肖 丹，李文彬，張紅梅*

（1.西安交通大學(xué)生命科學(xué)與技術(shù)學(xué)院，西安 710049；2.西安醫(yī)學(xué)院醫(yī)學(xué)技術(shù)學(xué)院，西安 710021）

0 引言

據(jù)世界衛(wèi)生組織國(guó)際癌癥研究機(jī)構(gòu)發(fā)布的2020年全球腫瘤數(shù)據(jù)顯示，女性乳腺癌是全球最常見(jiàn)的癌癥，也是導(dǎo)致女性癌癥死亡的最主要原因[1]。乳腺癌篩查可以有效提高其早期診斷率，降低患者死亡率[2]，而超聲是乳腺腫瘤篩查中一種重要的影像學(xué)手段，具有檢查費(fèi)用低、無(wú)創(chuàng)、無(wú)輻射、操作便捷等優(yōu)勢(shì)。對(duì)中國(guó)女性而言，超聲篩查的敏感度和準(zhǔn)確度也優(yōu)于X射線檢查[3]?！吨袊?guó)女性乳腺癌篩查指南（2022年版）》推薦將乳腺超聲作為中國(guó)女性乳腺癌的首選篩查手段[4]。乳腺超聲檢查需要超聲醫(yī)師具備豐富的臨床診斷經(jīng)驗(yàn)，但很多醫(yī)院并沒(méi)有足夠數(shù)量的資深超聲醫(yī)師，而且長(zhǎng)時(shí)間的重復(fù)性評(píng)估也易引起誤診或漏診[5]。隨著人工智能技術(shù)的發(fā)展，計(jì)算機(jī)輔助診斷（computer aided diagnosis，CAD）系統(tǒng)有助于解決上述問(wèn)題，而乳腺腫瘤區(qū)域的精確分割對(duì)乳腺超聲CAD系統(tǒng)起著基礎(chǔ)且重要的作用。

近年來(lái)，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了巨大成功，在卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）的基礎(chǔ)上發(fā)展出一系列的語(yǔ)義分割模型[6]。Long等[7]于2015年提出全卷積網(wǎng)絡(luò)（fully convolutional networks，F(xiàn)CN）結(jié)構(gòu)，用卷積層代替了傳統(tǒng)CNN中的全連接層，使得圖像輸入的尺度不再固定且能以端對(duì)端的方式實(shí)現(xiàn)語(yǔ)義分割。此后，又有多種全卷積語(yǔ)義分割模型被提出，如SegNet[8]、U-Net[9]和DeepLab[10]等。其中，U-Net因在小樣本量時(shí)仍有較好表現(xiàn)，被廣泛應(yīng)用于醫(yī)學(xué)圖像分割，其包含了編碼器部分和解碼器部分，編碼器中采用了4次降采樣，將圖像的尺度降為原始尺寸的1/16，在解碼器中相應(yīng)地采用了4次上采樣，將特征圖恢復(fù)到原始圖片的分辨力。在相同尺度的特征圖上使用跨層拼接，實(shí)現(xiàn)了高層與低層語(yǔ)義特征的融合，使分割出的物體邊緣更加精細(xì)。

