摘" " 要" " 心包積液是由多種因素引起的心包腔內(nèi)液體積聚，超聲心動(dòng)圖是其常用的診斷工具，但由于圖像噪聲、回聲變化和分割區(qū)域形狀不規(guī)則等問題，常導(dǎo)致定位困難。本文提出了一種改進(jìn)U-Net模型，并探討其自動(dòng)分割心包積液超聲心動(dòng)圖圖像的應(yīng)用價(jià)值。本文納入公開數(shù)據(jù)集Pericardial-Effusion-experimental-data中2541組（共5082張圖片）數(shù)據(jù)，以7∶3的比例分為訓(xùn)練集（1779組，3558張圖片）和公開測試集（762組，1524張圖片），另納入山東第二醫(yī)科大學(xué)附屬醫(yī)院的心包積液患者超聲心動(dòng)圖圖像38張作為外部測試集?；谟?xùn)練集對U-Net模型進(jìn)行改進(jìn)，具體方法包括引入多尺度特征提取模塊和Dropout2d機(jī)制，以增強(qiáng)模型的泛化能力和分割精度；在下采樣過程中應(yīng)用LeakyReLU激活函數(shù)，提高模型的非線性表達(dá)能力；在卷積層中采用反射填充，優(yōu)化積液區(qū)邊界的輪廓。比較改進(jìn)前后U-Net模型在公開測試集和外部測試集上的準(zhǔn)確率、召回率、精確度和F1分?jǐn)?shù)，結(jié)果顯示，改進(jìn)后U-Net模型在公開測試集和外部測試集中的準(zhǔn)確率分別為96.97%和98.00%，召回率分別為91.47%和80.03%，精確度分別為69.84%和52.20%，F(xiàn)1分?jǐn)?shù)分別為77.34%和60.86%。上述結(jié)果表明，改進(jìn)U-Net模型具有較好的泛化能力，為心包積液超聲心動(dòng)圖圖像的自動(dòng)分割提供了一種有效的解決方案，能夠在提高診斷效率的同時(shí)，確保較高的準(zhǔn)確率。

關(guān)鍵詞" " 超聲心動(dòng)描記術(shù)；心包積液；醫(yī)學(xué)圖像分割；U-Net模型

［中圖法分類號(hào)］R540.45" " " ［文獻(xiàn)標(biāo)識(shí)碼］A

Application of improved U-Net model in the image segmentation of pericardial effusion echocardiography

GONG Wei，LI Zhongyu，SU Zhenguo，NING Chuanyong，TIE Xiaolan，SUN Peng

School of Medical Information and Engineering，Ningxia Medical University，Yinchuan 750004，China

ABSTRACT" " Pericardial effusion refers to the accumulation of fluid in the pericardial cavity due to various causes. Although echocardiography is a common diagnostic tool，its effectiveness can be limited by issues such as image noise，echo variations，and irregular segmentation boundaries，making it challenging to accurately locate effusions. This study proposes an improved U-Net model to explore its application value in the automatic segmentation of pericardial effusion in echocardiographic images. The publicly available Pericardial-Effusion-experimental-data dataset，containing 2541 sets （5082 images），were divided into a 7∶3 ratio，with 1779 sets （3558 images） used for training and 762 sets （1524 images） for testing. Additionally，38 echocardiographic images of pericardial effusion patients from the Affiliated Hospital of Shandong Second Medical University were included as an external test set. The U-Net model was enhanced by incorporating a multi-scale feature extraction module and a Dropout2d mechanism to improve generalization and segmentation accuracy. The LeakyReLU activation function was applied during downsampling to boost the model’s nonlinear expression capability，while reflection padding was used in the convolutional layers to refine the boundaries of the effusion region.Performance comparison between the original and improved models，using the open and external test sets，revealed that the improved U-Net model achieved accuracy rates of 96.97% and 98.00%，recall rates of 91.47% and 80.03%，precision rates of 69.84% and 52.20%，and F1 scores of 77.34% and 60.86%，respectively. These results demonstrate that the improved U-Net model exhibits strong generalization ability and offers an effective solution for the automatic segmentation of pericardial effusion echocardiographic images，enhancing diagnostic efficiency while maintaining high accuracy.

