改進的卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割上的應(yīng)用*

劉 辰，肖志勇，杜年茂

江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122

1 引言

醫(yī)學(xué)圖像分割是對醫(yī)學(xué)圖像進行對象提取、定量分析以及三維重構(gòu)等處理中一個必不可少的階段。其目的是將圖像中具有相同或類似特征（如強度、顏色和紋理）的部分劃分成各自不相交的區(qū)域，即把圖像中具有特殊含義的病變區(qū)域或其他感興趣的區(qū)域從復(fù)雜的背景中提取出來，為臨床分析提供依據(jù)[1]。磁共振成像（magnetic resonance imaging，MRI）采用核磁共振的原理，不僅具有較高的軟組織分辨率，還能提供對比度豐富、分辨率高的三維腦組織信息。因此，在MRI 圖像中實現(xiàn)三維醫(yī)學(xué)圖像的精確分割，日漸成為醫(yī)學(xué)圖像研究中的一個重要任務(wù)。

傳統(tǒng)的醫(yī)學(xué)圖像分割方法主要分為三種：（1）手動分割方法，這種方法枯燥費時，主觀性強，容易出錯，且不適合大規(guī)模的研究。（2）半自動分割方法，該方法需要對先驗參數(shù)進行精確的把控，在調(diào)參過程中耗時較多。（3）傳統(tǒng)自動分割的方法，該方法主要包括基于圖譜的方法[2-4]、基于形變模型的方法[5-6]、基于主動表觀模型的方法[7-9]。這類方法一般靠簡單的配準(zhǔn)方法實現(xiàn)，但由于不同海馬體之間的差異較大，簡單的配準(zhǔn)方法在分割精度和效率上依舊不是很理想。

近年來，深度學(xué)習(xí)在人工智能特別是圖像處理領(lǐng)域發(fā)展迅速。2015 年，Long 等[10]提出了全卷機神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)廣泛地用于圖像分割領(lǐng)域。在此基礎(chǔ)上，Ronneberger 等[11]提出了U-Net 網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過級聯(lián)操作將深層和淺層的信息進行結(jié)合，使得分割性能大大提升。但是，U-Net 不能對3D 醫(yī)學(xué)圖像直接進行處理，而是將3D圖像切割成多個2D切片后再送到U-Net 網(wǎng)絡(luò)中，這樣忽略了3D 圖像中切片與切片之間的相關(guān)信息，容易導(dǎo)致欠分割。為了解決此類問題，?i?ek等[12]提出了3D U-Net，與應(yīng)用于二維切片的U-Net相比，3D U-Net是對體素直接進行處理的，使得整個網(wǎng)絡(luò)模型中的參數(shù)個數(shù)特別多，這大大增加了計算的負(fù)擔(dān)。

為了解決3D 卷積網(wǎng)絡(luò)計算量較大，而單個視圖下的2D切片忽略了體素之間相關(guān)性的問題，本文采用了多視圖集成的方法。首先采用本文提出的卷積神經(jīng)網(wǎng)絡(luò)對冠狀面、矢狀面以及橫斷面三個視圖下的2D切片進行分割，然后通過求平均的方法對三個視圖下的結(jié)果進行集成，得到最終的分割結(jié)果。本文的卷積神經(jīng)網(wǎng)絡(luò)由編碼部分、雙向卷積長短記憶網(wǎng)絡(luò)（bidirectional convolution long short-term memory network，BDC-LSTM）和解碼部分組成。為了擴大感受野，獲取多尺度信息以及減少計算量，編碼部分使用了不同大小的非對稱卷積層和空洞卷積。此外，考慮到簡單的多視圖集成方法不能解決單個視圖中2D切片間的不連續(xù)問題，本文使用了BDC-LSTM。

