5]。而基于U-Net和SegNet的深度學習分割算法，都沒有考慮從多尺度角度提取目標特征，也沒有解決連續(xù)下采樣帶來的小尺寸目標的丟失問題。本文提出一種基于U-Net的多分支融合改進算法，針對U-Net的普通卷積層和池化層的缺點同時進行優(yōu)化，使用密集網(wǎng)絡(luò)[6]替代原有普通卷積層，使得較淺層提取出的特征仍可能被較深層直接使用；使用多尺度骨干網(wǎng)絡(luò)Res2Net[7]來改進普通卷積層，對每一層使用多個相同尺度的卷積核進行特征提取，在原有的殘差[8]單元結(jié)構(gòu)中增加小的殘差塊，增大每個神經(jīng)元感受野大小，且可以有效降低梯度消失的風險；使用深度可分離卷積[9]來代替原有的卷積層，在不改變網(wǎng)絡(luò)復(fù)雜結(jié)構(gòu)的基礎(chǔ)上，提升網(wǎng)絡(luò)的性能；池化層降采樣的同時會丟失目標物體的位置信息，本文算法將使用帶有空洞的空間金字塔池化層代替U-Net網(wǎng)絡(luò)中層、深層的最大池化操作，以減少信息丟失。

2 相關(guān)研究

2.1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)CNN(Convolutional Neural Network)對醫(yī)學圖像中目標的分割往往是以像素的鄰域像素塊作為其輸入，卷積核在輸入圖上滑動時，一方面所需的存儲空間較大，另一方面由于圖像各區(qū)域之間存在較多相似性，容易造成過分割，得到不符合人類視覺特性的分割結(jié)果[10]。

全卷積神經(jīng)網(wǎng)絡(luò)FCN(Fully Convolutional Network)[11]的出現(xiàn)使得網(wǎng)絡(luò)不再局限于特定尺寸的輸入圖，可實現(xiàn)端到端的語義分割[12]。FCN解決了大部分自然圖像分割的難題，但生物醫(yī)學圖像具有樣本數(shù)量少、分割要求精度高、對細節(jié)信息敏感等特點[12,13]，F(xiàn)CN單次上采樣難以融合淺層特征的位置、邊緣等信息，導致其應(yīng)用在生物醫(yī)學領(lǐng)域效果不理想。直到2015年，ISBI(IEEE International Symposium on Biomedical Imaging)競賽中提出了U-Net網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)通過對網(wǎng)絡(luò)編碼以及對稱地對網(wǎng)絡(luò)解碼，構(gòu)成了一個U 型結(jié)構(gòu),完善了FCN擴張路徑，并且僅需要少量數(shù)據(jù)進行訓練，對生物醫(yī)學圖像的分割有很大貢獻。

U-Net網(wǎng)絡(luò)是一種全卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示，整個網(wǎng)絡(luò)共有23個卷積層，其中卷積層有19層，反卷積層[13]有4層。收縮路徑階段采用卷積操作和最大池化操作降低圖像分辨率，以提取淺層和深層特征信息，其中每個下采樣操作中包含2個連續(xù)的3×3卷積層和1個步長為2的2×2最大池化層，采用修正線性單元ReLU(Rectified Linear Unit)作為激活函數(shù)。下采樣后的特征圖尺寸變?yōu)樵瓉淼囊话?，但通道?shù)加倍，以保證特征的豐富性。擴張路徑階段，每個上采樣都包含1個2×2的反卷積結(jié)構(gòu)和2個連續(xù)的3×3卷積結(jié)構(gòu)，以逐步擴大圖像尺寸至原始圖像大小，實現(xiàn)端到端的語義分割。其中反卷積操作將低分辨率的特征圖增大，再將其與下采樣階段尺寸相同的特征圖進行拼接融合，再使用3×3卷積對融合特征進行進一步提取，激活函數(shù)仍采用ReLU。網(wǎng)絡(luò)的最后階段，將上采樣至原圖尺寸的特征圖使用1×1的卷積核卷積，激活函數(shù)使用Softmax，以完成像素級別的分類。

