基于DenseASPP模型的超聲圖像分割

李 頔， 王 艷, 馬宗慶， 張 波， 羅 紅， 周激流

(1.四川大學(xué)電子信息學(xué)院， 成都 610065； 2.四川大學(xué)計(jì)算機(jī)學(xué)院， 成都 610065； 3.四川大學(xué)華西第二醫(yī)院超聲科， 成都 610065)

1 引 言

超聲成像是一種利用超聲波的物理性能，通過不同的反射聲波，轉(zhuǎn)換成特殊圖像的成像方式，其主要用于解剖結(jié)構(gòu)的標(biāo)準(zhǔn)切面定位和生物學(xué)參數(shù)測量.超聲成像具有時(shí)效性，廉價(jià)，對(duì)胎兒及孕婦無危害等特點(diǎn).這種成像方式能診斷出胎兒是否發(fā)育異常，胎盤，臍帶，羊水是否產(chǎn)生病變，因此被作為產(chǎn)前診斷的常用方法.為了檢測胎兒健康發(fā)育狀況，醫(yī)師需要從超聲圖像中手動(dòng)勾畫以測量胎兒的股骨長度，頭圍周長和腹圍周長等各項(xiàng)生物參數(shù).然而人工的測量會(huì)導(dǎo)致測量結(jié)果存在不同程度的誤差.人工測量的主要問題包括：(1) 獲取標(biāo)準(zhǔn)切面及參數(shù)測量均依賴于超聲醫(yī)師的臨床經(jīng)驗(yàn)及專業(yè)水平；(2) 由于不同的超聲醫(yī)師的能力及經(jīng)驗(yàn)不同，對(duì)胎兒的超聲檢查結(jié)果也有所不同；(3) 由于完整的產(chǎn)前超聲檢查需要獲取胎兒多種標(biāo)準(zhǔn)切面，手動(dòng)控制測量將導(dǎo)致效率低下；(4) 超聲醫(yī)師需要大量進(jìn)行如移動(dòng)探頭、凍結(jié)圖像等重復(fù)性工作，易使醫(yī)師重復(fù)性工作壓力并發(fā)癥損害身體健康；(5) 超聲圖像通常存在模糊，偽影，邊緣缺失等問題會(huì)導(dǎo)致測量難度加大.針對(duì)這些問題，迫切需要一種自動(dòng)的分割算法以輔助醫(yī)生獲得更加精確的測量結(jié)果，減輕醫(yī)生的工作量.

近年來，隨著計(jì)算機(jī)視覺領(lǐng)域的發(fā)展，醫(yī)學(xué)影像與計(jì)算機(jī)視覺的密切結(jié)合，相關(guān)研究人員開始結(jié)合計(jì)算機(jī)視覺技術(shù)開展產(chǎn)前超聲圖像自動(dòng)分割技術(shù)的研究，以輔助進(jìn)一步的準(zhǔn)確測量.圖像分割是將圖像中的特定部位與其他區(qū)域分開，這些區(qū)域是不相互交叉的.圖像分割一直是醫(yī)學(xué)圖像處理的重要研究方向，通過分割技術(shù)將醫(yī)學(xué)圖像中需要重點(diǎn)關(guān)注的部分分割出來，同時(shí)分割結(jié)果也要盡可能的還原原始圖像的形狀，才能確保的醫(yī)學(xué)診斷的有效性，為重建測量等其他后續(xù)操作打下基礎(chǔ).

大量的研究人員在圖像分割的方向上不斷研究，提出了各種不同的分割方法[1-2].其中閾值化方法是一種最簡單的分割算法.這種方法在灰度圖像中得到了廣泛的應(yīng)用并取得了非常顯著的效果.例如，Zheng等人[3]改進(jìn)了傳統(tǒng)的2D最大熵閾值分割方法，能夠快速準(zhǔn)確地獲得分割閾值.為了獲取更高精度的分割結(jié)果，研究人員進(jìn)一步結(jié)合圖像的邊緣信息對(duì)模型進(jìn)行改進(jìn).例如， Barghout等人[4]提出的基于邊緣檢測的圖像分割方法，李曉寧等人[5]提出的基于分水嶺變換及王丹等人[6]提出的基于邊緣的水平集分割模型都有效地提取了邊緣信息使結(jié)果更加精確.此外，機(jī)器學(xué)習(xí)方法也被廣泛地運(yùn)用于圖像分割領(lǐng)域.例如，馬爾可夫隨機(jī)網(wǎng)絡(luò)(Markov Random Network, MRF)[7]以及條件隨機(jī)場[8]被在圖像分割中有較好的表現(xiàn).