2 相關(guān)工作

2.1 Inception模型

為了讓卷積神經(jīng)網(wǎng)絡(luò)有更好的學(xué)習(xí)能力，最直接有效的方法是使網(wǎng)絡(luò)層數(shù)更深，但是純粹地增大網(wǎng)絡(luò)有以下缺點：（1）參數(shù)太多，若訓(xùn)練數(shù)據(jù)集有限，容易導(dǎo)致過擬合；（2）網(wǎng)絡(luò)越大，計算復(fù)雜度越大，難以應(yīng)用；（3）網(wǎng)絡(luò)越深，梯度越往后越容易消失，導(dǎo)致梯度彌散，難以優(yōu)化模型。Inception就是在這樣的情況下應(yīng)運而生[13-14]。2014年提出的Inception V1[13]中，將1×1、3×3、5×5 的卷積層和3×3 的池化層堆疊在一起，一方面增加了網(wǎng)絡(luò)的寬度，另一方面增加了網(wǎng)絡(luò)對尺度的適應(yīng)性，從而能夠提取到不同尺度的特征。Inception V3[14]一個重要的改進就是分解，將N×N的二維卷積分解成1×N和N×1的兩個一維卷積。這樣做的好處是既可以加速計算，又可以增加網(wǎng)絡(luò)的非線性。

2.2 空洞卷積

近幾年，為了增加卷積層的感受野，空洞卷積（dilated convolutions）[15]在圖像分割領(lǐng)域得到了廣泛的使用。普通卷積和空洞卷積的對比如圖1 所示。圖1 左邊顯示的是經(jīng)典的3×3 的卷積核作用的視野效果，相當(dāng)于卷積核為3，膨脹系數(shù)r=1 的空洞卷積。圖1右邊對應(yīng)的卷積核為3，膨脹系數(shù)r=2 的空洞卷積。但是卷積核的計算視野增大到了7×7，而實際上卷積核的大小仍然是3×3，實際參數(shù)只有3×3。感受視野公式如下：

其中，r表示膨脹系數(shù)，F(xiàn)r表示最終的感受視野。因此，通過空洞卷積可以在保持卷積核參數(shù)大小不變的同時，增大卷積的視野。

Fig.1 2D ordinary convolution and dilated convolution圖1 二維普通卷積和空洞卷積

2.3 卷積長短記憶網(wǎng)絡(luò)（C-LSTM）

相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks,RNN）在處理序列化數(shù)據(jù)時更有優(yōu)勢。但是RNN 沒有長期的記憶能力，當(dāng)輸入的序列狀態(tài)太多的情況下，容易產(chǎn)生梯度消失和梯度爆炸的問題。為此，Hochreiter 等[16]提出了長短記憶網(wǎng)絡(luò)（long short-term memory，LSTM）。LSTM網(wǎng)絡(luò)是一種能夠?qū)W習(xí)并記憶序列長期信息的遞歸模型，LSTM的核心由三個記憶胞組成，其能在每個時刻編碼輸入的信息，每個記憶胞的行為由控制門控制，從而判斷信息有用與否。目前，LSTM 成為最流行的RNN，在很多研究中表現(xiàn)出了其穩(wěn)定性和強大性[17-19]。

如果輸入的序列數(shù)據(jù)是圖片的時候，LSTM的擴展形式——卷積長短記憶網(wǎng)絡(luò)（C-LSTM）得到了廣泛的應(yīng)用[20]。C-LSTM 可以有效地利用圖像序列間的相關(guān)性，從而實現(xiàn)更加精準(zhǔn)的分割。和普通的LSTM的區(qū)別是，C-LSTM把矩陣乘法替換為卷積操作，這樣就保留了較長系列的空間信息，對處理圖像序列問題非常有效。C-LSTM的定義如下：

其中，*表示卷積操作，σ是sigmoid 函數(shù)，tanh 是雙曲正切函數(shù)。整個網(wǎng)絡(luò)中共有三個門，即輸入門it、遺忘門ft和輸出門ot。bi、bf、bc、bo是偏置項，xt、ct、ht是在時間t刻的輸入、激活狀態(tài)和隱藏狀態(tài)。W表示權(quán)重矩陣，如Whf負(fù)責(zé)控制遺忘門如何從隱藏狀態(tài)獲取值。