KEY WORDS" " Echocardiography；Pericardial effusion；Medical image segmentation；U-Net model

心包積液是指由于各種因素引起的心包腔內(nèi)液體積聚，正常成人心包內(nèi)含積液超過50 ml即可診斷為心包積液［1］。心包積液臨床較為常見，心臟手術(shù)后其發(fā)病率高達(dá)85%，當(dāng)積液迅速增加或達(dá)到一定程度時(shí)，會(huì)出現(xiàn)心臟堵塞，使心包內(nèi)壓力升高，心臟受壓后回流受限，最終導(dǎo)致器官衰竭休克，極端情況下還會(huì)引起心臟驟停，嚴(yán)重危及患者生命［2］。超聲心動(dòng)圖是目前臨床診斷心包積液的常用方法，具有較高的靈敏度和特異度［3］，但心包積液超聲心動(dòng)圖圖像存在噪點(diǎn)多、心臟各腔室回聲隨時(shí)間周期變化及分割區(qū)域形狀不規(guī)則等問題［4］，導(dǎo)致心包積液的位置不易準(zhǔn)確定位。U-Net模型作為最有效的生物醫(yī)學(xué)圖像分割算法之一，目前已有較多研究基于該模型自動(dòng)識(shí)別臟器及疾病，馮嘉欽等［5］基于多尺度U-Net對腎臟CT圖像進(jìn)行分割，提出了一種結(jié)合多尺度U-Net模型和分水嶺后處理的方法，能夠有效分割腎臟位置；夏景明等［6］基于LMD-UNet網(wǎng)絡(luò)對腦腫瘤多模態(tài)MRI圖像進(jìn)行了分割，通過在編碼解碼階段分別采用局部特征殘差融合密集塊和多尺度卷積模塊及雙分支卷積的方式生成新的高級(jí)語義特征，能夠有效分割出細(xì)節(jié)邊緣部分；Jing等［7］基于改進(jìn)U-Net模型對食管癌細(xì)胞的光學(xué)顯微圖像進(jìn)行分割，通過引入注意力機(jī)制提高細(xì)胞區(qū)域與背景的對比度，改進(jìn)U-Net模型對食管癌細(xì)胞的識(shí)別準(zhǔn)確率可達(dá) 96%。Yazdian等［8］使用基于U-Net的深度學(xué)習(xí)模型對腎細(xì)胞癌、囊腫和正常部分的MRI圖像進(jìn)行分割，分別訓(xùn)練了二維和三維U-Net，平均Dice相似系數(shù)分別為0.780和0.816，表明U-Net模型具有良好的檢測和分割能力。Danush等［9］基于改進(jìn)的U-Net模型對前列腺癌MRI圖像進(jìn)行識(shí)別，該模型結(jié)合了Transformer架構(gòu)，與傳統(tǒng)U-Net模型相比識(shí)別更加精準(zhǔn)；袁琳等［10］使用改進(jìn)的U-Net模型對乳腺腫瘤超聲圖像進(jìn)行分割，結(jié)果顯示改進(jìn)后的模型更具有穩(wěn)定性，能夠精準(zhǔn)分割腫瘤區(qū)域。U-Net模型在醫(yī)學(xué)圖像分割領(lǐng)域具有良好的應(yīng)用前景，但標(biāo)準(zhǔn)U-Net模型由于在訓(xùn)練過程中會(huì)過多增加訓(xùn)練集的細(xì)節(jié)部分，導(dǎo)致在測試集中的分割結(jié)果會(huì)出現(xiàn)較大誤差，即過擬合現(xiàn)象［11］；且其對于低對比度區(qū)域存在分割不足的情況，會(huì)導(dǎo)致分割區(qū)域邊緣模糊及較暗區(qū)域難以準(zhǔn)確分割等問題。本文通過在U-Net卷積模塊中引入Dropout2d層和BatchNorm2d層，使用LeakyReLU激活函數(shù)，并優(yōu)化模型的上采樣，以提高超聲圖像分割精度，并協(xié)助臨床完成心包積液的定性診斷，旨在確保準(zhǔn)確率的同時(shí)提高閱片效率。