由于超聲圖像存在有較多偽影、模糊邊界以及散斑噪聲等問(wèn)題，若直接使用U-Net進(jìn)行分割，結(jié)果常常不夠理想，因此在超聲乳腺腫瘤的分割領(lǐng)域出現(xiàn)了不少U-Net的改進(jìn)版本。陳曦等[5]提出了一種融合普通卷積、空洞卷積以及殘差連接的MultiMix block，以此代替原始U-Net中編碼器的雙卷積結(jié)構(gòu)，并使用Res Path代替了直接的跨層拼接，提升了網(wǎng)絡(luò)的多尺度特征提取能力。貢榮麟等[11]提出了一種混合監(jiān)督雙通道反饋U-Net，其使用了混合監(jiān)督學(xué)習(xí)框架和雙通道反饋結(jié)構(gòu)，使得分割結(jié)果更加準(zhǔn)確。Zhuang等[12]提出了超聲乳腺腫瘤分割的U-Net改進(jìn)版本殘差空洞注意力門(mén)UNet（residual-dilated-attentiongate-UNet，RDAU-Net），該網(wǎng)絡(luò)在卷積結(jié)構(gòu)中采用了殘差連接和空洞卷積，以強(qiáng)化邊緣信息和增加感受野，并在跨層連接中使用了注意力門(mén)模塊以抑制背景，提高學(xué)習(xí)能力。上述網(wǎng)絡(luò)對(duì)乳腺超聲腫瘤的分割準(zhǔn)確率相較原始的U-Net都有明顯提升，但都存在著網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、參數(shù)量大的問(wèn)題，同時(shí)忽略了預(yù)訓(xùn)練參數(shù)對(duì)網(wǎng)絡(luò)性能的提升。

Mathews等[13]提出一種將EfficientNet B3作為U-Net編碼器的分割網(wǎng)絡(luò)，在對(duì)視網(wǎng)膜血管的分割中取得了不錯(cuò)的效果。受此啟發(fā)，本研究嘗試對(duì)比4個(gè)經(jīng)典的CNN模型（包括ResNet[14]、VGG[15]、DenseNet[16]和EfficientNet[17]）與U-Net結(jié)合后對(duì)超聲乳腺腫瘤的分割效果，這些網(wǎng)絡(luò)模型都具有很強(qiáng)的特征提取能力，并且在大型數(shù)據(jù)集上（如ImageNet）有著對(duì)應(yīng)的預(yù)訓(xùn)練模型。經(jīng)過(guò)對(duì)比驗(yàn)證，融合EfficientNet與U-Net的模型取得了最優(yōu)分割結(jié)果。為得到更好的邊界分割效果，在常規(guī)的交叉熵（cross entropy，CE）損失函數(shù)的基礎(chǔ)上，本研究又引入了Dice損失[18]和Boundary損失（邊界損失）[19]，通過(guò)實(shí)驗(yàn)證明三者的加權(quán)復(fù)合損失函數(shù)可以達(dá)到最高的分割精度。

1 方法

1.1 U-Net結(jié)構(gòu)

將U-Net的網(wǎng)絡(luò)結(jié)構(gòu)抽象化，其抽象結(jié)構(gòu)如圖1所示，輸入編碼器后的特征圖在空間維度經(jīng)過(guò)降采樣逐漸變小、通道數(shù)遞增，特征圖到達(dá)解碼器后，在空間維度進(jìn)行上采樣、通道數(shù)遞減，最終分割結(jié)果的通道數(shù)等于分割目標(biāo)類(lèi)別的數(shù)量。編碼器中的淺層特征經(jīng)過(guò)跨層連接，以拼接的形式融合到解碼器的深層特征中，從而實(shí)現(xiàn)了高層與低層語(yǔ)義特征的融合，使分割結(jié)果更加精確。

為量化模型的分割精度，本研究采用3個(gè)常用的分割評(píng)價(jià)指標(biāo)：Dice相似系數(shù)（dice similarity coefficient，DSC）、敏感度和準(zhǔn)確率，其計(jì)算公式如下：式中，TP表示預(yù)測(cè)為腫瘤且標(biāo)記為腫瘤的像素總數(shù)；FP表示預(yù)測(cè)為腫瘤但標(biāo)記為背景的像素總數(shù)；FN表示預(yù)測(cè)為背景但標(biāo)記為腫瘤的像素總數(shù)。

圖1 U-Net網(wǎng)絡(luò)的抽象結(jié)構(gòu)