Figure 1 Structure of U-Net network圖1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)

2.2 DenseNet密集連接的卷積網(wǎng)絡(luò)

密集連接網(wǎng)絡(luò)DenseNet使得網(wǎng)絡(luò)中的每一層都和輸出建立直接的連接，很大程度上避免了梯度消散的問題,其結(jié)構(gòu)如圖2所示。同時，DenseNet的提出打破了通過加深網(wǎng)絡(luò)層數(shù)和拓寬網(wǎng)絡(luò)寬度來提高網(wǎng)絡(luò)性能的常規(guī)思路，加強了特征重用，大幅減少了參數(shù)數(shù)量，相較于傳統(tǒng)的卷積，特征復(fù)用是一種更好的特征提取方式。

Figure 2 Structure of DenseNet network圖2 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

2.3 Res2Net網(wǎng)絡(luò)

Res2Net是一種將多尺度特征進行融合的神經(jīng)網(wǎng)絡(luò)基本單元，其結(jié)構(gòu)如圖3所示，其中變量含義見3.4節(jié)。本文將用其替代U-Net中層和深層卷積層，此結(jié)構(gòu)是在原有的單個殘差結(jié)構(gòu)中添加分層的殘差連接，采用多個小卷積核代替大卷積核的理念，增大同層中神經(jīng)元的感受野，用于更好地捕獲區(qū)域特征的相關(guān)性，提高像素級分類的準確性。其中，在第1個1×1卷積后，將輸入劃分為s個子特征，定義為Xi，i∈{1,2,…,s}，每一個特征的尺度相同，但通道數(shù)是輸入特征數(shù)的1/s，除了X1其他的子特征都用相應(yīng)的3×3卷積核進行卷積，卷積核定義為Ki(·)，其輸出為yi。最后，采用1×1卷積層壓縮通道,進行通道之間的融合，減小參數(shù)數(shù)量，降低計算量。

Figure 3 Structure of Res2Net圖3 Res2Net結(jié)構(gòu)

2.4 改進的ASPP網(wǎng)絡(luò)

輸入圖像中出現(xiàn)小目標物體時，經(jīng)過多次池化后，目標信息會完全丟失。ASPP(Atrous Spatial Pyramid Pooling)網(wǎng)絡(luò)中使用了帶有空洞的卷積，實驗中發(fā)現(xiàn)，空洞卷積對小目標邊緣分割得到的邊界更清晰。但是，空洞卷積的引入也會帶來網(wǎng)格問題。針對此，本文在ASPP的基礎(chǔ)上引入HFF (Hierarchical Feature Fusion)[14]結(jié)構(gòu)，作為本文改進的ASPP網(wǎng)絡(luò)結(jié)構(gòu)，其中HFF將ASPP網(wǎng)絡(luò)的卷積結(jié)果進行分層特征融合，以彌補空洞卷積帶來的網(wǎng)格效應(yīng)，如圖4所示。

Figure 4 Structure of improved ASPP network圖4 改進的ASPP網(wǎng)絡(luò)結(jié)構(gòu)

本文算法使用改進的ASPP網(wǎng)絡(luò)結(jié)構(gòu)替代U-Net中層和深層的最大池化層。其中每一個Xi都會用相應(yīng)的3×3卷積核對其進行操作，相應(yīng)卷積核用Hi(·)表示。sumi表示Hi的輸出。