一、數(shù)據(jù)集選擇

本文納入公開數(shù)據(jù)集Pericardial-Effusion-experimental-data （https：//github.com/ncnuaiialab/Pericardial-Effusion-experimental-data）中5140組共10 280張圖片，剔除無心包積液疾病的圖像后得到可用數(shù)據(jù)2541組（共5082張圖片），每組數(shù)據(jù)由心包積液超聲心動(dòng)圖圖像和掩碼圖組成，以7∶3的比例將其分為訓(xùn)練集和公開測試集，其中訓(xùn)練集1779組（共3558張圖片），測試集762組（共1524張圖片）。另納入2023年10月1～30日濰坊醫(yī)學(xué)院附屬醫(yī)院的心包積液患者超聲心動(dòng)圖圖像38張，由超聲科專家使用LabelMe將心包積液的位置在圖像中標(biāo)注出來作為掩碼圖，用于模型的外部測試集，以驗(yàn)證改進(jìn)U-Net模型對于醫(yī)院臨床數(shù)據(jù)中的超聲心動(dòng)圖圖像的泛化能力。

二、U-Net模型結(jié)構(gòu)及改進(jìn)方法

1.U-Net模型結(jié)構(gòu)

U-Net模型屬于對稱的編碼-解碼結(jié)構(gòu)（圖1），其左側(cè)是用于捕獲上下文信息的編碼器，右側(cè)是用于執(zhí)行精確定位的解碼器［12］。該模型采用反卷積和跳躍連接的方式，使得不同尺度的特征得到融合，從而提高分割精度［13］。編碼子網(wǎng)絡(luò)進(jìn)行編碼學(xué)習(xí)，上采樣層將數(shù)據(jù)流放大不同尺度，池化層可以增加感受野并降低圖像分辨率［14］；解碼子網(wǎng)絡(luò)學(xué)習(xí)不同尺度下數(shù)據(jù)流中的特性信息，進(jìn)行端到端訓(xùn)練，利用不同分辨率同層位置的對應(yīng)特征圖信息為目標(biāo)的分割提供幫助［15］。

2.U-Net模型改進(jìn)方法

為了進(jìn)一步提高U-Net模型的性能和訓(xùn)練效果，本文對其進(jìn)行了一系列改進(jìn)和優(yōu)化。首先，在卷積板塊中引入了Dropout2d層和BatchNorm2d層，有助于減少過擬合并加速模型的訓(xùn)練過程。Dropout2d層能夠隨機(jī)將一部分神經(jīng)元輸出設(shè)置為0，從而減少神經(jīng)元之間的依賴關(guān)系，有助于防止過擬合［16］；而BatchNorm2d層則能夠加速模型的收斂速度，提高訓(xùn)練效率和F1分?jǐn)?shù)，從而提升模型的分割性能［17］。其次，在卷積板塊和下采樣中使用LeakyReLU激活函數(shù)［18］，以增加模型的非線性能力。相較于傳統(tǒng)的ReLU激活函數(shù)，LeakyReLU激活函數(shù)能夠在輸入負(fù)數(shù)時(shí)有一個(gè)小的斜率，可避免神經(jīng)元“死亡”，進(jìn)而增強(qiáng)模型的表達(dá)能力。公式（1）為LeakyReLU激活函數(shù)的數(shù)學(xué)表達(dá)式。

f（x）=[x，" " " " " " " " " " " " " " if x≥0negativ_slope.x，if xlt;0] （1）

在卷積層中，使用反射填充可以更好地處理邊界像素，從而提高模型對邊界信息的學(xué)習(xí)能力。這種處理方式能夠減少邊界信息的丟失，提高模型對心包積液邊緣細(xì)節(jié)的捕捉能力。此外，引入不同的損失函數(shù)能夠在訓(xùn)練過程中提高U-Net模型的性能。在U-Net模型的最后一層使用Sigmoid激活函數(shù)，并將輸出通道設(shè)置為3，以適應(yīng)分割任務(wù)的需求。Sigmoid是一種平滑函數(shù)，能夠?qū)⑺袛?shù)據(jù)映射在0～1［19］，適合處理二分類問題，而將輸出通道設(shè)置為3則能夠適應(yīng)多通道的分割任務(wù)。公式（2）為Sigmoid激活函數(shù)的數(shù)學(xué)表達(dá)式。