3 本文算法原理

3.1 網(wǎng)絡(luò)模型

為了提高海馬體分割的準(zhǔn)確性，有效地利用腦MRI 圖像的空間信息以及2D 切片間的相關(guān)信息，本文提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和多視圖集成的方法。首先采用卷積神經(jīng)網(wǎng)絡(luò)對冠狀面、矢狀面以及橫斷面三個視圖下的2D切片進行分割，然后將三個視圖下的分割模型通過求平均的方法進行集成，得到最終的分割結(jié)果。本文的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2 所示。主要包括編碼部分、BDC-LSTM 和解碼部分。

Fig.2 Structure of convolutional neural network圖2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

Fig.3 Structure of encoder圖3 編碼部分的結(jié)構(gòu)圖

編碼部分：主要負(fù)責(zé)對2D切片進行特征提取，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。卷積網(wǎng)絡(luò)中小的卷積核有利于捕捉局部信息，大的卷積核有利于捕捉全局信息，但由于不同的2D切片中包含的海馬體區(qū)域不一樣，因此選擇一個準(zhǔn)確且通用的卷積核是很困難的。為此借鑒Inception V1[13]中的方法，采用三種不同的卷積層（1×1、3×3、5×5）來提取多個尺度的信息，從而捕捉更多的特征。此外，與文獻[14]相同，為了減少計算量，本實驗中使用了非對稱的卷積核，將N×N的二維卷積分解成1×N和N×1 的兩個一維卷積，即3×3的分解成1×3和3×1，5×5的分解成1×5和5×1。

同時，為了在不增加參數(shù)規(guī)模的前提下，擴大卷積的感受野，更好地獲取多尺度信息，本文添加了膨脹系數(shù)分別為2和4的空洞卷積。對于普通3×3的卷積層來說，其卷積核的感受野為3×3。本文使用了膨脹系數(shù)分別為2 和4 的空洞卷積后，參數(shù)的大小不變，但卷積核的感受野變成了7×7 和15×15?？梢?，空洞卷積在不增加參數(shù)個數(shù)的同時，大大增加了卷積層的感受野。如圖3所示，編碼部分中有膨脹系數(shù)分別為1、2、4的三種空洞卷積，對應(yīng)卷積核的感受野分別為3×3、7×7 和15×15。通過使用三種不同大小的感受野，不僅有利于特征提取，更有助于更好地捕捉海馬體特征。

然后將五個不同卷積層提取的特征圖進行級聯(lián)操作后，再使用兩個3×3 的普通卷積層進行特征提取。最后為了縮小特征圖的大小，連接一個最大池化層。圖3中，每層卷積的通道數(shù)都為16?？紤]網(wǎng)絡(luò)的收斂問題，在卷積層后面均添加了Batch-normalization[21]，激活函數(shù)采用了Relu[22]。

BDC-LSTM：為了充分考慮每個切片與相鄰的上下切片間的聯(lián)系，本實驗中采用的是雙向卷積長短記憶網(wǎng)絡(luò)（BDC-LSTM），如圖4所示。主要是使用兩層C-LSTM，一個隨時序正向，一個逆著時序的反向。最后，結(jié)合兩層的上下文信息作為輸出。這樣可以更好地使用圖像序列的空間數(shù)據(jù)。

Fig.4 Structure of BDC-LSTM圖4 BDC-LSTM結(jié)構(gòu)圖

解碼部分：主要負(fù)責(zé)對每組特征提取后的特征圖進行上采樣，結(jié)構(gòu)如圖5所示。解碼部分包含一個反卷積層和一個卷積層，反卷積和卷積后都有Batchnormalization層和Relu。完成上采樣之后，特征圖變成了和輸入圖像相同的分辨率，最后通過softmax 分類器獲得最終的分割結(jié)果，實現(xiàn)端到端的分割。