近年來，隨著深度學(xué)習(xí)技術(shù)的迅猛發(fā)展，各種深度神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于圖像分割領(lǐng)域.例如，Shelhamer等人[9]首次將端對(duì)端的全卷積網(wǎng)絡(luò)引入圖像分割領(lǐng)域，其主要思想是利用全卷積層替代全連通層.Noh等人[10]利用轉(zhuǎn)置卷積層將圖像的每個(gè)像素點(diǎn)進(jìn)行分類生成分割掩碼.深受深度學(xué)習(xí)方法在自然圖像處理中優(yōu)越性的影響，其也在醫(yī)學(xué)圖像領(lǐng)域有突出成果.在醫(yī)學(xué)圖像處理領(lǐng)域，Zhang等人[11]提出的卷積神經(jīng)網(wǎng)絡(luò)在多模態(tài)圖像分割方面取得了較好的結(jié)果.Ciresan等人[12]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)完成了醫(yī)學(xué)圖像的分割任務(wù).隨著卷積神經(jīng)網(wǎng)絡(luò)的深入研究，相關(guān)的變體模型被提出.潘沛克等人[13]利用的U-net模型，它是利用收縮路徑捕獲上下文信息，擴(kuò)張路徑用于精確定位來實(shí)現(xiàn)鼻咽腫瘤MR圖像分割并獲得了顯著的效果.

然而，上述模型中池化層的數(shù)量增加會(huì)導(dǎo)致特征圖的尺寸減小，這對(duì)上采樣恢復(fù)完整的分辨率圖像是一個(gè)嚴(yán)峻的挑戰(zhàn).另一方面，如果從較淺的網(wǎng)絡(luò)中獲得分割結(jié)果精確度將大幅度下降.為了解決高分辨率特征圖和較大感受野之間的矛盾，Chen等人[14]提出了擴(kuò)張卷積算法.通過在卷積核內(nèi)插入適當(dāng)?shù)牧銇淼玫綌U(kuò)張卷積核.與傳統(tǒng)的卷積核相比，擴(kuò)張卷積能在不改變核參數(shù)數(shù)目的情況下獲得更大的感受野.為了提取不同感受野大小的特征，采用不同擴(kuò)張率，并將不同擴(kuò)張卷積生成的特征拼接起來，再編碼多尺度信息以提高性能.然而隨著擴(kuò)張率的增加，擴(kuò)張卷積變得越來越無效.DenseASPP模型[15]成功的解決了這一問題，它將前層所有的擴(kuò)張卷積輸出的特征圖與普通卷積的特征圖拼接在一起傳輸?shù)较乱粚拥臄U(kuò)張卷積層中，使得擴(kuò)張卷積層的感受野逐層增加.然而DenseASPP模型對(duì)于分割超聲圖像還存在分割邊緣不光滑的缺陷.

因此，我們將結(jié)合DenseASPP的缺陷及超聲圖像的特點(diǎn)對(duì)模型進(jìn)一步修改.針對(duì)超聲圖像高分辨率的特點(diǎn)需要進(jìn)一步增加感受野大小以獲取全局信息，然而增大擴(kuò)張率后參與計(jì)算的有效像素點(diǎn)之間的距離增大，之間的關(guān)聯(lián)性減小.因此，根據(jù)以上問題對(duì)DenseASPP作以下改進(jìn)：(1) 將原始擴(kuò)張卷積模型的擴(kuò)張率從3、6、12、18增加到6、12、18、24，增大每層擴(kuò)張卷積的擴(kuò)張率來增大感受野；(2)在通過擴(kuò)張卷積后添加Attention機(jī)制[16]來增加特征的關(guān)聯(lián)性.本文在胎兒的頭臀徑、頭圍、腹圍的超聲圖像上對(duì)改進(jìn)DenseASPP模型進(jìn)行評(píng)估，實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后的方法消除了原始模型分割不平滑的缺點(diǎn)，并且其性能優(yōu)于其他對(duì)比方法.