S（x）=[11+e-x] （2）

最后，優(yōu)化上采樣實(shí)現(xiàn)方式，使用Interpolate進(jìn)行上采樣操作，并通過1×1卷積層減少通道數(shù)，以更好地融合特征圖。這種優(yōu)化方式能夠提高上采樣的精度，減少信息損失，進(jìn)一步提高模型的分割性能。

3.模型訓(xùn)練的改進(jìn)方法

Adam優(yōu)化器［20］可以有效結(jié)合其他算法的優(yōu)點(diǎn)。結(jié)合矩估計(jì)思想，Adam算法可以計(jì)算修正每輪梯度一階矩與二階矩動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)率。該算法具有收斂速度快、內(nèi)存需求少等特點(diǎn)［21］，能夠很快實(shí)現(xiàn)優(yōu)良的結(jié)果。同時(shí)訓(xùn)練采用BCELoss為損失函數(shù)，定義如下：

L（pt，target）=-w*［target*ln（pt）+（1-target）*ln（1-pt）］ （3）

其中，pt為模型預(yù)測值，target為標(biāo)簽值，w為權(quán)重值（一般為1）。對于整個(gè)訓(xùn)練集或批次數(shù)據(jù)，BCELoss是對單個(gè)樣本的損失求平均。

4.評(píng)估指標(biāo)

采用準(zhǔn)確率、召回率、精確度、F1分?jǐn)?shù)共4個(gè)指標(biāo)對心包積液超聲心動(dòng)圖圖像分割效果進(jìn)行評(píng)價(jià)。

準(zhǔn)確率為模型正確預(yù)測的樣本數(shù)量占總樣本數(shù)量的比例，其優(yōu)點(diǎn)是簡單明了、易于計(jì)算。其定義如公式（4）所示，其中TP表示真正的正類別樣本數(shù)量，TN表示真正的負(fù)類別樣本數(shù)量，F(xiàn)P表示錯(cuò)誤預(yù)測為正類別的樣本數(shù)量，F(xiàn)N表示錯(cuò)誤預(yù)測為負(fù)類別的樣本數(shù)量。

準(zhǔn)確率=（TP+TN）/（TP+TN+FP+FN） （4）

召回率為真正的正類別樣本中被模型預(yù)測為正類別的數(shù)量。其定義如公式（5）所示。

召回率=TP/（TP+FN） （5）

精確度為正確分類的樣本數(shù)量占總樣本數(shù)量的比例，精確度越高，模型的準(zhǔn)確性越高。其定義如公式（6）所示。

精確度=TP/（TP+FP） （6）

F1分?jǐn)?shù)為精確度和召回率的調(diào)和平均值，綜合考慮了模型的準(zhǔn)確性和完整性，常用于評(píng)估模型在處理不平衡數(shù)據(jù)集時(shí)的性能。其定義如公式（7）所示。

F1分?jǐn)?shù)=2*TP/（2*TP+FN+FP） （7）

三、測試方法

本文測試包括公開測試和外部測試兩部分，測試方法是應(yīng)用模型對公開測試集和外部測試集中的心包積液超聲心動(dòng)圖圖像進(jìn)行分割，將分割后的結(jié)果分別與各自數(shù)據(jù)集中的掩碼圖進(jìn)行對比。比較改進(jìn)前后U-Net模型在公開測試集和外部測試集中分割心包積液超聲心動(dòng)圖圖像的準(zhǔn)確率、召回率、精確度和F1分?jǐn)?shù)。