2.5 Xception結(jié)構(gòu)

Xception主要采用深度可分離卷積，就是將普通卷積操作拆成2步實現(xiàn)，第1步為Depthwise，即對輸入通道進行一對一的普通卷積,其中Ii表示單通道的輸入特征圖，此后使用單個卷積核對Ii進行卷積操作得到輸出特征圖Mi；第2步為Pointwise，將經(jīng)過Depthwise操作得到的所有輸出特征圖進行通道級別的拼接后，使用1×1的卷積核Pi(·)對其進行普通卷積后得到輸出特征圖Oi。Xception結(jié)構(gòu)如圖5所示，在本文中將用于替代深層U-Net網(wǎng)絡(luò)中的卷積結(jié)構(gòu)。

Figure 5 Xception structure圖5 Xception結(jié)構(gòu)

3 多尺度融合的U-Net超聲神經(jīng)分割算法

高質(zhì)量的視覺顯著性模型可以使用深度卷積神經(jīng)網(wǎng)絡(luò)抽取多尺度特征進行學習[15]，鑒于U-Net卷積網(wǎng)絡(luò)深度稍有不足且沒有從多尺度角度提取特征信息，本文提出基于U-Net改進的多尺度融合分割算法。算法原理如下：(1)考慮到特征之間存在連續(xù)性，在U-Net網(wǎng)絡(luò)編碼階段加入密集連接網(wǎng)絡(luò)DenseNet，使得靠近輸入端的淺層特征仍有可能被使用。(2)為使各層之間的局部信息得到訓練，保證各層之間是收斂的，以達到最佳的分類效果[16]，加入殘差網(wǎng)絡(luò)和批正則化，在確保網(wǎng)絡(luò)深度的同時，避免出現(xiàn)梯度消失及模型退化問題。(3)池化層的作用是降低計算量，避免過擬合，節(jié)省內(nèi)存開銷，但是因為超聲神經(jīng)圖像尺寸小、語義信息少，隨著池化層使用的增加，丟失的信息會增多[17]，增加了語義分割的難度。對此使用改進的ASPP網(wǎng)絡(luò)替換U-Net下采樣階段深層最大池化操作，在不降低深層特征圖分辨率的前提下增大神經(jīng)元感受野范圍，減少信息的損失。(4)考慮到U-Net網(wǎng)絡(luò)沒有從多尺度層面提取特征，本文使用Res2Net代替普通卷積，并采取特征圖分組的思想加強多尺度語義信息提取能力。(5)為提高本文模型訓練速度，采用Xception結(jié)構(gòu)替代U-Net網(wǎng)絡(luò)中的深層卷積層，加速本文模型收斂。

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

在原U-Net中，網(wǎng)絡(luò)的收縮路徑和擴張路徑采用2個普通的卷積層，本文對這一結(jié)構(gòu)進行改進：在2個卷積層之間加入殘差連接，將單個卷積層卷積后的輸出結(jié)果，通過正則化層處理后作為激活函數(shù)的輸入。改進后的Resblock結(jié)構(gòu)如圖6所示。

Figure 6 Resblock圖6 Resblock

本文在Res2Net結(jié)構(gòu)的基礎(chǔ)上添加組內(nèi)的正則化代替原U-Net的中層普通卷積層，改進后的結(jié)構(gòu)Res2Net_block如圖7所示，其中BN(Batch Normalization)表示批次歸一化。

Figure 7 Res2Net_block圖7 Res2Net_block

改進后的網(wǎng)絡(luò)在保留U-Net對稱結(jié)構(gòu)的基礎(chǔ)上構(gòu)建多尺度融合網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)仍左右對稱，該網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合了多種多尺度結(jié)構(gòu)與殘差網(wǎng)絡(luò)的特點，且在激活函數(shù)前對每一層輸出結(jié)果進行批標準化處理。與U-Net擴張路徑不同的是，上采樣階段沒有采用與收縮路徑相對應(yīng)的特征圖的拼接，而是改用像素值相加的方式形成從輸入到輸出的多條路徑，每條路徑相當于FCN的一個變體[18]。改進后的多尺度融合的U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

Figure 8 Multi scale fused U-Net network structure圖8 多尺度融合的U-Net網(wǎng)絡(luò)結(jié)構(gòu)