Fig.5 Structure of decoder圖5 解碼部分的結(jié)構(gòu)圖

3.2 損失函數(shù)

常用的softmax 損失函數(shù)是基于像素點的，與之不同，Dice損失函數(shù)是基于區(qū)域的損失函數(shù)，醫(yī)學(xué)圖像分割中，Dice 指標(biāo)常被用來衡量目標(biāo)區(qū)域和檢測區(qū)域的重合程度，Dice 值越大，兩者重合度越高，分割效果越好。但是Dice 指標(biāo)不能直接作為損失函數(shù)，因此使用Dice指標(biāo)的改進版Dice函數(shù)，Dice函數(shù)是對每個區(qū)域獨立評價后對網(wǎng)絡(luò)參數(shù)進行反饋的函數(shù)，該函數(shù)的計算形式和計算過程都很好地契合腦MRI 海馬體分割。因此，本文使用的是Dice 損失函數(shù)，其定義如下：

其中，g代表真實值（ground truth），p代表網(wǎng)絡(luò)的預(yù)測值（predicted value），v代表每個圖像塊的體素點的個數(shù)。由于使用Dice 作為損失函數(shù)，因此在將概率圖譜與專家標(biāo)記進行比較時，標(biāo)簽值為0的背景部分將不會被計算到損失中，從而避免了類別不均衡的情況，同時能夠加速網(wǎng)絡(luò)的收斂，提升分割精度。

本文提出的改進卷積神經(jīng)網(wǎng)絡(luò)模型，通過使用Inception中的非對稱的卷積層結(jié)構(gòu)，大大減少了計算量。膨脹系數(shù)分別為2和4的空洞卷積，有效捕捉了多尺度信息，有利于特征提取。此外，通過添加BDCLSTM，充分挖掘了切片序列間的相關(guān)信息。有研究發(fā)現(xiàn)，多視圖集成的方法主要有基于神經(jīng)網(wǎng)絡(luò)的方法、基于投票的方法和求平均的方法。由于基于神經(jīng)網(wǎng)絡(luò)的方法較復(fù)雜，基于投票方法有可能會使部分細(xì)節(jié)信息丟失，而求平均的集成方法簡單，同時也更適合海馬體分割[23-24]。因此，本文使用求平均的方法對單個視圖下的分割結(jié)果進行集成，這樣可以充分地挖掘3D腦MRI圖像的空間信息，使得分割精度更高。

4 實驗結(jié)果與分析

4.1 實驗數(shù)據(jù)集

本文的數(shù)據(jù)集來自ADNI（Alzheimer’s disease neuroimaging initiative）數(shù)據(jù)庫（http://adni.loni.usc.edu），本實驗從ADNI 庫中獲得100 組腦部MRI 圖像和已分割的海馬體標(biāo)簽，該數(shù)據(jù)的格式均為NIFTI 格式。其中包括41 組輕度認(rèn)知障礙（mild cognitive impairment，MCI）和59 組正常（controls normal，CN）。從中隨機選取80 組用于交叉驗證，本文使用的是十折交叉驗證，剩下的20組用于測試。

為了提高分割精度，本文對數(shù)據(jù)進行了預(yù)處理操作，主要分為三步。第一，考慮海馬體只占整個腦MRI圖像的小部分，其他的部分為無效區(qū)域，本文對MRI 圖像進行了裁剪，通過對腦MRI 中的體素值進行統(tǒng)計分析，將圖像裁剪成尺寸為80×80×40 的圖像。本實驗中裁剪得到的80×80×40 部分，包括海馬體以及其周邊的空白區(qū)域，這樣既可以減少無效的背景信息，同時對有效信息的完整性不造成任何影響。第二，為了加速網(wǎng)絡(luò)的收斂，同時考慮到數(shù)據(jù)集中MRI 圖像的體素值不一致，本文采用均值和標(biāo)準(zhǔn)差的方法對圖像進行了歸一化。第三，考慮數(shù)據(jù)集中樣本數(shù)量較少，對得到的MRI 圖像采用左右翻轉(zhuǎn)和旋轉(zhuǎn)的方法進行了數(shù)據(jù)增強，最終得到400 組MRI 圖像。

