楊述斌，王 鋒，董春林

（武漢工程大學 電氣信息學院，湖北 武漢 430205）

0 引 言

腦腫瘤是在人腦中不正常生長的細胞，有較高的發(fā)病率和病死率，嚴重危害著人類的健康。膠質瘤作是最常見的腦部腫瘤之一，可分為高級別膠質瘤（High-Grade Glioma，HGG）與低級別膠質瘤（Low-Grade Glioma，LGG）兩種。HGG的生存率低，術后效果差，但如果在LGG階段進行及時的治療，可取得較好的術后效果[1]。核磁共振成像（Magnetic Resonance Imaging，MRI）是目前廣泛應用于腦腫瘤檢測的非侵入式成像技術，主要產生四個模態(tài)的圖像[2]，醫(yī)生結合多個模態(tài)的圖像來確定患者腫瘤的位置和區(qū)域范圍，從而制定相應的手術方案。然而，一次MRI會產生大量的圖片，對于圖片的分割，傳統(tǒng)的分割方法主要依賴專家的手工標注，這不僅費時費力，而且易受主觀的影響，分割精度的偏差勢必會影響后續(xù)的治療，給患者帶來額外的痛苦。因此，提出一個精確的腦腫瘤分割算法來給醫(yī)生提供參考，具有十分重要的意義。

1998年，LECUN等[3]首次將卷積神經網絡應用到圖像分類，與傳統(tǒng)方法相比，基于深度學習的方法具有自主適應特定任務的特點，可以高效地完成任務。近年來，卷積神經網絡在圖像分割領域具有突出的表現。LONG等[4]將全卷積網絡用于語義分割，主要是將卷積神經網絡末尾的全連接層替換為卷積層，實現了較為準確的分割。其后，DONG等[5]提出一種基于U-Net的2D腦腫瘤分割網絡，提高了腦腫瘤分割的精度。ZHANG等人[6]為了防止層數過深導致梯度消失、梯度爆炸的情況，將殘差模塊融入到U-Net模型中，主要將傳統(tǒng)的卷積塊替換為殘差結構，取得了較好的分割效果。MCKINLEY等[7]通過加入擴張卷積的方法來擴大感受野，從而獲得大量的全局信息，提高定位精度來優(yōu)化分割性能。牟海維等[8]人使用密集連接結構與U-Net進行融合，將密集連接應用于跳躍連接上，可以更好地彌補下采樣的損失。

基于上述分析，本文提出了一種改進的U-Net算法來對腫瘤整體（Whole Tumor，WT）、腫瘤核心（Tumor Core，TC）和增強腫瘤（Enhancing Tumor，ET）區(qū)域進行分割。在原始框架上引入密集連接機制、空洞卷積、多尺度卷積來優(yōu)化算法對于病灶的定位能力。

1 U型算法的構建

在腦部MRI圖像中，病灶不規(guī)則且大小不一，這給分割帶來一定的影響。為了提高算法對于腦腫瘤的分割精度，本文基于傳統(tǒng)的U-Net框架[9]進行改進。首先，針對傳統(tǒng)編碼中上下文聯(lián)系不密切的問題，利用密集連接機制將各通道的特征進行融合卷積，增強上下文間的聯(lián)系；其次，由于傳統(tǒng)卷積在編碼和解碼連接處定位不準確，利用空洞卷積可以在不增加參數量的情況下提高算法定位精度；最后，為防止在解碼環(huán)節(jié)中特征提取不夠全面，將傳統(tǒng)的卷積塊替換為多尺度融合卷積，防止過大或者過小病灶的丟失。