1.2 經(jīng)典CNN模型與U-Net融合

本研究將U-Net的編碼器更換為4種經(jīng)典CNN分類(lèi)模型中參數(shù)規(guī)模和計(jì)算量相對(duì)適度的版本，分別為ResNet50、VGG16、DenseNet169和EfficientNet B4。具體而言，就是用這些網(wǎng)絡(luò)的特征提取部分代替U-Net的編碼器，由于它們本質(zhì)上都是空間尺度逐漸縮減和通道逐漸擴(kuò)充的網(wǎng)絡(luò)結(jié)構(gòu)，使得這樣的替換操作并非十分復(fù)雜。

通過(guò)將U-Net的編碼器更換成EfficientNet B4中的特征提取網(wǎng)絡(luò)，可得到Efficient-UNet網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示，特征圖的分辨力經(jīng)過(guò)多次降采樣從192×192降至12×12，通道數(shù)增加到了448，從底層上采樣后，特征圖的尺度恢復(fù)到了24，之后與來(lái)自編碼器中同分辨力的特征圖拼接，再經(jīng)過(guò)2次卷積，得到通道數(shù)為160的特征圖。以相同的過(guò)程完成其余3次上采樣后，圖像的尺度恢復(fù)到192，再經(jīng)過(guò)上采樣，圖像尺度恢復(fù)到原始圖像的尺度，最后用1×1卷積核將通道數(shù)壓縮為1，得到模型輸出。

式中，yi表示第i個(gè)像素的真實(shí)標(biāo)簽（0代表背景，1代表目標(biāo)）；y^i表示第i個(gè)像素的預(yù)測(cè)概率值。

摘心后有2～5個(gè)側(cè)芽，不同品種側(cè)芽數(shù)量會(huì)有不同。為了提高鮮花品質(zhì)，長(zhǎng)到15～20 cm高度(甚至更早些，能看出優(yōu)劣并挑選就可以)，側(cè)芽數(shù)量偏多的品種需修整枝條，把太弱的和太強(qiáng)的枝條除掉，留粗壯差不多一樣的枝條2～3枝。主要原因是側(cè)芽太多，需更多的水肥，光照、通風(fēng)較差，植株易發(fā)病。

比較兩組患者的臨床療效、治療前后神經(jīng)功能、認(rèn)知功能、日常生活能力、血清白細(xì)胞介素6（IL‐6）、腫瘤壞死因子（TNF‐α）水平變化及不良反應(yīng)發(fā)生情況。采用NIHSS評(píng)分評(píng)價(jià)患者神經(jīng)功能；輕度：0～15分；中度：16～30分；重度：31～45分［5］；使用簡(jiǎn)易智能狀態(tài)檢查量表（3MS）評(píng)分評(píng)價(jià)患者的認(rèn)知功能，滿分100分，認(rèn)知良好80～100分；認(rèn)知障礙48～79分；認(rèn)知障礙嚴(yán)重48分以下［6］；采用巴氏指數(shù)（Barthel，BI）評(píng)價(jià)患者的日常生活能力，滿分100分，分值越高表示日常生活能力越好［7］。

圖2 MBConvBlock網(wǎng)絡(luò)結(jié)構(gòu)

1.3 Efficient-UNet結(jié)構(gòu)

He等[14]于2016年提出了殘差神經(jīng)網(wǎng)絡(luò)（residual network，ResNet），其主要貢獻(xiàn)是提出了殘差連接，解決了神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)層數(shù)不斷增加時(shí)發(fā)生的“退化現(xiàn)象”。VGG網(wǎng)絡(luò)采用連續(xù)的多個(gè)3×3卷積核代替較大的卷積核以減少模型參數(shù)[15]。DenseNet采用了密集連接機(jī)制，通過(guò)這種方式緩解了梯度消失的問(wèn)題，鼓勵(lì)了特征重用，并大幅減少了參數(shù)量[16]。EfficientNet是谷歌大腦團(tuán)隊(duì)提出的一種用于圖像分類(lèi)的CNN框架，同時(shí)考慮了圖像分辨力、網(wǎng)絡(luò)深度和寬度3種網(wǎng)絡(luò)框架超參數(shù)，構(gòu)建了一套平衡三者的優(yōu)化方法，并根據(jù)輸入圖像尺度搭建了B0～B7共8種模型[17]。其中，B7模型在ImageNet數(shù)據(jù)集上取得了當(dāng)時(shí)最優(yōu)的分類(lèi)準(zhǔn)確率，并且與取得相近結(jié)果的模型相比，其參數(shù)量和運(yùn)算量都大為減少[17]。EfficientNet的基礎(chǔ)卷積模塊稱(chēng)為移動(dòng)倒置瓶頸卷積模塊（mobile inverted bottleneck convolution block，MBConvBlock），包含1×1卷積層（Conv）、批量歸一化（batchnorm，BN）、Swish激活函數(shù)、隨機(jī)失活（Dropout）、深度卷積（depthwise convolution，DWConv），壓縮-激勵(lì)（squeeze-and-excitation，SE）模塊以及殘差連接等，如圖2所示。