4.2 參數(shù)設(shè)置

為了驗證本文算法的性能，采用十折交叉驗證的方法，實驗的硬件環(huán)境為NVIDIA GTX1080Ti單個GPU，Intel Core i7 處理器，軟件環(huán)境為Keras2.2.4。實驗中，使用glorot正態(tài)分布的方法對權(quán)重進行初始化，使用Nadam 優(yōu)化器，其中Nadam 的參數(shù)為lr=0.001，β1=0.9，β2=0.999，ε=1E-8，decay=0.004，學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練的batch size取8。

4.3 評價指標(biāo)

為了定量評估新算法的性能，本文選用相似性系數(shù)（dice similarity coefficient，DSC）、靈敏度（sensitivity，SEN）和陽性預(yù)測率（predictive positivity value，PPV）作為海馬體的分割結(jié)果的評價指標(biāo)。定義如下：

其中，P表示算法分割的海馬體區(qū)域，T表示專家手動分割的海馬體區(qū)域，P∩T代表算法的分割區(qū)域與專家手動分割區(qū)域交集部分的體素區(qū)域。

4.4 實驗結(jié)果

4.4.1 樣本的數(shù)量對實驗結(jié)果的影響

本文對數(shù)據(jù)增強前的100 組數(shù)據(jù)集和數(shù)據(jù)增強后的400 組數(shù)據(jù)集分別采用本文提出的網(wǎng)路進行分割，采用4.3 節(jié)中的評價指標(biāo)進行評估，得到的結(jié)果如表1所示。

Table 1 Segmentation results on 100 sets and 400 sets of data sets表1 100組和400組數(shù)據(jù)集上的分割結(jié)果 %

從表1中可以看出，數(shù)據(jù)增強能大大提升分割的精度。這也充分證明了深度學(xué)習(xí)模型構(gòu)建過程中數(shù)據(jù)集的重要性，數(shù)據(jù)集的大小能直接影響模型的性能。

4.4.2 BDC-LSTM對實驗結(jié)果的影響

為了驗證BDC-LSTM能有效地捕捉切片間的信息，將本文卷積神經(jīng)網(wǎng)絡(luò)中的BDC-LSTM 替換為CLSTM，其他部分保持不變，進行對比實驗。將CLSTM 和BDC-LSTM 的分割結(jié)果進行對比，結(jié)果如表2所示。

Table 2 Segmentation results of BDC-LSTM and C-LSTM表2 BDC-LSTM和C-LSTM的分割結(jié)果 %

可以看到，BDC-LSTM 的分割精度明顯高于CLSTM，這更加驗證了BDC-LSTM比C-LSTM能更好地學(xué)習(xí)切片序列之間的信息。為了更直觀地對兩種分割結(jié)果進行比較，隨機選取兩個測試案例，分別使用BDC-LSTM 以及C-LSTM 進行分割，得到的三維分割結(jié)果如圖6 所示。由于C-LSTM 不能充分地學(xué)習(xí)切片序列之間的信息，因此在海馬體邊界區(qū)域的分割效果不是很好。正如圖6 中白色虛線邊框中所示，但是這種情況在BDC-LSTM 中基本已經(jīng)不存在了，BDC-LSTM 更加接近專家手動分割的結(jié)果。這表明利用BDC-LSTM可以更好地傳遞切片序列間的信息，使得分割的精度更高。

Fig.6 Comparison of C-LSTM and BDC-LSTM segmentation results圖6 C-LSTM和BDC-LSTM分割結(jié)果對比圖