2 相關(guān)知識(shí)

2.1 感受野

在卷積神經(jīng)網(wǎng)絡(luò)中，每一層神經(jīng)網(wǎng)絡(luò)輸出的特征圖的像素點(diǎn)與輸入圖像之間的映射區(qū)域稱為感受野，其大小為輸入層與輸出層的卷積核大小.感受野越大表示參與計(jì)算的原始圖像的像素點(diǎn)數(shù)量就越大，也就是說它可能包含更全局的特征；反之，感受野越小表示提取的特征更能反應(yīng)局部的細(xì)節(jié).

若將兩個(gè)卷積層級(jí)聯(lián)在一起，即前一層的輸出作為后一層的輸入，可以獲得更大的感受野，假設(shè)兩個(gè)卷積核尺寸分別為K1,K2，新的感受野R為

R=K1+K2-1

(1)

例如，一個(gè)卷積層的卷積核大小為3，級(jí)聯(lián)另一個(gè)卷積層的卷積核大小為7將獲得的感受野大小為9.

2.2 擴(kuò)張卷積

為了獲取圖像的全局特征，使用最大池化的方法來實(shí)現(xiàn)更大的感受野.但是這導(dǎo)致了特征圖分辨率嚴(yán)重下降，因此提出反向卷積[17]來解決這一問題.然而這種方法需要更多的時(shí)間與內(nèi)存.針對(duì)這一問題，擴(kuò)張卷積[14]被提出，它在保持特征圖分辨率不變的情況下增加了感受野的范圍.

以3×3的卷積為例來解釋擴(kuò)張卷積,如圖1所示.圖1(a)中，由于卷積核的擴(kuò)張率為1，兩個(gè)相鄰濾波值之間添加0個(gè)0，因此卷積核保持大小不變；圖1(b)中，卷積核的擴(kuò)張率為2，兩個(gè)相鄰濾波值之間添加1個(gè)0，獲得大小為5×5的擴(kuò)張卷積；可以推導(dǎo)出，圖1(c)中擴(kuò)張卷積大小為7×7.

(a) 擴(kuò)張率為1 (b) 擴(kuò)張率為2 (c) 擴(kuò)張率3圖1 2D圖像的擴(kuò)張卷積核Fig.1 The extended convolution kernel of a 2D image

在使用了擴(kuò)張卷積的神經(jīng)網(wǎng)絡(luò)，每層的輸入與輸出的感受野大小為擴(kuò)張卷積核大小.對(duì)于擴(kuò)張率為s，卷積核尺寸為K的擴(kuò)張卷積，其感受野大小R表示為

R=(s-1)×(K-1)+K

(2)

例如，擴(kuò)張率為2的3×3的卷積核實(shí)際尺寸為5×5，則對(duì)應(yīng)感受野大小為5.因此，擴(kuò)張能夠增加卷積核的感受野.

2.3 Attention機(jī)制

為了增強(qiáng)特征圖中兩個(gè)任意位置之間的空間依賴性，Attention機(jī)制[17]被提出.它是利用兩個(gè)位置之間的特征相似性來獲取權(quán)重，再通過加權(quán)求和所有位置的特征來替代原始特征.總的來說，任意兩個(gè)位置的相似特征相互促進(jìn)，反之，相互抑制.圖2為Attention機(jī)制的原理圖.