本文改進的網(wǎng)絡(luò)結(jié)構(gòu)按照下采樣層劃分各卷積層，卷積層記為k(i)。網(wǎng)絡(luò)編碼階段，網(wǎng)絡(luò)的輸入是256×256的灰度圖，k(1)使用Resblock結(jié)構(gòu)來代替原普通卷積層，該操作得到32幅分辨率為256×256的特征圖，此后連接到k(2)中密集連接網(wǎng)絡(luò)的Dense Block和transition layer，DenseNet中的growth rate設(shè)置為3，該操作得到64幅128×128的特征圖。本文在k(1)、k(2)和k(3)之間仍然采用kernel為2×2，stride為2的最大池化層。因為在語義信息提取上，允許少量信息的丟失，且池化層的存在可以很大程度上減少計算量，降低模型的過擬合概率。k(3)中使用改進的多尺度骨干網(wǎng)絡(luò)Res2Net，在達到2個3×3普通卷積特征提取效果的同時，提高語義特征的豐富性，該操作得到128幅分辨率為64×64的特征圖。此后，因為深層特征圖包含的語義信息更多，于是在k(3)、k(4)和k(5)之間使用本文改進的空間金字塔池化層，其中空洞卷積率rate=6,12,18，輸出特征圖數(shù)量為128。k(4)和k(5)中分別使用深度可分離卷積來代替普通卷積，很大程度上降低了參數(shù)數(shù)量，加快了模型收斂。k(4)操作得到256幅64×64的特征圖，k(5)操作得到512幅分辨率為64×64的特征圖。使用張量相加運算替換 U-Net 中的concatenation 張量連接。

網(wǎng)絡(luò)解碼階段，首先使用256個卷積核對深層語義特征圖進行卷積，并將卷積后的特征圖與下采樣過程中通道數(shù)和尺寸大小相同的特征圖融合。融合后的結(jié)果使用k(6)卷積后獲得分辨率為64×64的特征圖。同樣，對64×64的特征圖進一步解碼，得到的結(jié)果仍然與下采樣過程中分辨率和通道數(shù)相同的特征圖進行融合，融合后的結(jié)果使用卷積層k(7)操作后，得到輸出通道數(shù)為128,分辨率為64×64的特征圖。此后，對此特征圖進行卷積核大小為2×2，步長為2的反卷積操作，得到64幅大小為128×128的特征圖up8。將特征圖up8和k(2)卷積操作后的結(jié)果通過卷積核為3×3，步長為1的k(8)操作后，得到分辨率大小為128×128，輸出通道數(shù)為64的特征圖。繼續(xù)采用反卷積操作，最終得到與原圖尺寸一樣的特征圖，將其與k(1)卷積后的淺層特征層合并后，再采用k(9)卷積操作進一步融合特征圖。網(wǎng)絡(luò)的最后采用卷積核為1×1，步長為1的卷積操作，經(jīng)過Sigmoid激活函數(shù)，輸出最終的分割圖，完成對輸入圖像的端到端的操作。

本文網(wǎng)絡(luò)模型每層參數(shù)和激活函數(shù)的詳細信息如表1所示。表1中，Conv表示卷積層,Pool表示池化層,Deconv表示上采樣層,pixelAdd(Xception1)表示當前層和Xception1層進行像素級別的融合后的卷積層,BN為批正則化層,ReLu和Sigmoid為激活函數(shù)。

3.2 密集連接網(wǎng)絡(luò)DenseNet

在設(shè)計理念上DenseNet和殘差網(wǎng)絡(luò)都使用了跨層連接，但是兩者實現(xiàn)原理有明顯區(qū)別。殘差網(wǎng)絡(luò)使用的是k層的輸出加上k層輸出的非線性變換的結(jié)果作為k+1層的輸入，通道數(shù)沒有變化。而DenseNet為得到k+1層的輸入，會將之前所有層的通道進行合并，通道數(shù)大幅增加。本文將DenseNet的實現(xiàn)方式使用式(1)表示。

xi=Hi([x0,x1,…,xi-1])