圖3 Efficient-UNet網(wǎng)絡(luò)結(jié)構(gòu)

1.4 損失函數(shù)

CNN圖像分割是通過(guò)最小化損失函數(shù)來(lái)尋找網(wǎng)絡(luò)的最優(yōu)參數(shù)，因此損失函數(shù)的選擇對(duì)分割結(jié)果有著重要影響。最常用的損失函數(shù)是逐像素的CE損失。對(duì)于本研究的單目標(biāo)分割問(wèn)題，CE損失計(jì)算公式如下：

探討前，首先介紹一下曲字的調(diào)值和音樂(lè)性字腔的一些基本情況。漢語(yǔ)口語(yǔ)中的字聲有四聲陰陽(yáng)之別，但在音樂(lè)性的昆曲字腔中，除了平聲字的字腔外，其他三聲字腔的陰、陽(yáng)，幾乎沒(méi)有差別。其中，上聲字字腔音勢(shì)就只有呈狀的高—低—高一種；去聲字字腔音勢(shì)就只有呈狀的低—高—低一種；入聲字字腔音勢(shì)就只有呈▼頓音狀的一個(gè)單短音。概言之，這就是昆曲音樂(lè)的一大基本特征：仄聲字腔不分陰陽(yáng)。這一點(diǎn)，與昆曲的曲詞創(chuàng)作只講平仄、不分四聲陰陽(yáng)基本對(duì)應(yīng)。

馬克·吐溫是美國(guó)著名的幽默諷刺大師，他的小說(shuō)在幽默詼諧的反諷中夾雜著對(duì)社會(huì)腐敗黑暗和人性自私丑惡的諷刺和批判，因此，反諷是其作品最重要的藝術(shù)特色之一。而陳光明的《馬克·吐溫幽默小品欣賞》譯本選取的是馬克·吐溫的早期作品[1]，其主要風(fēng)格特色為幽默反諷，其中的選文典例十分符合本篇論文要研究的主題：馬克·吐溫反諷修辭的傳譯方法與效果。

計(jì)算時(shí)不考慮結(jié)構(gòu)自重產(chǎn)生的影響，荷載效應(yīng)全部來(lái)自于體外預(yù)應(yīng)力鋼束。將預(yù)應(yīng)力荷載等效為沿箱梁縱橋向作用的均布力作用于錨墊板上，所施加的荷載參數(shù)如表 1所示。

為驗(yàn)證所提出方法的有效性，本研究使用了一個(gè)超聲乳腺腫瘤分割的公開(kāi)數(shù)據(jù)集Dataset B[20]。該數(shù)據(jù)集由163例患者（53例為惡性腫瘤，110例為良性腫瘤）的163幅包含腫瘤的乳腺超聲影像和與之對(duì)應(yīng)的標(biāo)注圖組成，標(biāo)注圖由經(jīng)驗(yàn)豐富的超聲醫(yī)師手工勾勒。圖像的平均尺寸為540×450像素，為便于訓(xùn)練及測(cè)試，圖像的尺寸被統(tǒng)一調(diào)整到384×384像素，并采用Z-score標(biāo)準(zhǔn)化預(yù)處理圖像。以50%的概率進(jìn)行灰度gamma變換、對(duì)比度變換和水平翻轉(zhuǎn)以實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。