4.4.3 多視圖集成對實驗的影響

由于腦MRI圖像，是通過儀器對腦部冠狀面、矢狀面、橫斷面進行掃描而獲得的，因此在海馬體分割領(lǐng)域中，對這三個視圖下的2D切片進行分割是常用的方法。本文為了分析多視圖集成的作用，使用卷積神經(jīng)網(wǎng)絡(luò)對冠狀面、矢狀面以及橫斷面三個視圖下的切片序列進行分割，得到三組分割結(jié)果，然后使用求平均的方法，將三組分割結(jié)果進行集成，得到最終的分割結(jié)果。本文對三個單視圖下的分割結(jié)果和多視圖集成后的分割結(jié)果進行了對比，結(jié)果如表3所示。從表3中可以看出，多視圖集成的結(jié)果均優(yōu)于三個單視圖下的分割結(jié)果。由于某個視圖下一些非常模糊的結(jié)構(gòu)邊界在其他視圖下可以非常清楚地進行分割，因此多視圖集成可以充分地考慮腦MRI 圖像的平滑性和空間連貫性，能將多個視圖下的信息進行相互補充，有效地解決單個視圖下存在的過分割和欠分割問題，提高分割精度。

Table 3 Segmentation results of single view and multi-view fusion表3 單個視圖和多視圖集成的分割結(jié)果 %

為了更直觀地進行對比，隨機選取了兩個測試案例進行分割，結(jié)果如圖7 所示。其中，第一列為專家手動分割的結(jié)果，第二、三、四列分別為冠狀面、矢狀面、橫斷面的分割結(jié)果，第五列為多視圖集成后的分割結(jié)果。從圖7中可以看出，由于單視圖不能很好地捕捉腦MRI的空間信息，容易出現(xiàn)欠分割的現(xiàn)象，單個多視圖在圖7 白色圓圈區(qū)域均出現(xiàn)了欠分割的現(xiàn)象。但多視圖集成后不會出現(xiàn)類似的情況，如圖7中藍色圓圈的部分，多視圖集成很好地改善了欠分割的問題。因此，多視圖集成后的分割結(jié)果是最接近專家手動分割的。

4.4.4 網(wǎng)絡(luò)模型對實驗結(jié)果的影響

為了驗證本文方法的有效性，將本文提出的方法和領(lǐng)域內(nèi)兩種具有代表性的海馬體分割方法進行了對比，具體的為U-Net和3D U-Net網(wǎng)絡(luò)模型。使用U-Net、3D U-Net 和本文提出的算法在400 組數(shù)據(jù)集上采用交叉驗證得到分割結(jié)果，具體如表4所示。從表4中可以看出，本文方法得到的分割精度均高于其他兩種方法，說明本文的方法可以更高效地提取特征，提高分割精度。

Table 4 Segmentation results of U-Net、3D U-Net and proposed method表4 U-Net、3D U-Net和本文算法的分割結(jié)果 %

Fig.7 Comparison of single-view and multi-view segmentation results圖7 單視圖與多視圖分割結(jié)果的對比

Fig.8 Segmentation results of different models圖8 不同模型的分割結(jié)果

與U-Net 和3D U-Net 網(wǎng)絡(luò)中的多組上采樣層和下采樣層相比，本文提出的網(wǎng)絡(luò)模型僅包含一組上采樣和下采樣，這樣的淺層網(wǎng)絡(luò)大大減少了參數(shù)的規(guī)模。除BDC-LSTM 以外，本文編碼部分和解碼部分的參數(shù)個數(shù)共為5 089，這與U-Net 和3D U-Net 萬級的參數(shù)個數(shù)相比，參數(shù)明顯減少了許多。

為了更直觀地對三種方法進行比較，對三種模型上的測試結(jié)果進行分析，結(jié)果如圖8 所示。從圖8中可以看出，本文方法的DSC、SEN和PPV指標(biāo)都優(yōu)于U-Net 和3D U-Net。說明本文方法可以有效地利用MRI 的三維空間信息以及2D 切片間的上下文信息，從而使分割精度更高。