(1)

其中x0,x1,…,xi-1作為第i層的輸入，第i層得到了之前所有層的特征映射，網(wǎng)絡(luò)在傳輸過程中每一層信息都會被后面所有層網(wǎng)絡(luò)使用。

3.3 改進的空間金字塔池化網(wǎng)絡(luò)

空洞卷積的主要作用就是在不降低分辨率的條件下增大感受野。本文改進的ASPP結(jié)構(gòu)可以用式(2)表示：

(2)

Table 1 Parameters of multi-scale fused U-Net network structure

如圖4所示，對輸入圖用1×1卷積核卷積m(m=4)次，得到4個分塊，每個分塊標記為Xi，i∈{1,2，…，m}，每個分塊用對應(yīng)的空洞卷積運算。其中H1表示卷積核大小為3×3，卷積率為6的空洞卷積對X2操作得到的結(jié)果。將該層的結(jié)果與上一層的結(jié)果相加，表示該層的輸出。

本文改進的ASPP是將不同空洞卷積率的結(jié)果進行融合之后再進行拼接，以此來解決擴張卷積帶來的網(wǎng)格效應(yīng)，從最小的膨脹卷積核輸出的特征圖開始，逐級疊加。這樣的做法并沒有引入任何新的參數(shù)，同時計算量上也沒有增加太多，實驗結(jié)果顯示網(wǎng)格效應(yīng)得到了有效改善。

3.4 多尺度骨干網(wǎng)絡(luò)Res2Net

改進后的U-Net中引入了Res2Net，Res2Net的基本網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，本文中將此網(wǎng)絡(luò)結(jié)構(gòu)使用式(3)表示：

(3)

首先對輸入特征圖進行1×1卷積處理后，按通道數(shù)均分為s(圖中s=4)塊，每一部分是Xi，i∈{1,2,…,s}，其中每一個Xi都會用相應(yīng)的3×3卷積核對其進行操作，由Ki(·)表示。yi表示Ki的輸出。

3.5 損失函數(shù)

本文損失函數(shù)采用Focal Loss，如式(4)所示：

(4)

其中，γ是特征選擇因子，本文中γ=2，對于那些網(wǎng)絡(luò)非常容易識別的正負樣本，Lfl的損失值會小得多，這樣就降低了簡單樣本的影響，使得網(wǎng)絡(luò)更加關(guān)注于難以區(qū)分的樣本。

該損失函數(shù)主要將輸出的裁剪區(qū)域與目標裁剪區(qū)域像素進行對比，可解決正負樣本中比例嚴重失衡的問題，降低大量簡單負樣本在訓練中所占的權(quán)重，使得網(wǎng)絡(luò)更有針對性地學習特征。

4 實驗及結(jié)果分析

為驗證本文提出的多尺度特征融合算法，采用kaggle超聲圖像神經(jīng)分割競賽中的頸部臂叢神經(jīng)數(shù)據(jù)作為輸入，訓練網(wǎng)絡(luò)模型，并與傳統(tǒng)醫(yī)療圖像檢測算法U-Net和SegNet[19]比較。實驗平臺采用谷歌深度學習平臺 Google Colaboratory，該平臺 GPU 型號為 NVIDIA Tesla T4，基于最新圖靈架構(gòu)，并采用TensorFlow神經(jīng)網(wǎng)絡(luò)框架進行訓練。

頸部臂叢神經(jīng)數(shù)據(jù)集大約有5 000組超聲波掃描圖像，每幅圖像像素為256×256，人工注釋的標簽圖像記錄了待檢測目標尺寸大小和位置信息。該數(shù)據(jù)集的特點是輸入圖像信息量大，待檢測目標大小不一。候選神經(jīng)檢測任務(wù)中，若檢測出的神經(jīng)區(qū)域在真實標注的半徑范圍以內(nèi)時，即認為是正確的檢測結(jié)果。實驗中，對頸部臂叢神經(jīng)數(shù)據(jù)集進行10-折交叉驗證。