Bokhovkin等[19]針對(duì)CNN模型對(duì)遙感數(shù)據(jù)分割時(shí)邊界不準(zhǔn)確的問(wèn)題，引入了一種邊界損失函數(shù)，該函數(shù)可以給邊界的錯(cuò)位施加懲罰，從而優(yōu)化邊界的分割效果。邊界損失由預(yù)測(cè)邊界相對(duì)真實(shí)邊界的精確度和召回率構(gòu)成，計(jì)算公式如下：

式中，Bp表示預(yù)測(cè)得到的目標(biāo)區(qū)域邊界集合；Bgt表示真實(shí)標(biāo)注目標(biāo)區(qū)域邊界集合；d（·）表示歐氏距離；θ表示邊界距離誤差的容忍范圍，參考Bokhovkin等[19]的建議，實(shí)驗(yàn)中θ被統(tǒng)一設(shè)置為5；[[·]]表示一種邏輯表達(dá)式的指標(biāo)函數(shù)，如結(jié)果為真，則值取1，反之取0；P表示精確度，由預(yù)測(cè)邊界到真實(shí)邊界距離小于θ的像素?cái)?shù)量與預(yù)測(cè)邊界總像素?cái)?shù)的比值計(jì)算而得；R表示召回率，由真實(shí)邊界到預(yù)測(cè)邊界距離小于θ的像素?cái)?shù)量與真實(shí)邊界總像素?cái)?shù)的比值計(jì)算而得。

為了綜合考慮邊界的精確度與召回率，使用F1分?jǐn)?shù)指標(biāo)即P與R的調(diào)和平均數(shù)，進(jìn)而得到邊界損失函數(shù)，其計(jì)算公式如下：

由于超聲圖像的弱邊界問(wèn)題經(jīng)常會(huì)影響圖像的分割質(zhì)量，而且腫瘤區(qū)域通常只在整幅圖像中占很小的區(qū)域，本研究嘗試將這3種損失函數(shù)復(fù)合起來(lái)使用，并賦予不同的權(quán)重。

Dice系數(shù)是評(píng)價(jià)區(qū)域重疊度的指標(biāo)，由此衍生出的Dice損失函數(shù)也常常作為分割的損失函數(shù)，其計(jì)算公式如下：

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集

式中，P表示預(yù)測(cè)結(jié)果為目標(biāo)的像素集合；G表示真實(shí)標(biāo)注為目標(biāo)的像素集合；·||表示集合中像素的個(gè)數(shù)。Dice損失函數(shù)有助于緩解目標(biāo)和背景樣本數(shù)量的失衡問(wèn)題，但常常在訓(xùn)練中表現(xiàn)不夠穩(wěn)定，通常與CE損失函數(shù)組合起來(lái)使用。

2.2 評(píng)價(jià)指標(biāo)

數(shù)學(xué)是人類(lèi)對(duì)客觀世界的抽象，可以說(shuō)沒(méi)有數(shù)學(xué)，就沒(méi)有人類(lèi)文明，人類(lèi)文明源于計(jì)數(shù)，經(jīng)歷了進(jìn)制、比例、幾何、圖形、空間、變量、函數(shù)、高數(shù)等數(shù)學(xué)形式，專(zhuān)業(yè)化程度越來(lái)越高，學(xué)科體系越來(lái)越龐大，高職高數(shù)要想有所突破，必須打破傳統(tǒng)教育的弊端，建立和專(zhuān)業(yè)結(jié)合的課程體系。

2.3 實(shí)驗(yàn)設(shè)計(jì)和實(shí)現(xiàn)細(xì)節(jié)

