尹強(qiáng)　彭剛　宋文廣　曾威

關(guān)鍵詞：語義分割；深度學(xué)習(xí)；MobileNetV2；DeepLabV3+；肺實質(zhì)分割

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2023）20-0001-07

0 引言

肺癌是常見的惡性腫瘤之一，我國肺癌無論在發(fā)病率還是死亡率上都超過了世界平均水平[1]。因此，肺癌的早期篩查是改善生存和預(yù)防的最有效手段[2]。臨床上使用最普遍的肺癌醫(yī)學(xué)檢查手段[3]是CT（Com?puted Tomography）、MRI（Magnetic Resonance Imaging）、PET（Positron Emission Computed Tomography）、CXR（Chest X Ray），其中CXR已被廣泛證明可以在早期階段顯示病理結(jié)果。相較于CT，CXR因為其低成本、低輻射等優(yōu)勢，被大多數(shù)人所接受[4]。在肺癌的篩查和診治中，排除無關(guān)主體的干擾，將肺實質(zhì)從圖像中分割出來是最初始和關(guān)鍵的階段[5]，它是后續(xù)任務(wù)的預(yù)處理步驟[6]。

傳統(tǒng)的醫(yī)學(xué)圖像分割方法主要包括基于閾值、區(qū)域生長、聚類、數(shù)學(xué)形態(tài)學(xué)等方法[6-7]。這些方法普遍存在過度依賴人手工特征提取、效率低下、準(zhǔn)確度低等問題。相較于傳統(tǒng)分割方法，深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN） 擁有自學(xué)習(xí)優(yōu)勢且無須進(jìn)行手動特征提取，節(jié)省了大量人力物力成本，效果更好，因此被廣泛地應(yīng)用在CAD（Computer-Aided Diagnosis） 輔助診斷領(lǐng)域[8]。Long等人[9]提出的FCN全卷積神經(jīng)網(wǎng)絡(luò)開啟了深度學(xué)習(xí)的語義分割時代。但因為過大的上采樣，圖片丟失了大量的細(xì)節(jié)信息，分割結(jié)果平滑且模糊[3]。Ronneberger等人[10]提出了對稱編解碼網(wǎng)絡(luò)U-Net，通過編碼部分獲取高層的語義信息，解碼部分通過跳躍連接融合淺層的空間維度和像素位置信息，實現(xiàn)高層語義信息和淺層空間位置信息融合，提升分割效果，即使訓(xùn)練少量的數(shù)據(jù)就可以獲得良好的魯棒性[5]。而醫(yī)學(xué)分割任務(wù)中因為圖像稀缺、標(biāo)注成本高等原因，U-Net 被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域的圖像分割任務(wù)。Skourt等人[11]將其應(yīng)用在肺部CT圖像分割中，取得了95%的Dice score。Zhang等人[12]結(jié)合多尺度殘差結(jié)構(gòu)和密集連接，改進(jìn)U-Net結(jié)構(gòu)，在肺部分割中獲得了98%的Dice score。為了解決過大的下采樣壓縮圖像造成圖像邊緣輪廓信息損失，O Gómez等人[13]通過改進(jìn)U-Net結(jié)構(gòu)，加入了胸部X光分割技術(shù)中幾乎不使用的空洞卷積和實例歸一化操作，在JSRT數(shù)據(jù)集上對肺部、心臟、鎖骨進(jìn)行分割，并取得了較好的結(jié)果?；赨-Net改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)普遍存在忽視目標(biāo)物體的多尺度信息、無法分辨特征的重要程度、存在大量的參數(shù)和網(wǎng)絡(luò)訓(xùn)練時間長等問題。