4.1 參數(shù)設(shè)置及評價指標

本文以4∶1的比例將數(shù)據(jù)集劃分為訓練集和測試集。使用本文所提算法對頸部臂叢神經(jīng)數(shù)據(jù)集訓練的過程中，迭代次數(shù)設(shè)置為300次，batch size初始化為2，學習率初始設(shè)置為0.001，當?shù)?00次時，學習率設(shè)置為0.000 1，參數(shù)的初始化方法為Xavier，參數(shù)更新采用Adam方法。

Dice系數(shù)是一種重要的分割評價系數(shù)，是一種集合相似度函數(shù)，所以其更注重于集合A和集合B中對應(yīng)元素的相似性，更能對比像素間的相似性。本文使用Dice系數(shù)來評判模型的好壞。對于2個樣本，樣本之間相似度越高，Dice系數(shù)越大。Dice系數(shù)可用式(5)表示：

(5)

其中，smooth為平滑系數(shù)，X和Y分別表示預(yù)測值集合和標簽值集合，X∩Y表示2個樣本集合重合的部分，|X|+|Y|表示2個集合的總量。本文實驗中若預(yù)測值與標簽值完全重合，則Dice系數(shù)為1，由此可看出，Dice系數(shù)的值越接近1，說明2個樣本間的相似度越高，同樣也證明模型越好。表2對比了U-Net、SegNet算法和本文改進算法在相同數(shù)據(jù)集上的Dice系數(shù)，驗證了本文算法的準確性及合理性。

Table 2 Comparison results of Dice coefficients of three segmentation algorithms

從表2中可以看出，本文算法分割效果明顯高于SegNet和U-Net的。相較于SegNet和U-Net分割效果分別提升了9%和17%。

評判模型的優(yōu)劣，除了模型對于數(shù)據(jù)集檢測的準確性以外，還有一個重要的指標——假陽率需要考慮。假陽率是指實際上這個檢測區(qū)域沒有疼痛神經(jīng)的存在，然而檢測結(jié)果中卻含有疼痛神經(jīng)的圖像數(shù)量占所有檢測結(jié)果的比值。如果一個改進模型的提出，使得疼痛神經(jīng)的檢測精度有所提高，但同樣伴隨著假陽率的升高，那么該模型可用性就比較低，且不能夠商用。對此，分別統(tǒng)計U-Net、SegNet和本文算法的預(yù)測結(jié)果的假陽率，如表3所示。通過對比結(jié)果可以看出，3種算法在假陽率上沒有較明顯的差別，都沒有犧牲假陽率來提高檢測精度。

Table 3 False positive rate comparison of three segmentation algorithms

針對頸部臂叢神經(jīng)數(shù)據(jù)集，本文提出的算法將多種多尺度網(wǎng)絡(luò)結(jié)構(gòu)作為基本的卷積單元進行組合，同時使用1×1的卷積層構(gòu)建瓶頸層進行特征維度壓縮。從表4中可以看出，本文算法參數(shù)及訓練時間都略高于U-Net的，但遠小于SegNet的。

Table 4 Comparison results of three segmentation algorithms with different parameter number

4.2 消融實驗

為了驗證Xception結(jié)構(gòu)、本文改進的ASPP結(jié)構(gòu)、深度密集連接塊DenseNet和Res2Net多尺度特征融合單元中哪個結(jié)構(gòu)對本文所提算法在多尺度語義分割方面貢獻最大，進行了消融實驗。在消融實驗中，將本文算法的分割結(jié)果作為實驗中比較的基準，此外在本文算法的基礎(chǔ)上每次只去除上述結(jié)構(gòu)中的一個，并分別命名為XU-Net、AU-Net、DU-Net和RU-Net。通過將XU-Net、AU-Net、DU-Net、RU-Net和本文所提算法應(yīng)用于頸部臂叢神經(jīng)數(shù)據(jù)集，可以獲得不同的目標分割結(jié)果，以便在消融實驗中比較不同的網(wǎng)絡(luò)結(jié)構(gòu)。