1.1 算法結構

本文提出的算法結構如圖1所示。該算法保留了U-Net傳統(tǒng)的編碼、跳躍連接和解碼結構。在編碼環(huán)節(jié)，首先將尺寸為4×160×160的圖片進行兩次卷積以及一次最大池化，變成64×80×80，經過四次相同操作后變?yōu)?12×10×10。本文在原始結構中引入了密集連接機制，將每層的輸入由原始輸入變?yōu)橹八袑拥慕Y合，提高特征的重復利用率，減少參數的流失。在編碼和解碼相連處，對編碼環(huán)節(jié)得到的512×10×10的特征先將通道擴大為1 024后引入空洞卷積，最終變?yōu)? 024×10×10?？斩淳矸e可以增大卷積的感受野，提高定位精度。在解碼環(huán)節(jié)，首先把1 024×10×10的特征進行上采樣后與對應的編碼層的特征進行拼接，后經過兩次多尺度卷積變?yōu)?12×20×20，重復四次操作之后變?yōu)?4×180×180。本算法將傳統(tǒng)的3×3卷積替換為多尺度卷積，充分提取跳躍連接傳入的特征，避免參數丟失造成算法的退化，最后將解碼傳入的特征進行通道數為3的卷積操作，進行三個病灶區(qū)域的劃分。

圖1 網絡整體結構圖

1.2 密集編碼部分

傳統(tǒng)的U-Net架構只是簡單地將輸入的特征進行兩次3×3卷積后利用最大池化操作傳遞到下一層，過程比較單一。隨著層數的加深，網絡會逐漸丟失淺層的細節(jié)信息。為加強上下層間的聯(lián)系，保留更多的信息，本文在原始U-Net算法的基礎上，在編碼環(huán)節(jié)采用密集連接機制的思想[10]融合不同層數的特征，結構如圖2所示。

圖2 編碼密集連接結構

傳統(tǒng)的密集連接是將輸出特征與之前特征進行拼接，最終的通道數會隨著深度的加深而越來越大。為了降低后續(xù)的參數量，本文將原始密集連接的拼接改為特征融合，并且由于不同層數的圖片尺寸和通道數不同，因此在特征融合之前使用1×1卷積以及最大池化進行參數匹配，使網絡在保持參數量的情況下對特征進行復用，最大限度地減少參數的丟失，提高分割精度。

1.3 空洞連接卷積

原始算法將編碼環(huán)節(jié)提取到的特征直接經過兩個卷積模塊，模塊操作為先3×3卷積，后經過BN和ReLU后傳遞給解碼環(huán)節(jié)。由于編碼環(huán)節(jié)提取到的特征參數十分巨大，在比較小的感受野容易丟失部分位置信息，以至于削弱算法對于病灶的定位能力，因此，擴大算法的感受野是很有必要的。目前，增大感受野的方法主要有擴大卷積核以及增加層數兩種方法。然而，增加層數容易導致算法參數量的增大?？斩淳矸e可以在不增加參數量的前提下增加卷積的感受野[11]。

由于經過編碼環(huán)節(jié)后的特征大小為512×10× 10，并且過于擴大卷積的感受野易導致算法定位能力的退化，因此本文采用空洞系數為1的空洞卷積，在保證參數量的情況下提高算法對于病灶的定位能力。

1.4 多尺度解碼部分

為避免因層數太深而導致特征的丟失，傳統(tǒng)的U-Net算法提出跳躍連接的思想，將淺層特征與深層特征進行拼接，然后利用兩個3×3卷積提取特征信息。但是傳統(tǒng)的卷積容易導致部分參數的丟失，而多尺度的信息對于醫(yī)學圖像分割是十分重要的。為了充分提取拼接后的多尺度特征，本文將傳統(tǒng)卷積替換為多尺度混合卷積塊，利用不同大小的卷積可以提取不同尺度的特點[12]，避免過大或者過小參數的流失，如圖3所示。首先為了減少參數量，將輸入的特征首先經過1×1的卷積來降低通道數，其后經過1×1，3×3，5×5的混合卷積來提取多尺度的特征，避免某些過大或過小特征的流失。并且3×3最大池化可以增強一些有用特征，減少無關特征，最大限度地減少參數的丟失，提高模型的分割精度。

圖3 多尺度卷積塊

2 實驗結果及分析

2.1 實驗數據及預處理

實驗數據為BraTs2019腦腫瘤分割競賽數據集，其中包含335例患者的MRI的腦部影像，其中高級別腦腫瘤患者259例，低級別腦腫瘤患者76例，圖像尺寸為240×240×155，其對應的金標準由多位專家聯(lián)合標注。比賽要求[13]是在病灶圖像中分割出浮腫區(qū)域（ED）、增強腫瘤區(qū)域（ET）以及壞疽區(qū)域（NET），分別將其標記為綠色、黃色和紅色，并將這三個區(qū)域合并為三個嵌套的區(qū)域進行評估，主要包括腫瘤整體（WT=ED+ET+NET）、腫瘤核心（TC=ET+NET）以及增強腫瘤（ET=ET）。