在一些移動設(shè)備和嵌入式設(shè)備應(yīng)用場景中，復(fù)雜而又龐大的模型占用內(nèi)存大，存在部署過程中內(nèi)存不足的問題，難以被實際應(yīng)用。因此，針對龐大的網(wǎng)絡(luò)參數(shù)，輕量級CNN 網(wǎng)絡(luò)Mo?bileNet[14-16]系列被提出，深度可分離卷積的應(yīng)用，在保證準(zhǔn)確度的情況下，顯著減少參數(shù)量，加速網(wǎng)絡(luò)訓(xùn)練過程。因為其小巧且高效，被廣泛應(yīng)用于移動端或嵌入式設(shè)備中。針對目標(biāo)物體的多尺度和對稱語義算法忽略像素空間一致性的問題，Chen等人[17]提出了DeepLabV3 網(wǎng)絡(luò)，空洞空間金字塔池化（ASPP）的使用，同時兼顧捕捉不同大小的尺度信息，解決了物體的多尺度分割和像素空間一致性問題，但無法彌補(bǔ)連續(xù)下采樣導(dǎo)致的邊界信息損失。Deep?LabV3+[18]通過在DeepLabV3的基礎(chǔ)上增加一個解碼器部分，引入低層邊界信息，彌補(bǔ)邊界損失，提升分割效果。為了捕獲和理解不同特征圖的通道和空間重要信息，基于通道和空間的注意力機(jī)制被廣泛應(yīng)用到網(wǎng)絡(luò)中。郭寧等人[19]基于U-Net網(wǎng)絡(luò)架構(gòu)，在網(wǎng)絡(luò)中解碼部分引入注意力機(jī)制來凸顯目標(biāo)區(qū)域，以抑制背景像素的干擾，在LUNA 數(shù)據(jù)集上獲得了較好的結(jié)果。 燕楊等人[20]將注意力機(jī)制應(yīng)用在U-Net網(wǎng)絡(luò)中，對視網(wǎng)膜血管進(jìn)行分類，實現(xiàn)了視網(wǎng)膜A/V的精準(zhǔn)分類。

基于上述關(guān)聯(lián)研究，為了同時兼顧輕量化和高準(zhǔn)確率，本文采用MobileNetV2[15] 代替原來的Deep?LabV3+中的Xception作為骨干網(wǎng)絡(luò)進(jìn)行特征提取，降低模型的復(fù)雜度和參數(shù)量；通過級聯(lián)ASPP 模塊和PPM模塊，充分提取全局上下文信息。為了最大限度地利用不同層級的特征信息以及對丟失邊界信息的補(bǔ)償，在網(wǎng)絡(luò)的解碼過程中，充分融合高層和淺層的特征信息。同時，為了突出特征圖中不同通道和空間的重要性，加入相應(yīng)的注意力機(jī)制模塊，融合后得到更加準(zhǔn)確的分割結(jié)果。最后，為了平衡數(shù)據(jù)集中假陰性和假陽性的比例，引入Tversky損失函數(shù)，提高肺實質(zhì)分割的敏感度和分割的準(zhǔn)確率。

1 模型構(gòu)建

1.1 改進(jìn)的DeepLabv3+網(wǎng)絡(luò)結(jié)構(gòu)

1） 編碼部分改進(jìn)

首先將編碼部分的骨干特征提取網(wǎng)絡(luò)改為輕量級的MobileNetV2[15]，將編碼部分末端的ASPP模塊中三個不同擴(kuò)張率的擴(kuò)張卷積改為深度可分?jǐn)U張卷積，在充分提取特征和基本不損失精度的情況下，極大地減少模型的參數(shù)量，提高網(wǎng)絡(luò)模型訓(xùn)練的效率。同時，為了更大限度地提取全局信息，通過并聯(lián)PPM模塊，采用不同的池化核大小進(jìn)行全局上下文語義信息提取，最后將二者提取的全局信息進(jìn)行融合，獲取豐富的全局語義信息，具體的改進(jìn)結(jié)構(gòu)如圖1所示。

編碼改進(jìn)部分具體操作如下：首先，將下采樣16 倍的高層特征圖分別送入改進(jìn)的ASPP模塊和PPM模塊中，網(wǎng)絡(luò)輸出兩個不同通道數(shù)的feature map，采用1×1卷積分別對這兩個通道進(jìn)行通道調(diào)整，然后將調(diào)整后的兩個特征圖拼接，降維并進(jìn)行特征融合，得到高層豐富的語義特征信息。

2） 解碼部分改進(jìn)

原始的DeepLabv3+的解碼部分只利用了下采樣4次的特征圖信息，導(dǎo)致信息大量丟失和無法充分利用，因此，為了彌補(bǔ)淺層信息的損失并充分利用高淺層信息，橫縱向通過借鑒U-Net的跳躍連接結(jié)構(gòu)，形成橫縱向跳躍連接結(jié)構(gòu)，充分融合深淺層的特征信息。該結(jié)構(gòu)在獲取豐富語義信息的基礎(chǔ)上，極大程度減少邊界位置信息損失，提升分割的精度。