首先，本研究對(duì)比了原始U-Net和以ResNet50、VGG16、DenseNet169、EfficientNet B4作為U-Net編碼器的4種變體，分別簡(jiǎn)稱(chēng)為Res-UNet、VGG-UNet、Dense-UNet和Efficient-UNet。在使用這些模型訓(xùn)練時(shí)，應(yīng)用了遷移學(xué)習(xí)的方法，將這些模型在ImageNet上的訓(xùn)練權(quán)重初始化，并采用CE作為損失函數(shù)。其次，本研究還對(duì)比了Efficient-UNet在不同損失函數(shù)組合下的分割精度，以CE作為基礎(chǔ)損失函數(shù)，分別比較了CE損失、邊界損失和Dice損失在不同權(quán)重組合下的精度。通過(guò)五折交叉驗(yàn)證評(píng)價(jià)上述模型的性能，五折的劃分在評(píng)價(jià)不同模型時(shí)是固定的。在每折訓(xùn)練時(shí)，全部的數(shù)據(jù)會(huì)按4∶1的比例分為訓(xùn)練集和測(cè)試集，再?gòu)挠?xùn)練集中隨機(jī)選取10%的樣本作為驗(yàn)證集，以驗(yàn)證集中得到的最優(yōu)模型對(duì)測(cè)試集進(jìn)行測(cè)試。每種模型的最終結(jié)果為上述五折結(jié)果的均值±標(biāo)準(zhǔn)差。

電廠汽輪機(jī)檢修與維護(hù)作業(yè)中狀態(tài)檢修，為重要的技術(shù)要點(diǎn)之一。從汽輪機(jī)機(jī)組運(yùn)行的整體現(xiàn)狀方面分析，良好的狀態(tài)檢修實(shí)施對(duì)于故障問(wèn)題的有效確定，以及故障問(wèn)題的及時(shí)處理意義重大。分析在實(shí)際作業(yè)中狀態(tài)檢修的實(shí)施，主要的檢修內(nèi)容有：設(shè)備運(yùn)行中的異常振動(dòng)、異響、清潔現(xiàn)狀、硬件現(xiàn)狀方面的檢修維護(hù)。通過(guò)對(duì)上述幾點(diǎn)異常現(xiàn)象的檢修和維護(hù)，有效的保障了設(shè)備運(yùn)行中的安全穩(wěn)定性。

本實(shí)驗(yàn)的編程環(huán)境為Python（3.8.12）結(jié)合PyTorch（1.8.0）深度學(xué)習(xí)框架。初始學(xué)習(xí)率設(shè)置為0.001，優(yōu)化器采用Adam，學(xué)習(xí)率以余弦退火方式衰減（T0=30），epoch設(shè)置為60，batch size設(shè)置為4，其余參數(shù)均采用PyTorch框架設(shè)置的默認(rèn)值。

3 結(jié)果

3.1 模型對(duì)比實(shí)驗(yàn)

本 研究對(duì)比了U-Net、Res-UNet、VGG-UNet、Dense-UNet和Efficient-UNet 5種模型在數(shù)據(jù)集Dataset B上的分割效果，從表1中可以看出Efficient-UNet在所有指標(biāo)中都取得了最優(yōu)的結(jié)果且參數(shù)量最小，體現(xiàn)了EfficientNet強(qiáng)大的特征提取能力。而原始的U-Net與其他變體相比，各指標(biāo)均有較大差距，這可能是由于編碼器的特征提取能力不強(qiáng)以及缺乏在大數(shù)據(jù)集上的預(yù)訓(xùn)練權(quán)重。5種不同模型對(duì)測(cè)試集中3例樣本的分割結(jié)果如圖4所示。

圖4 5種不同模型分割結(jié)果對(duì)比

表1 5種不同模型的分割評(píng)價(jià)指標(biāo)和參數(shù)量

3.2 損失函數(shù)對(duì)比實(shí)驗(yàn)