四、結(jié)果

改進(jìn)前U-Net模型在公開測試集和外部測試集中的準(zhǔn)確率、召回率、精確度、F1分?jǐn)?shù)分別為94.44%、77.25%、27.44%、35.94%和95.75%、57.15%、19.22%、27.00%，改進(jìn)后U-Net模型在公開測試集和外部測試集中的準(zhǔn)確率、召回率、精確度、F1分?jǐn)?shù)分別為96.97%、91.47%、69.84%、77.34%和98.00%、80.03%、52.20%、60.86%。見表1。

利用U-Net模型分割心包積液超聲心動(dòng)圖圖像見圖2。其中，圖2C、D表示同一圖像分別使用改進(jìn)前和改進(jìn)后U-Net模型進(jìn)行分割，改進(jìn)前U-Net模型分割圖像的誤差較大，邊緣部分未細(xì)化；改進(jìn)后U-Net模型分割結(jié)果與標(biāo)準(zhǔn)結(jié)果更吻合。

五、結(jié)論

本文提出的改進(jìn)U-Net模型在卷積板塊中引入Dropout2d層，減少了模型出現(xiàn)過擬合現(xiàn)象，更適應(yīng)用于測試集的圖像分割。同時(shí)在模型卷積板塊和下采樣中加入了LeakyReLU激活函數(shù)，有效地更新了訓(xùn)練過程中的參數(shù)信息，使模型訓(xùn)練結(jié)果具有更好的泛化能力［22］。然而引入LeakyReLU激活函數(shù)會(huì)使模型的計(jì)算量和復(fù)雜度增大，訓(xùn)練過程中需要耗費(fèi)大量時(shí)間，因此在模型的網(wǎng)絡(luò)層激活輸出上采用了批量歸一化（BatchNorm2d），不僅提高了模型的訓(xùn)練速度和穩(wěn)定性，還能更快地找到損失函數(shù)的最優(yōu)解。本文提出的改進(jìn)U-Net模型利用公開數(shù)據(jù)集與醫(yī)院收集的數(shù)據(jù)集作為訓(xùn)練集和測試集對心包積液超聲心動(dòng)圖圖像進(jìn)行分割，結(jié)果顯示與改進(jìn)前U-Net模型相比，改進(jìn)后U-Net模型在準(zhǔn)確率、召回率、精確度、F1分?jǐn)?shù)4個(gè)評(píng)價(jià)指標(biāo)上均有所提高，且模型具有良好的泛化能力。表明該模型可以更準(zhǔn)確地分割出心包積液所在區(qū)域，為臨床準(zhǔn)確判斷心包積液區(qū)域提供參考。

盡管改進(jìn)U-Net模型在圖像分割中取得了較好的效果，但仍存在一些不足：①由于超聲心動(dòng)圖圖像中心包積液區(qū)域的邊緣復(fù)雜模糊，需進(jìn)一步研究如何提高模型對心包積液邊緣部分的細(xì)化能力；②對于部分較小的心包積液區(qū)域，改進(jìn)U-Net模型的識(shí)別能力仍有待提高；③未探討心包積液量的定量診斷情況。今后可通過更有效的特征提取方法和模型優(yōu)化策略來解決上述不足。

綜上所述，本文提出了一種改進(jìn)U-Net模型用于分割心包積液超聲心動(dòng)圖圖像，該方法可以有效識(shí)別積液區(qū)域，為心包積液的智能診斷提供了新的思路和方法。

參考文獻(xiàn)

［1］ Aung H，Wai HY.Subacute cardiac tamponade with massive pericardial effusion［J］.Cureus，2022，14（12）：e32250.

［2］ Stephen A，James RA，Brit L，et al.Pericardial tamponade：a comprehensive emergency medicine and echocardiography review［J］.Am J Emerg Med，2022，58（8）：159-174.

［3］ 王加楚.超聲心動(dòng)圖對心包積液的臨床應(yīng)用價(jià)值［J］.中西醫(yī)結(jié)合心血管病電子雜志，2021，9（9）：117-119.

［4］ 葛帥，嚴(yán)加勇，謝利劍，等.改進(jìn)型U-Net網(wǎng)絡(luò)的左心室超聲心動(dòng)圖像分割［J］.軟件導(dǎo)刊，2021，20（2）：206-209.