解碼改進(jìn)部分具體操作如下：首先融合骨干網(wǎng)絡(luò)下采樣1/4、1/8、1/16得到的特征圖，得到一個中間特征層。具體操作步驟是：將下采樣16倍的特征圖加入通道注意力機(jī)制，上采樣兩倍后，與加入空間注意力機(jī)制的下采樣8倍的特征圖進(jìn)行拼接，并采用3×3深度可分離卷積對拼接的特征圖進(jìn)行通道和空間上信息的融合。隨后再將下采樣4倍的特征圖加入空間注意力機(jī)制，為了不削弱高層語義特征信息同時，豐富淺層空間位置信息，采用1×1的卷積將通道升維后，使用3×3深度可分卷積融合上面上采樣2倍的特征層，完成信息融合。至此，得到了一個擁有高層和次高層語義和位置信息的中間特征層?？v向特征信息拼接融合完成后，再橫向拼接來自ASPP和PPM提取的高層豐富語義信息，使用3×3深度可分離卷積進(jìn)行特征融合。相較原來橫向只融合下采樣4倍的特征層來說，這樣更加有效地利用了不同層級的特征信息，增強(qiáng)了像素之間的關(guān)聯(lián)性，讓分割效果更加準(zhǔn)確。

為了更好地彌補(bǔ)淺層位置信息損失，在解碼部分完成首次橫向跳躍連接后，再次融合下采樣2倍的特征層。對該特征層加入空間注意力機(jī)制、調(diào)整通道為原來的兩倍，上面的融合特征層上采樣2倍，利用深度可分離卷積融合特征并調(diào)整通道，充分融合高層語義信息和淺層空間位置信息。最后通過調(diào)整輸出特征圖的尺寸和通道，得到預(yù)測結(jié)果。具體的改進(jìn)結(jié)構(gòu)如圖2所示。

1.2 主干特征提取網(wǎng)絡(luò)

在MobileNetV2中，延續(xù)使用了深度可分離卷積，在保證準(zhǔn)確率的情況下，降低模型參數(shù)，加速網(wǎng)絡(luò)的訓(xùn)練過程。由于深度可分離卷積中的DW卷積輸出結(jié)果的通道數(shù)和原通道數(shù)保持一致，而當(dāng)通道數(shù)較低時，無法充分提取特征信息且卷積核的參數(shù)大部分為0，因此MobileNetV2采用倒殘差結(jié)構(gòu)。首先提升輸入特征圖的維度并使用ReLU6進(jìn)行特征非線性化處理，隨后采用3×3的DW卷積和ReLU6激活函數(shù)充分提取特征和對特征進(jìn)行非線性化處理，最后通過1×1卷積進(jìn)行特征融合和降維。為了避免非線性激活函數(shù)對低維特征信息的影響[14]，結(jié)構(gòu)最后改用線性激活函數(shù)進(jìn)行激活（線性瓶頸結(jié)構(gòu)）輸出，大量的倒殘差結(jié)構(gòu)結(jié)合深度可分離卷積，極大地降低了模型復(fù)雜度，讓模型更加輕量。

1.3 空洞卷積

空洞卷積的提出是為了解決傳統(tǒng)圖像分割時，為了獲取更大的感受野，連續(xù)使用下采樣或大尺度的卷積核來提取特征，導(dǎo)致特征圖尺寸下降過大，損失邊界信息，從而影響分割效果的問題。在普通卷積的基礎(chǔ)上，根據(jù)不同的擴(kuò)張率在參數(shù)間注入空洞（填充0），擴(kuò)大了卷積核的尺寸，增大了感受野，無須學(xué)習(xí)新的參數(shù)，維持了特征圖的分辨率。

k表示空洞卷積核的大小，k′表示等效普通卷積核大小，d 為擴(kuò)張因子，S_i 表示前面層步長的乘積。通過分析可以得出，步長和卷積核的大小越大，網(wǎng)絡(luò)就會擁有更大的感受野?；诖耍斩淳矸e通過注入?yún)?shù)0的方式增大了卷積核的尺寸，從而讓網(wǎng)絡(luò)整體感受野得到提升。因此對于語義分割中頻繁的下采樣損失空間位置信息來說，空洞卷積是一種很好的解決辦法。為此，在ASPP結(jié)構(gòu)中，通過將不同擴(kuò)張率的擴(kuò)張卷積并聯(lián)，可以同時提取不同尺度的信息，讓分割結(jié)果更加準(zhǔn)確和高效。