如圖2所示，以一系列卷積得到的特征圖A(C*H*W)為例，其中C為通道數(shù)，H和W為特征圖尺寸大小.首先將A分別通過3個(gè)卷積層得到3個(gè)特征圖B、C、D, 將這三個(gè)特征圖展開為C*N的大小,其中N=H*W,再將展開后的B的轉(zhuǎn)置與展開后的C相乘通過softmax得到N*N大小的Attention 圖S(N*N),再把S的轉(zhuǎn)置與展開后的D相乘,將所得結(jié)果還原原來的形狀(C*H*W).最后與A相加得到新的特征圖E.E的每個(gè)位置的值是原始特征每個(gè)位置的加權(quán)求和得到的.

圖2 Attention機(jī)制Fig.2 Attention mechanism

3 本文方法

在本文中， 設(shè)計(jì)改進(jìn)DenseASPP模型，其結(jié)構(gòu)如圖3所示.設(shè)置比原始模型大的擴(kuò)張卷積率，每層的擴(kuò)張卷積以拼接的方式連接，并且每層的擴(kuò)張率逐層增加.擴(kuò)張率小的卷積層靠近輸入，擴(kuò)張率大的卷積層靠近輸出.將前層所有擴(kuò)張卷積的輸出特征圖與輸入的特征圖拼接在一起作為輸入送入下一層擴(kuò)張卷積.最終，DenseASPP輸出一個(gè)由多擴(kuò)張率、多尺度的擴(kuò)張卷積生成的特征圖.本文所提出的結(jié)構(gòu)只需使用幾個(gè)擴(kuò)張卷積就可以組成一個(gè)更密集感受野范圍更大的特征金字塔結(jié)構(gòu).

圖3 改進(jìn)的DenseASPP模型Fig.3 Improve DenseASPP model

該結(jié)構(gòu)由3部分組成：預(yù)特征提取，密集擴(kuò)張卷積和特征合并.接下來將詳細(xì)介紹這3部分組成結(jié)構(gòu).

(1) 預(yù)特征提取.將原始圖像直接傳送到擴(kuò)張卷積中，會(huì)出現(xiàn)圖像中部分像素點(diǎn)未參與計(jì)算的情況，導(dǎo)致圖像信息的丟失.因此，在原始圖像進(jìn)行擴(kuò)張卷積之前，先簡單提取原始圖像的特征圖.本文簡要的設(shè)計(jì)了預(yù)特征提取的網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)主要由7個(gè)卷積塊組成，其中每個(gè)卷積塊輸出的特征圖的通道數(shù)都比前一個(gè)卷積塊的多8個(gè)，第一個(gè)卷積塊的輸出特征圖的通道數(shù)為16.每個(gè)卷積塊包括了3個(gè)卷積層，第一層卷積與第三層卷積參數(shù)一致，都是以步長為1大小為1×1的卷積核進(jìn)行卷積;第二層卷積與其他兩個(gè)卷積層不同，設(shè)置卷積核大小為3×3，步長為1，填充為1.卷積完成后，將特征圖依次傳入批量歸一化層及ReLU激活函數(shù)層，其目的是削弱梯度爆炸及梯度消失的情況以提高網(wǎng)絡(luò)的學(xué)習(xí)效果.最后，經(jīng)過預(yù)特征提取，可以得到通道數(shù)為320，尺寸與原始圖像一致的預(yù)特征圖.

(2) 密集擴(kuò)張卷積：為了獲取全局特征，本文設(shè)計(jì)了密集擴(kuò)張卷積模塊.在DenseASPP結(jié)構(gòu)中每層擴(kuò)張卷積的輸出可以表示為

yl=HK,sl([yl-1,yl-2,…，y0])

(3)

其中，sl表示第l層的擴(kuò)張率;[…]表示拼接操作;[yl-1,yl-2,…，y0]表示拼接前層所有的輸出產(chǎn)生的特征圖及輸入特征圖.DenseASPP不僅保留了逐層增加擴(kuò)張卷積率的金字塔特點(diǎn)，而且將所有擴(kuò)張卷積的輸出密集地拼接在一起使更多的像素參與計(jì)算.結(jié)合式(1)與式(2)可計(jì)算出經(jīng)過密集拼接與級(jí)聯(lián)的所有擴(kuò)張卷積后感受野，表示為

Rmax=R3,6+R3,12+R3,18+R3,24-3

(4)

其中，Rmax表示最終感受野大小;R3,6…R3,24表示為卷積核大小為3，擴(kuò)張率為6…24的感受野大小.經(jīng)過計(jì)算得到本文模型的感受野大小為121，比原始模型的最大感受野擴(kuò)大一倍，足以獲得更全局的特征.