為提高模型的分割性能，增強模型的魯棒性，首先對數據進行預處理。原始圖片中腦部周圍存在大量的黑邊，這不僅會給模型訓練帶來額外的功耗，并且對分割精度也造成一定的影響。因此將腦部周圍黑邊進行裁剪，刪除一些腦部占比非常小的圖片。由于三維圖片數量少并且三維卷積參數量過大，因此將剪切后的圖片進行切片后得到的四模態(tài)的數據進行合并處理。最終每一張圖片的尺寸大小為4×160×160，劃分成訓練集18 923例，測試集3 219例。

2.2 實驗配置

本文實驗環(huán)境CPU為Intel i5-12400F，GPU為NVIDIA RTX 3060 12 GB，內存16 GB，操作系統(tǒng) 為Windows10，深度學習框架為Pytorch1.8+CUDA11.1，使用自適應估計優(yōu)化方法（Adam），訓練批次設置為100，批次大小為16，學習率為0.000 1。在此環(huán)境下進行訓練。

2.3 實驗結果與分析

為了驗證本文改進算法的性能，將FCN8、U-Net、Dense-UNet與改進算法進行對比，結果如表1所示。由表1可以看出，FCN8作為一種基礎算法，其提取特征的能力較差，以至于分割結果也較差；U-Net在FCN的基礎上引入了跳躍連接，融合淺層和深層的特征，能夠提取更多的信息，因此其分割結果略有提升；Dense-UNet將傳統(tǒng)的跳躍連接改成了密集跳躍連接，可以更好地融合淺層特征與深層特征，無論是Dice系數還是Hausdorff距離都是比傳統(tǒng)的算法更優(yōu)。本文密集連接用于編碼環(huán)節(jié)，對特征進行重用，相較于Dense-UNet，本文算法存在不同程度的優(yōu)化，特別是在ET的分割上，本文的Dice系數提升了0.04，可見本文算法具有很好的分割效果。

表1 四種模型的腫瘤分割結果

為了更加清晰地表達，圖4、圖5為不同算法的預測結果相較于基準（Ground Truth，GT）的對比。對于圖4這種簡單的分割，每個算法都可以大致地分割出病灶區(qū)域，只是在細節(jié)上略有差別，主要表現為紅色壞疽區(qū)域分割不完全以及綠色浮腫區(qū)域多分割，但本文算法在三個區(qū)域的分割上都更加精細。針對圖5這種難度較大的圖像，各種算法的分割結果的差距就十分巨大。例如FCN8算法，針對紅色壞疽區(qū)域可以說幾乎錯分割，連在圖4分割效果很好的Dense-UNet算法以及改進的算法也表現得較差。但本文算法分割結果相對于其他模型雖然分割得不夠完全，但是幾乎不存在錯分割的情況。相比之下，本文算法的分割結果與GT圖像更加 接近。

圖4 不同算法對MRI圖像（簡單）的分割結果對比

圖5 不同算法對MRI圖像（難度較大）的分割結果對比

3 結 語

本文針對上下層聯(lián)系匱乏、特征欠提取等問題，提出了一種改進的腦腫瘤MRI圖像分割算法，主要在原始算法中引入密集連接機制、多尺度卷積以及空洞卷積來增強上下文的聯(lián)系并且提高算法提取特征的能力。在BraTs2019數據集上進行驗證，本算法在腫瘤整體區(qū)域、核心區(qū)域、增強區(qū)域的Dice分割指數達到0.853 2，0.872 1，0.796 0，Hausdorff距離分別為2.608 9，1.585 2，2.741 6。相較于原始網絡，本文模型在Dice系數上提高了0.03，0.02，0.06，在Hausdorff距離上縮小0.1，0.2，0.2。實驗結果表明，本算法所使用的模型可以較好地提取特征，有效避免參數丟失，實現較高的分割精度。