如圖9所示，高亮區(qū)域表示針對不同尺寸頸部臂叢神經(jīng)的分割結(jié)果。從圖9中可以看出，XU-Net(圖9d)中由于去除了輕量級網(wǎng)絡(luò)Xception，實驗中得到的分割結(jié)果相較于本文算法變化不明顯，但從圖10中可以看出模型收斂速度明顯降低。AU-Net(圖9e)去除了ASPP單元，使得AU-Net在頸部臂叢神經(jīng)分割方面的表現(xiàn)略差于本文算法，丟失了部分細節(jié)特征，說明了本文使用帶有空洞卷積的ASPP單元替換最大池化層的有效性。DU-Net(圖9f)去除了密集連接塊，造成其分割結(jié)果相較于本文算法效果更差，說明了特征的重復(fù)利用，以及淺層特征可以被深層特征使用，對多尺度細節(jié)邊緣修復(fù)的必要性。最后RU-Net(圖9g)由于完全去除多尺度單元Res2Net，以致在頸部臂叢神經(jīng)區(qū)域分割結(jié)果中獲得了最差的效果，說明Res2Net在本文多尺度改進算法中貢獻最大。

Figure 9 Ablation experiment圖9 消融實驗

此外，除了視覺上對比，本文還對上述所提結(jié)構(gòu)在同一計算環(huán)境下，分別應(yīng)用在頸部超聲臂叢神經(jīng)上訓練并對得到的Loss曲線進行了統(tǒng)計比較，如圖10所示?？梢郧宄乜吹缴鲜鏊惴ǘ茧S著迭代次數(shù)的增加而收斂。此外，U-Net算法是醫(yī)學分割領(lǐng)域常用的語義分割算法，算法普適性和穩(wěn)定性較好，但是對于頸部臂叢神經(jīng)的分割從圖中可看出其損失值較高。XU-Net中去除了輕量級網(wǎng)絡(luò)Xception，從圖中可看出收斂效果要落后本文算法，但從圖9中可看出分割的精度并沒有明顯下降。而AU-Net和DU-Net都較之本文算法損失值更高，證明了本文算法添加空洞卷積和密集連接塊的有效性。RU-Net的表現(xiàn)同時差于AU-Net和DU-Net，接近于U-Net算法的分割效果，更加說明了下采樣過程中多尺度特征提取的必要性，從圖9中也能看出RU-Net對小尺寸神經(jīng)區(qū)域分割結(jié)果最差。而與XU-Net、AU-Net、DU-Net和RU-Net相比,本文算法在頸部臂叢神經(jīng)圖像上獲得了最佳的Loss值，同時在圖9中得到的分割結(jié)果也最接近標簽圖Ground Truth，這表明本文算法在集成了輕量級單元、空洞卷積單元、深度密集連接單元和多尺度特征提取單元后，對頸部臂叢神經(jīng)圖像的精細化分割的實用性和有效性更高。

Figure 10 Loss comparison of different algorithms圖10 不同算法Loss值對比圖

4.3 實驗結(jié)果分析

本文算法在訓練過程中的Loss曲線隨迭代次數(shù)的變化如圖11所示，其中，灰色的曲線是本文算法在訓練集上的Loss，黑色的曲線為本文算法在測試集上的Loss。從圖11中可以看出，本文算法在預(yù)設(shè)參數(shù)下總體呈收斂狀態(tài)，且當訓練次數(shù)達到200次以后，Loss曲線的波動開始趨于穩(wěn)定。