在本文中，每個(gè)DenseASPP結(jié)構(gòu)均包含四個(gè)擴(kuò)張卷積塊，每個(gè)擴(kuò)張卷積塊具有相同的結(jié)構(gòu).每個(gè)擴(kuò)張卷積塊包含兩層卷積，第一層卷積是普通卷積層，它們使用的都是步長為1，尺寸為1×1卷積核對(duì)輸入進(jìn)行卷積后得到通道數(shù)為512的特征圖.無論輸入通道數(shù)的大小，都能保持輸出的通道數(shù)保持不變.該卷積層是用于控制模型大小，防止網(wǎng)絡(luò)計(jì)算量過大.第二層卷積是擴(kuò)張卷積層，采用步長為1，大小為3×3的卷積核得到通道數(shù)為128的特征圖，特別需要注意的是，卷積核在擴(kuò)張之后，它的實(shí)際大小比3×3的尺寸大，因此0填充參數(shù)設(shè)置為2顯然不能得到與源圖像一樣尺度的特征圖.因此,在本文中將0填充參數(shù)的大小設(shè)置為擴(kuò)張率的大小，以保持與源圖像一致的尺寸.在本文中，采用了擴(kuò)張率為6，12，18，24的擴(kuò)張卷積對(duì)圖像提取特征.每個(gè)擴(kuò)張卷積塊的擴(kuò)張率逐層增加.擴(kuò)張率小的卷積塊靠近輸入，擴(kuò)張率大的卷積塊靠近輸出.將前層所有擴(kuò)張卷積塊的輸出特征圖與預(yù)特征圖拼接在一起作為輸入送入下一個(gè)擴(kuò)張卷積塊.最終，本文模型輸出一個(gè)由多擴(kuò)張率，多尺度的擴(kuò)張卷積生成的特征圖.

(3) 特征合并.將預(yù)特征圖與擴(kuò)張卷積后的結(jié)構(gòu)圖堆疊起來作為輸入經(jīng)過一個(gè)1×1的普通卷積層，其輸出的尺寸與輸入尺寸一致，再將特征傳入到2.3節(jié)所描述的Attention機(jī)制模型中，得到相關(guān)聯(lián)的特征，并結(jié)合sigmoid激活函數(shù)對(duì)卷積后的輸出進(jìn)行處理，最終得到與源圖像大小一樣的概率圖，每個(gè)像素點(diǎn)上對(duì)應(yīng)的概率表示該點(diǎn)屬于目標(biāo)部分的概率.

4 評(píng)價(jià)指標(biāo)與實(shí)驗(yàn)結(jié)果

本文所使用的實(shí)驗(yàn)數(shù)據(jù)來自于四川大學(xué)華西醫(yī)院，包括胎兒頭圍、頭臀徑及腹圍三種超聲圖像.為了訓(xùn)練模型并測試模型分割的準(zhǔn)確度，將2 365張?zhí)侯^圍、3 270張頭臀徑、2 873張腹圍圖像分別進(jìn)行隨機(jī)角度翻轉(zhuǎn)、隨機(jī)平移等操作將每種圖像擴(kuò)充到4 000張圖像，并將每種數(shù)據(jù)分為3 800張圖像的訓(xùn)練集與200張圖像的測試集，使用訓(xùn)練集訓(xùn)練模型，測試集測試模型的性能.為了定量地度量模型的性能，本文中采用了3種標(biāo)準(zhǔn)指標(biāo)：DSC(Dice similarity coefficient), PM(Prevent match)和 CR(Correspondence ratio).DSC是衡量標(biāo)簽與預(yù)測值之間的相似程度的數(shù)量指標(biāo)，取值范圍在0～1之間，相似性指標(biāo)的數(shù)值越大表示就越相似；PM是衡量圖像被漏分割的情況，其值越高表示圖像被漏分割的情況越少；CR衡量圖像分割誤分割的情況，其值越大則表示誤分割的情況就越少. Dice similarity coefficient (DSC)如下式.