1.4 深度可分離卷積

深度可分離卷積（Depthwise Separable Con?volution）分為兩個階段，首先對特征圖進(jìn)行通道層面的特征提取，然后在第一步的基礎(chǔ)上進(jìn)行特征融合。前者實現(xiàn)了空間相關(guān)性的映射，后者實現(xiàn)了跨通道相關(guān)性的映射。

同樣是輸入圖像為H×W×C 的特征圖，普通卷積圖5（a） 所需參數(shù)量為 H1×W1×C×3，對于深度可分離卷積圖5（b） ，參數(shù)量僅為（H1×W1×C+1×1×C×3），參數(shù)量大約為傳統(tǒng)卷積的1/3。深度可分離卷積使用更少的參數(shù)進(jìn)行學(xué)習(xí)，并可以達(dá)到類似普通卷積的效果，大大地降低了模型的復(fù)雜度。

1.5 注意力模塊

在計算機(jī)視覺中，注意力機(jī)制和人腦處理信息類似，將注意力聚焦到重要區(qū)域，排除無關(guān)主題干擾，從而將算力資源聚焦到重要的位置區(qū)域[21]。一般而言，注意力機(jī)制通常分為通道注意力（Channel Attention）機(jī)制、空間注意力（Spatial Attention）機(jī)制以及二者結(jié)合的混合通道和空間的注意力機(jī)制[22]（CBAM）。

CAM（通道注意力模塊），關(guān)注的是特征的類型。從全局出發(fā)，提取重要特征。對輸入特征圖（H×W×C） 的每個通道進(jìn)行最大和平均池化得到兩個不同的特征描述（1×1×C），接著，分別送入兩個共享的全連接層，一個神經(jīng)元個數(shù)為C/r，另一個神經(jīng)元個數(shù)為C，完成兩次全連接后進(jìn)行加和操作，然后經(jīng)過Sigmoid 激活函數(shù)得到權(quán)重系數(shù)，其值在0～1，代表不同通道的重要程度。最后對每個通道乘積得到的權(quán)值，得到全新的特征。在本文模型中，對于高層的特征圖采用通道注意力機(jī)制，突出重要全局特征信息，具體操作流程如圖4（a）所示。

SAM（空間注意力模塊），關(guān)注的是特征的位置。從局部出發(fā)，在特征矩陣中選擇有意義的特征。同樣是對輸入特征圖進(jìn)行兩個池化操作，得到兩個不同的特征圖（H×W×1）描述，將兩個特征進(jìn)行拼接后，經(jīng)過卷積操作和對特征進(jìn)行非線性激活后得到權(quán)重系數(shù)，最后對原特征矩陣賦予相應(yīng)的權(quán)重，得到全新的特征。在實驗中，對淺層特征圖采用空間注意力機(jī)制，突出局部重要特征，具體的操作流程如圖4（b） 所示。

2 實驗結(jié)果與分析

2.1 實驗環(huán)境

實驗在Linux 服務(wù)器下進(jìn)行，具體配置如表1 所示。

2.2 實驗數(shù)據(jù)和預(yù)處理實驗數(shù)據(jù)集來自日本放射線技術(shù)協(xié)會開源的標(biāo)準(zhǔn)數(shù)字圖像數(shù)據(jù)庫（JSRT[23]數(shù)據(jù)集）。該數(shù)據(jù)集由247張圖像組成，圖片的尺寸為2 048×2 048，位深度為24，格式為.IMG，其中包括154肺結(jié)節(jié)圖片和93張無肺結(jié)節(jié)圖片。肺部圖像對應(yīng)的掩膜圖像（Ground Truth）來自SCR[24]database，它提供了胸部X光中各解剖結(jié)構(gòu)（肺部、心臟、鎖骨）對應(yīng)的掩膜圖像，分辨率為1 024×1024。為了提升分割效果，在分割前對圖像進(jìn)行預(yù)處理和數(shù)據(jù)增強(qiáng)操作，這里主要使用的預(yù)處理方法為：圖像格式轉(zhuǎn)換、圖像分辨率調(diào)整、圖像濾波以及圖像對比度調(diào)整，最后在此基礎(chǔ)上對圖像進(jìn)行增強(qiáng)處理。