Figure 11 Loss curve of the proposed algorithm圖11 本文算法Loss曲線

Figure 12 Segmentation effect of normal and small size brachial plexus圖12 常規(guī)尺寸及小尺寸病變區(qū)域分割效果

圖12顯示了各算法對常規(guī)尺寸臂叢神經(jīng)圖像和小尺寸臂叢神經(jīng)圖像的檢測效果。圖12結(jié)果的顯示方式為5×5，由上至下，第1行代表原始數(shù)據(jù)；第2代表SegNet算法檢測的結(jié)果;第3行代表U-Net算法檢測的結(jié)果;第4行代表本文算法的檢測結(jié)果;第5行是標簽圖Ground Truth，由專家手工標注出頸部臂叢神經(jīng)區(qū)域。此外，前2列是對直徑尺寸介于50 mm～100 mm的常規(guī)病變區(qū)域的檢測結(jié)果，后3列是對直徑小于50 mm的小尺寸頸部臂叢神經(jīng)的檢測效果?？梢钥闯?，SegNet、U-Net和本文算法在50 mm～100 mm的頸部臂叢神經(jīng)圖像上均得到了較好的邊緣分割結(jié)果，由此可知3種算法對輸入圖像都學習了一定的語義信息。但是，對于直徑在50 mm以下尺寸較小的神經(jīng)區(qū)域，SegNet和U-Net出現(xiàn)了誤分割，而本文改進算法可以很好地表達邊緣特征。

實驗結(jié)果表明，U-Net、SegNet和本文算法，對常規(guī)尺寸病變區(qū)域的頸部臂叢神經(jīng)圖像檢測均有很好的表現(xiàn)，可準確表達目標的位置信息及尺寸大小。然而在一些尺寸較小且邊緣復(fù)雜的病變區(qū)域分割中，U-Net和SegNet算法的假陽率升高，且由于連續(xù)池化層的操作使得兩者得到的分割邊緣不夠精細；而本文算法相較于這2種算法，在沒有犧牲假陽率的前提下，分割的結(jié)果更接近于標簽圖像，提升了分割精度，并且訓練模型所消耗的時間也處于正常的范圍，保證了實時性，一定程度上表明了本文算法融合多種多尺度單元的有效性。同時說明了本文算法在小尺寸病變區(qū)域的檢測分割上更有優(yōu)勢，泛化性更好，可以在醫(yī)生診斷過程中，提供更有效的協(xié)助。

5 結(jié)束語

為了準確分割頸部臂叢神經(jīng)超聲圖像中的疼痛區(qū)域，借此有效插入患者疼痛管理導管來提高局部麻醉外科手術(shù)的成功率，本文算法在U-Net算法的基礎(chǔ)上，引入多種多尺度網(wǎng)絡(luò)結(jié)構(gòu)作為基本的卷積單元進行組合，增強特征提取的豐富性，并提高特征利用率；引入殘差網(wǎng)絡(luò)，增加網(wǎng)絡(luò)深度，使得網(wǎng)絡(luò)可以提取更高維度的語義特征，提高網(wǎng)絡(luò)的表達能力；加入批正則化處理，在提高模型訓練速度的同時，抵制過擬合現(xiàn)象的發(fā)生；改進損失函數(shù)，使得網(wǎng)絡(luò)更有針對性地學習通道特征。

實驗表明，本文算法的分割效果較SegNet和U-Net有很大提升，分割效果較醫(yī)學領(lǐng)域流行的分割算法U-Net提升了近17%，且對于正常尺寸及小尺寸的神經(jīng)分割均有較高的分割精度，泛化性較好，可以更加準確地分割超聲圖像中頸部臂叢神經(jīng)區(qū)域，有助于局部麻醉外科手術(shù)的順利進行。下一步將會在預(yù)訓練模型的基礎(chǔ)上訓練網(wǎng)絡(luò)，進一步提高分割精度。