(5)

(2) Prevent match (PM)與Correspondence ratio (CR)如下.

(6)

(7)

其中，TPS代表被正確分割的區(qū)域；FPS代表被誤分割的區(qū)域；GT代表醫(yī)師手動(dòng)分割出的區(qū)域.

為了驗(yàn)證本文所提出的算法的優(yōu)勢，在本文中選擇如下三種當(dāng)前常見的圖像分割算法與本文算法(DenseASPP-A)進(jìn)行比較：(1) DenseASPP模型[14]；(2) 全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks, FCN)[9]；(3) U-net模型[13].并對(duì)結(jié)果進(jìn)行了定性與定量分析，其中定量結(jié)果為所有測試用例的均值.

4.1 胎兒頭臀徑的超聲圖像分割

模型分割結(jié)果如圖4所示.從圖4中可以看出，本文提出的改進(jìn)DenseASPP模型得到的分割圖更接近醫(yī)師手動(dòng)的分割圖，并且生成的邊緣更為平滑，同時(shí)也不會(huì)產(chǎn)生多余的分割部分，較突出點(diǎn)邊緣如箭頭所示.測試集上相關(guān)定量分析結(jié)果如表1所示.從表1可以看出，4種模型都有較好的表現(xiàn)，其中，本文提出的改進(jìn)DenseASPP模型除了在PM指標(biāo)上的表現(xiàn)略微遜色DenseASPP模型外，在其他兩種定量指標(biāo)上都取得了最好的分割性能.

表1 胎兒頭臀徑超聲圖像指標(biāo)

Tab.1 Ultrasonographic indicators of fetal head-buttock diameter

指標(biāo)DenseASPP-ADenseASPPU-netFCNDSC0.9550.9540.9160.892PM0.9260.9270.9190.916CR0.9200.9180.8740.846

4.2 胎兒頭圍的超聲圖像分割

為進(jìn)一步驗(yàn)證本文算法的有效性，采用胎兒頭圍超聲圖像數(shù)據(jù)集進(jìn)行實(shí)驗(yàn).首先利用4.1節(jié)中介紹的圖像擴(kuò)充方法對(duì)胎兒頭圍的超聲圖像進(jìn)行處理以訓(xùn)練模型.比較了4種模型的分割結(jié)果，在部分測試樣本上模型分割結(jié)果如圖5所示.從圖5中可以看出，4種方法得到的分割結(jié)果從可視化方面都取得了不錯(cuò)的結(jié)果.比較圖5中箭頭所指的分割邊緣，本文提供的方法與DenseASPP模型更貼近醫(yī)師勾畫的頭圍，并且被分割區(qū)域不會(huì)出現(xiàn)誤判的情況.而本文提供的方法分割的線條比DenseASPP模型分割的線條更為平滑.同時(shí)，我們也利用上述的,3種指標(biāo)做了定量比較，如表2所示，在4種方法都獲得了較高的評(píng)分的情況下，本文提出的方法在性能上均優(yōu)于其他3種方法，在頭圍的數(shù)據(jù)中取得了最優(yōu)的結(jié)果.

圖4 胎兒頭臀徑的超聲圖像分割Fig.4 Ultrasound image segmentation of fetal head and hip diameters

圖5 胎兒頭圍的超聲分割圖像Fig.5 Ultrasound image segmentation of fetal head circumference

4.3 胎兒腹圍的超聲圖像分割

在本次實(shí)驗(yàn)中，還額外選取了胎兒腹圍的超聲圖像作為數(shù)據(jù).由于腹圍的輪廓不明顯，采用虛線大致勾畫出腹圍的范圍，以便醫(yī)生描繪精細(xì)的結(jié)果，因此圖中的虛線不作為分割的依據(jù).為了凸顯本文模型的優(yōu)勢，將實(shí)驗(yàn)結(jié)果進(jìn)行了可視化與定量比較.如圖6所示，由于被分割區(qū)域接近圓形，各種模型分割結(jié)果相差不大，但還是存在細(xì)微差別，比如本文提供的模型分割的圖形極少出現(xiàn)鋸齒形狀，如圖6箭頭所示的分割邊緣.從表3中根據(jù)3種指標(biāo)的定量結(jié)果可以看出，本文提供的模型在胎兒腹圍的超聲圖像的數(shù)據(jù)上表現(xiàn)依然是最好的.