［5］ 馮嘉欽，邱衛(wèi)根，張立臣.基于多尺度UNet的腎臟CT圖像分割［J］.計(jì)算機(jī)應(yīng)用與軟件，2023，40（8）：221-227，243.

［6］ 夏景明，談玲，梁穎.LMD-UNet網(wǎng)絡(luò)在腦腫瘤多模態(tài)MRI圖像分割中的應(yīng)用［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2023，42（4）：431-441.

［7］ Jing X，Yingmin Q，Mingzhi X，et al.Research on improved U-net in microscopic image segmentation of esophageal cancer［J］.J Phy Conference Series，2022，2400（1）：012021.

［8］ Yazdian PA，Nathan L，Aditi C，et al.Automatic segmentation of clear cell renal cell tumors，kidney，and cysts in patients with von Hippel-Lindau syndrome using U-net architecture on magnetic resonance images［J］.ArXiv，2023，1（6）：2301.

［9］ Danush S，F(xiàn)urkan C，Aluganti CN.Novel artificial intelligent transformer U-net for better identification and management of prostate cancer ［J］.Mol Cell Bioche，2022，478（7）：1439-1445.

［10］ 袁琳，張雨，丁炎，等.基于優(yōu)化U-Net神經(jīng)網(wǎng)絡(luò)模型在乳腺腫瘤超聲圖像分割中的應(yīng)用［J］.醫(yī)學(xué)影像學(xué)雜志，2023，33（6）：1081-1085.

［11］ 孟瑤，孔劼.DU-Net：基于改進(jìn)型U-Net的視網(wǎng)膜血管分割模型［J］.信息技術(shù)與信息化，2024，23（6）：42-45.

［12］ 黃曉鳴，何富運(yùn)，唐曉虎，等.U-Net及其變體在醫(yī)學(xué)圖像分割中的應(yīng)用研究綜述［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2022，41（5）：567-576.

［13］ 谷辛稼，陳一民.基于U-Net的COVID-19病灶醫(yī)學(xué)影像ZMINet分割模型［J］.計(jì)算機(jī)應(yīng)用與軟件，2023，40（8）：235-243.

［14］ 石征錦，劉雨欣，路璐.基于改進(jìn)U-Net的前列腺M(fèi)RI圖像自動(dòng)分割方法［J］.信息技術(shù)與信息化，2023，29（5）：185-188.

［15］ 馬豪，劉彥，張俊然.基于模型壓縮與重構(gòu)U-net的胰腺分割［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2022，43（7）：1998-2006.

［16］ 馬永杰，李雪燕，宋曉鳳.基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別［J］.激光與光電子學(xué)進(jìn)展，2018，55 （12）：250-257.

［17］ 程維東，葉曦，王芳，等.基于改進(jìn)U-Net網(wǎng)絡(luò)的神經(jīng)元分割算法［J］.江漢大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，50（4）：87-96.

［18］ 邱兆文，謝冰潔，沙壯.融合切片差分信息的顱內(nèi)出血CT圖像分割方法［J］.哈爾濱理工大學(xué)學(xué)報(bào)，2024，3（1）：1-12.

［19］ 火元蓮，張喬森，張金石，等.一種用Sigmoid函數(shù)進(jìn)行加權(quán)融合的圖像去霧算法［J］.計(jì)算機(jī)工程與科學(xué)，2023，45（9）：1621-1628.

［20］ 汪友明，徐攀峰.基于改進(jìn)Adam優(yōu)化器的CNN電鏡醫(yī)學(xué)圖像分類［J］.西安郵電大學(xué)學(xué)報(bào)，2019，24（5）：26-33.

［21］ 董文靜，趙月愛.基于卷積網(wǎng)絡(luò)的Adam算法的改進(jìn)［J］.太原師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2023，22（3）：5-12.

［22］ 唐嘉男，孟祥瑞.基于多尺度信息提取和特征融合的皮膚鏡圖像分割算法［J］.湖北民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，42（2）：226-232.

（收稿日期：2024-05-10）