基于不同損失函數(shù)組合下Efficient-UNet的分割評(píng)價(jià)指標(biāo)結(jié)果詳見(jiàn)表2。當(dāng)使用2種函數(shù)組合時(shí)，分割評(píng)價(jià)指標(biāo)結(jié)果是在不同權(quán)重配比下的最優(yōu)值，當(dāng)選擇CE與邊界損失組合時(shí)，兩者的權(quán)重分別為λ和1-λ，令λ取值從0.1遞增至0.9，遞增步長(zhǎng)為0.1，采用分割評(píng)價(jià)指標(biāo)結(jié)果最優(yōu)時(shí)的λ，此時(shí)λ取0.5。當(dāng)選擇CE與Dice損失組合時(shí)，取最優(yōu)值時(shí)λ等于0.9。當(dāng)選擇邊界與Dice損失組合時(shí)，取最優(yōu)值時(shí)λ等于0.1。當(dāng)使用3種損失函數(shù)組合時(shí)，權(quán)重組合為L(zhǎng)CE+λLBD+（1-λ）LDice，當(dāng)λ取0.7時(shí)，分割評(píng)價(jià)指標(biāo)結(jié)果最優(yōu)。

表2 不同損失函數(shù)組合下Efficient-UNet的分割評(píng)價(jià)指標(biāo)結(jié)果單位：%

從表2中可以看出，CE與邊界損失組合的損失函數(shù)在3項(xiàng)分割評(píng)價(jià)指標(biāo)上都達(dá)到了次優(yōu)，明顯高于僅使用CE損失的分割結(jié)果，證明了邊界損失的有效性。3種損失函數(shù)的組合在前2項(xiàng)分割評(píng)價(jià)指標(biāo)上都得到了最優(yōu)值，證明復(fù)合的損失函數(shù)有助于提升分割結(jié)果的準(zhǔn)確率。數(shù)據(jù)集中2例測(cè)試圖像使用Efficient-UNet在CE損失函數(shù)和3種損失函數(shù)復(fù)合下得到的分割結(jié)果如圖5所示（圖像經(jīng)過(guò)裁剪和放大后顯示）。從圖5中可清晰看到復(fù)合損失函數(shù)對(duì)應(yīng)的分割邊界與真實(shí)邊界更加一致。

圖5 2例測(cè)試圖像在不同損失函數(shù)下的分割結(jié)果

4 結(jié)語(yǔ)

針對(duì)超聲乳腺腫瘤的分割問(wèn)題，本研究提出了一種融合EfficientNet和U-Net的分割方法，將U-Net的編碼器替換為EfficientNet B4中的特征提取部分，使其具有更強(qiáng)的特征提取能力，同時(shí)將EfficientNet B4在大型數(shù)據(jù)集ImageNet的訓(xùn)練權(quán)重作為預(yù)訓(xùn)練權(quán)重，以彌補(bǔ)數(shù)據(jù)量較少的問(wèn)題，還引入了Dice損失函數(shù)和邊界損失函數(shù)，在以一定權(quán)重與CE損失函數(shù)組合后，取得了最優(yōu)的分割結(jié)果。最終結(jié)果顯示，此方法分割的DSC為87.46%，相較U-Net（DSC為69.75%）提升了約18%，使分割結(jié)果更接近于實(shí)際腫瘤區(qū)域，為乳腺超聲CAD系統(tǒng)的后續(xù)發(fā)展奠定了基礎(chǔ)。

雖然本研究取得了較好的分割結(jié)果，但僅在一個(gè)較小的數(shù)據(jù)集上進(jìn)行了驗(yàn)證，缺乏在大樣本量、多中心的數(shù)據(jù)集上對(duì)算法的評(píng)估，且本研究?jī)H探討了對(duì)U-Net編碼器進(jìn)行改變而帶來(lái)的性能提升，而對(duì)解碼器結(jié)構(gòu)的改進(jìn)同樣值得思考。另外，本研究?jī)H以U-Net作為基準(zhǔn)模型進(jìn)行改進(jìn)，還有其他很多的語(yǔ)義分割模型也可以改進(jìn)，后續(xù)將進(jìn)一步展開(kāi)研究，以期達(dá)到更優(yōu)的分割結(jié)果。