表2 胎兒頭圍超聲圖像指標(biāo)

Tab.2 Ultrasonographic indicators of fetal head circumference

指標(biāo)DenseASPP-ADenseASPPU-netFCNDSC0.9740.9720.9700.969PM0.9510.9500.9490.948CR0.9480.9460.9450.943

表3 胎兒腹圍超聲圖像指標(biāo)

圖6 胎兒腹圍的超聲分割圖像Fig.6 Ultrasound image segmentation of fetal abdominal circumference

4.4 有效部分的驗(yàn)證

為了研究所提出方法的關(guān)鍵組成部分的貢獻(xiàn)，使用的胎兒腹圍超聲圖像數(shù)據(jù)評(píng)估了兩個(gè)關(guān)鍵部分：擴(kuò)展卷積率的設(shè)置和Attention機(jī)制.

(1) 擴(kuò)張卷積率的設(shè)置：為了驗(yàn)證擴(kuò)張卷積率設(shè)置的合理性，在密集擴(kuò)展卷積部分設(shè)置了3組不同的擴(kuò)張卷積率，分別是3、6、12、18(D-ASPP,S=3)和6、12、18、24(D-ASPP,S=6)以及9、18、24、27(D-ASPP,S=9)的擴(kuò)張卷積率，并在不添加Attention機(jī)制的情況下保持其他結(jié)構(gòu)不變.實(shí)驗(yàn)結(jié)果如表4所示，表現(xiàn)最好的模型是D-ASPP,S=6.雖然D-ASPP,S=9模型的CR指標(biāo)有一定提高，但PM指標(biāo)降低.

(2) Attention機(jī)制的貢獻(xiàn)：為了驗(yàn)證Attention機(jī)制的貢獻(xiàn)，設(shè)計(jì)密集擴(kuò)展卷積的擴(kuò)展率為6、12、18、24，去掉Attention機(jī)制部分并保持其他結(jié)構(gòu)不變.實(shí)驗(yàn)結(jié)果如表4所示，通過比較D-ASPP,S=6模型與本文所提供的模型，即在增加Attention機(jī)制后，3種指標(biāo)都有所提高.

實(shí)驗(yàn)結(jié)果表示，在本文中對(duì)DenseASPP模型的擴(kuò)展卷積率的改進(jìn)及添加Attention機(jī)制均提高了模型的性能.

表4 改進(jìn)模型的驗(yàn)證

5 結(jié) 論

本文針對(duì)高分辨率的胎兒超聲圖像精確分割問題，提出了一種基于密集連接、擴(kuò)張卷積策略和Attention機(jī)制的DenseASPP模型用于實(shí)現(xiàn)對(duì)胎兒超聲圖像的自動(dòng)分割.該模型利用普通卷積對(duì)原始圖像提取預(yù)特征圖，再將預(yù)特征圖傳輸?shù)綌U(kuò)張卷積層中并將前層所有擴(kuò)張卷積的輸出特征圖與預(yù)特征圖堆疊在一起傳輸?shù)较乱粚訑U(kuò)張卷積以獲得更大感受野的多尺度特征圖，最終將所有的特征合并，再利用sigmoid函數(shù)獲取分割結(jié)果.通過定性與定量分析，本文的模型均優(yōu)于DenseASPP模型、U-net模型和FCN模型.本文的方法對(duì)目標(biāo)區(qū)域的分割相對(duì)其他方法更平滑，并且分割更精確.然而，在分割任務(wù)中，不管是對(duì)比方法還是本文提出的方法，均存在分割結(jié)果的邊緣不平滑的現(xiàn)象.今后的研究將針對(duì)這一問題對(duì)模型加以改進(jìn).