首先，對數(shù)據(jù)格式和分辨率進(jìn)行調(diào)整，將原圖和標(biāo)簽的分辨率調(diào)整為512×512，位深度為8、模式為L 的.png格式圖片，方便網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其次，對圖像進(jìn)行濾波處理，由于X光的顆粒噪聲分布服從高斯分布，因此利用高斯濾波對圖片進(jìn)行濾波處理，減少噪聲對識別主體的干擾。為了更好地突出主體和背景，增加對比度，抑制噪聲，采用限制對比度的自適應(yīng)直方圖均衡法（CLAHE） 對原圖進(jìn)行變換處理，相應(yīng)處理后的圖像如圖5 所示。

為了讓模型更具備泛化性，對原始的數(shù)據(jù)集分別進(jìn)行水平、垂直鏡像翻轉(zhuǎn)以及水平左右隨機(jī)旋轉(zhuǎn)5°處理，經(jīng)過處理過后的圖片數(shù)量會變成原來的4倍，增強(qiáng)數(shù)據(jù)如圖6 所示。數(shù)據(jù)增強(qiáng)[25]后，按照6：2：2的比例，將增強(qiáng)數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集、驗證集和測試集。訓(xùn)練時設(shè)置初始學(xué)習(xí)率為1e-3，batch-size為4，一共訓(xùn)練60個epoch，采用Adam優(yōu)化器對網(wǎng)絡(luò)參數(shù)進(jìn)行更新。

2.3 評價指標(biāo)

實驗中采用不同的評價指標(biāo)在數(shù)據(jù)集的驗證集上進(jìn)行評價。包括骰子系數(shù)（DSC）、交并比（IoU）、靈敏度（SE）和準(zhǔn)確率（ACC）指標(biāo)，計算公式如下。

式中，p 代表預(yù)測的值，g 代表真實值，通過設(shè)置超參數(shù)α 和β 的值來調(diào)整二者的權(quán)重。為了更好地抑制假陰性，在網(wǎng)絡(luò)訓(xùn)練中，β 取0.7，α取0.3。

2.5 對比分析

1） 不同損失函數(shù)對比分析

為了驗證TverskyLoss 對假陰性的抑制效果，實驗分別采用BCELoss和TverskyLoss函數(shù)進(jìn)行實驗，實驗結(jié)果如表2所示。

由表2分析可以看出，當(dāng)使用Tversky作為損失函數(shù)時，在其他指標(biāo)接近的情況下，顯著地提高模型的靈敏度，肺實質(zhì)分割的效果更好。因此，本文采用Tversky作為模型的損失函數(shù)。

網(wǎng)絡(luò)訓(xùn)練穩(wěn)定后，訓(xùn)練集、驗證集的訓(xùn)練損失、準(zhǔn)確率如圖7、圖8所示。

2） 不同卷積模塊對比分析

為了驗證深度可分離擴(kuò)張卷積在基本不影響結(jié)果精度的情況下，顯著減少模型參數(shù)、加速網(wǎng)絡(luò)訓(xùn)練的效果，在原始的MobileNetV2 骨干網(wǎng)絡(luò)中，將ASPP 中并聯(lián)的擴(kuò)張卷積改為深度可分離擴(kuò)張卷積在相同實驗環(huán)境下進(jìn)行實驗，實驗結(jié)果如表3所示。

通過分析可知，在ASPP模塊中使用深度可分離空洞卷積后，模型參數(shù)變?yōu)樵瓉淼?4.2%，訓(xùn)練時間縮短了5%，整體IoU相比原來僅降低了0.31%。由此可得出，深度可分離卷積在基本不損失精度的情況下，顯著減少了模型參數(shù)，加速了模型的訓(xùn)練學(xué)習(xí)的過程。

3） 不同模塊消融實驗對比分析

因此，為了驗證改進(jìn)的MobileNetV2 模塊并聯(lián)PPM模塊、加入注意力機(jī)制、融合多跳躍連接的有效性，在ASPP模塊中并聯(lián)擴(kuò)張卷積為深度可分離擴(kuò)張卷積的實驗條件下，進(jìn)行消融實驗，實驗結(jié)果如表4 所示。