4.4.5 與其他算法比較

為了更好地驗證本文算法的性能，本文對ADNI數(shù)據(jù)集上各種海馬體分割算法進行了比較，所提出的方法主要與文獻[25-27]對比。采用文獻[25-27]中的方法，對本文的數(shù)據(jù)集進行分割，得到的結(jié)果如表5所示。文獻[25]采用的是傳統(tǒng)的隨機森林回歸的方法，文獻[26]采用的是基于多圖譜的方法。由于文獻[25-26]都是傳統(tǒng)的自動分割方法，由于不同個體間差距較大，因此在分割精確性和效率上往往不是很理想，沒有本文全自動分割方法的精度高。文獻[27]只是簡單地改進了3D U-Net，結(jié)果也不是很好?？傮w而言，本文提出的結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和多視圖集成的海馬體方法，優(yōu)于目前其他海馬體分割方法。

Table 5 Comparison of hippocampus segmentation algorithms in ADNI database表5 ADNI數(shù)據(jù)庫中海馬體分割算法比較 %

此外，就單幅MRI圖像而言，傳統(tǒng)的海馬體分割方法至少花費10 min以上，而本文的方法只需0.5 min左右，這大大突顯了本文方法運算實時性的優(yōu)勢。

為了進一步驗證本文算法的有效性和泛化能力，從ADNI數(shù)據(jù)集上重新下載了20組數(shù)據(jù)集，與之前下載的100 組不同，這20 組均來自阿爾茨海默?。ˋlzheimer disease，AD）患者。研究發(fā)現(xiàn)，AD患者一般都伴隨著海馬體萎縮的病理表現(xiàn)，因此與正常人相比，AD 患者的海馬體體積明顯減少，這大大增加了AD患者海馬體分割的難度[28]。文獻[29]的實驗結(jié)果表明，與正常CN組相比，AD組的分割精度平均下降了1%。

使用之前已經(jīng)訓(xùn)練好的U-Net、3D U-Net、冠狀面、矢狀面、橫斷面和多視圖集成的六種模型，分別對20組AD患者的海馬體進行分割。除此以外，還與文獻[29]中傳統(tǒng)的基于形變模型的方法進行比較，結(jié)果如表6所示。

Table 6 Comparison of various segmentation algorithms on AD group表6 AD組上各種分割算法的比較 %

從表6中可以看出，本文提出的結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和多視圖集成的方法的性能是最優(yōu)的。與單個視圖下的分割結(jié)果相比，多視圖集成的效果依舊是最優(yōu)的。而文獻[29]中的傳統(tǒng)方法是基于先驗?zāi)Ｐ蛯崿F(xiàn)的，因此依靠簡單的配準(zhǔn)，分割精度往往不是很好。而本文的方法不會出現(xiàn)類似的問題，因此分割精度得到了大大的提升。表6 的分割結(jié)果更加驗證了本文算法的有效性。

5 結(jié)束語

本文提出了基于改進卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法。該方法可以實現(xiàn)醫(yī)學(xué)圖像的全自動分割，并且準(zhǔn)確率較高。本文的卷積神經(jīng)網(wǎng)絡(luò)模型，不僅減少了計算量，還有效捕捉了多尺度信息。此外，BDC-LSTM 的使用，充分挖掘了切片序列間的相關(guān)信息。最后將三個視圖下的分割結(jié)果進行集成，充分挖掘了3D腦MRI圖像的空間信息，解決了單視圖分割所導(dǎo)致的過分割和欠分割的問題，使得分割精度更高。以海馬體分割為例，在ADNI數(shù)據(jù)庫上的實驗結(jié)果表明，本文的分割方法獲得了優(yōu)于目前其他方法的分割結(jié)果。3D 醫(yī)學(xué)圖像的研究中，本文提出的方法能夠更容易和更精確地執(zhí)行分割任務(wù)。