通過比較分析表中第2、3、4和最后一行，可以得出，注意力機(jī)制和多跳躍連接、融合PPM模塊可以使網(wǎng)絡(luò)分割效率分別提升0.29%、0.29%、0.22%。對比第一行和最后一行，可以得出，同時加入這三個改進(jìn)可以使網(wǎng)絡(luò)分割準(zhǔn)確率提高0.76%，模型的分割效果最好。同時，由于改進(jìn)模塊中深度可分離卷積的應(yīng)用，模型的參數(shù)量相較未加入這些模塊的網(wǎng)絡(luò)參數(shù)量降低了15%。由此可見，將PPM模塊、注意力機(jī)制和多跳躍連接應(yīng)用到本文模型中，不僅能夠降低模型的參數(shù)量，還能充分提取全局信息、融合更多特征信息，提升網(wǎng)絡(luò)的分割效果，保證圖像分割的完整性。

4） 不同骨干網(wǎng)絡(luò)對比分析

為了驗證DeepLabv3+在不同骨干網(wǎng)絡(luò)上的表現(xiàn)效果，分別使用ResNet-50、Xception和改進(jìn)的Mobile?NetV2作為骨干特征提取網(wǎng)絡(luò)在相同實驗條件下進(jìn)行測試，分別驗證它們在數(shù)據(jù)集的驗證集上的交并比、模型參數(shù)量和推理時間性能指標(biāo)，實驗結(jié)果如表5 所示。

對于ResNet-50和Xception作為主干特征提取網(wǎng)絡(luò)的DeepLabV3+網(wǎng)絡(luò)來說，它們的參數(shù)量龐大，且效果沒有所提算法好。在推理時間上，所提算法與它們接近。測試結(jié)果表明，所改進(jìn)的網(wǎng)絡(luò)在分割效果、參數(shù)量和推理時間上達(dá)到了很好的平衡。

5） 不同分割算法對比分析

為了驗證本文所提算法的優(yōu)勢，在相同的實驗環(huán)境下將本文算法與三種不同的分割算法進(jìn)行對比實驗，分別在數(shù)據(jù)集的驗證集上對4個分割網(wǎng)絡(luò)的IoU 指標(biāo)和模型的參數(shù)量進(jìn)行評估，實驗結(jié)果如表6所示。

從表6 中可以看出，所提算法相較原始Deep?LabV3+網(wǎng)絡(luò)，在參數(shù)僅有其6%的基礎(chǔ)上，在驗證集上的交并比提升了0.17%；相較于早期的FCN-8s來說，所提算法參數(shù)小且IoU提升了4.47%；對比U-Net，IoU 有了0.65% 的提升，且參數(shù)量只有其1/10 左右。由此可見，所提的算法在保證分割精度的情況下，極大地降低了模型的參數(shù)量，分割效果表現(xiàn)更好。

2.6 不同分割算法分割效果

不同分割算法在JSRT驗證集上的分割效果如圖9 所示。

從圖9可以看到，F(xiàn)CN-8s由于過大的上采樣導(dǎo)致丟失了很多邊界位置信息，對邊界位置的識別不夠準(zhǔn)確，同時存在比較明顯的誤分割問題。對于U-Net來說，它可以比較準(zhǔn)確地識別出邊界位置信息，但相較于DeepLabV3+原始網(wǎng)絡(luò)和改進(jìn)算法而言，對整體語義信息把握不太準(zhǔn)確。相較于原始的DeepLabV3+網(wǎng)絡(luò)而言，本文提出的算法對邊界信息的處理更準(zhǔn)確，同時分割效果也更好。

3 結(jié)論

本文提出了一種改進(jìn)的DeepLabV3+網(wǎng)絡(luò)，使用MobileNetV2作為骨干特征提取網(wǎng)絡(luò)，將編碼部分的ASPP模塊中并聯(lián)的擴(kuò)張卷積改為深度可分離擴(kuò)張卷積，同時并聯(lián)ASPP模塊，豐富語義信息提取、減少模型參數(shù)量，讓網(wǎng)絡(luò)更加輕量。在解碼部分，通過加入注意力機(jī)制和跳躍連接，突出不同特征的重要性、融合不同層次的特征信息，提升分割效果。采用Tversky 損失函數(shù)平衡了在分割過程中假陰性和假陽性的比例，提高了模型的靈敏度。該算法在JSRT驗證集上的IoU達(dá)到94.37%，模型參數(shù)量僅有12.4MB，更容易部署到移動端。后續(xù)工作就是在本文算法分割的基礎(chǔ)上，進(jìn)行肺部結(jié)節(jié)的識別和檢測工作。