基于3D全卷積深度神經(jīng)網(wǎng)絡(luò)的腦白質(zhì)病變分割方法

趙 欣，石德來，王洪凱

(1.大連大學(xué)信息工程學(xué)院，遼寧 大連 116622; 2.大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)院，遼寧 大連 116024)

0 引 言

腦白質(zhì)病變通常在核磁共振成像(Magnetic Resonance Images, MRI)的T2液體衰減反轉(zhuǎn)恢復(fù)序列(Fluid-attenuated Inversion Recovery, FLAIR)影像上表現(xiàn)為高信號(hào)，因此，又稱腦白質(zhì)高信號(hào)(White Matter Hyperintensities, WMH)。該病變常見于老年人的大腦中，并與各種神經(jīng)性疾病緊密相關(guān)。目前的研究表明，小血管疾病[1]、多發(fā)性硬化癥[2]、帕金森病[3]、中風(fēng)[4]、阿爾茲海默病[5]和癡呆癥[6]等均會(huì)導(dǎo)致WMH。因此，對(duì)WMH的研究已成為診斷和治療神經(jīng)性疾病患者的關(guān)鍵因素。

由于WMH的分布不均勻，大小不一致，導(dǎo)致很多小的病變區(qū)域很難被分割。同時(shí)，在MRI成像過程中，WMH會(huì)受到信號(hào)不均勻、噪聲等的干擾導(dǎo)致分割結(jié)果不精確。因此，WMH的檢測(cè)仍然是一個(gè)困難的過程。由于數(shù)據(jù)集和評(píng)估標(biāo)準(zhǔn)的多樣性，對(duì)WMH自動(dòng)分割結(jié)果的評(píng)估比較困難，通常以DSC系數(shù)(Dice Similarity Coefficient)來衡量，當(dāng)DSC系數(shù)高于0.7時(shí)，該方法被認(rèn)為是好的[7]。

目前針對(duì)WMH的分割方法主要包含以下3種：人工分割、基于機(jī)器學(xué)習(xí)的分割和基于深度學(xué)習(xí)的分割。由于大腦MRI成像包含很多切片，導(dǎo)致手動(dòng)的分割方法費(fèi)時(shí)費(fèi)力，而且容易出錯(cuò)，基于機(jī)器學(xué)習(xí)的方法需要手動(dòng)地提取特征，但人們很難找到準(zhǔn)確的WMH特征，因此分割精度不高。近年來人們主要使用深度神經(jīng)網(wǎng)絡(luò)方法進(jìn)行圖像分割。

1 相關(guān)方法

自2006年以來，Hinton等人[8]提出了深度學(xué)習(xí)方法，使得卷積神經(jīng)網(wǎng)絡(luò)在各種應(yīng)用中取得了巨大的成功，尤其是在視覺和語音處理的領(lǐng)域，引起了更多人研究深度學(xué)習(xí)的熱潮。在視覺領(lǐng)域，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)[9]的強(qiáng)大之處在于它的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠自動(dòng)學(xué)習(xí)影像的深層特征，但人們?cè)谔幚韴D像時(shí)發(fā)現(xiàn)該網(wǎng)絡(luò)并不能定位空間位置信息。于是，Ghafoorian等人[10]將CNN用于WMH分割，提出了多種基于位置特征的深層CNN架構(gòu)。Akkus等人[11]對(duì)腦部MRI進(jìn)行定量分析。他們將網(wǎng)絡(luò)模型分為3類：按塊訓(xùn)練的CNN架構(gòu)，按語義訓(xùn)練的CNN架構(gòu)，以及級(jí)聯(lián)CNN架構(gòu)。Rachmadi等人[12]提出了一種將空間信息加入CNN網(wǎng)絡(luò)中的方法，該方法通過對(duì)MRI圖像的處理生成4個(gè)含有空間位置信息的的圖像，將4幅圖像和原始的MRI共同作為輸入，實(shí)驗(yàn)結(jié)果顯示，通過引入GSI(Global Spatial Information)，解決了無法定位的問題，雖然CNN的性能相比傳統(tǒng)的機(jī)器學(xué)習(xí)算法要好很多，但其結(jié)果依然不能讓人滿意，尤其是在DSC上，只有0.5左右的結(jié)果，說明WMH分割在方法上還需要很大的改進(jìn)。

2015年Long等人[13]提出了FCN(Fully Convolutional Network)語義分割算法，通過跳躍結(jié)構(gòu)實(shí)現(xiàn)了全卷積神經(jīng)網(wǎng)絡(luò)在像素級(jí)上的端到端的訓(xùn)練，同時(shí)能還原像素在原圖中的位置，保留原始輸入圖像的空間信息，實(shí)現(xiàn)逐像素分類。同年，Ronneberger等人[14]提出了一種用于醫(yī)學(xué)圖像分割的全卷積網(wǎng)絡(luò)結(jié)構(gòu)2D U-net，它是一種對(duì)稱編碼器—解碼器的結(jié)構(gòu)，該模型在實(shí)驗(yàn)中取得了較好的結(jié)果。但由于大腦圖像是三維結(jié)構(gòu)，因此普遍采用2種方法分割3D數(shù)據(jù)，其中一種方法是通過將3D數(shù)據(jù)拆分成多個(gè)2D切片，第二種方法是將模型改為3D模型。相比于第二種方法，使用2D切片會(huì)忽略相鄰切片的三維空間信息，降低分割精度。2016年Cicek等人[15]在U-net網(wǎng)絡(luò)中使用3D卷積核，但該網(wǎng)絡(luò)沒有高效地學(xué)習(xí)到MRI圖像的深層和淺層特征，導(dǎo)致結(jié)果不佳。2017年Xu等人[16]提出了一種基于FCN和遷移學(xué)習(xí)的腦白質(zhì)高信號(hào)的快速自動(dòng)分割方法，通過這種方法，在MRI圖像上進(jìn)行預(yù)處理并且分割WMH需要大約10 s。2018年，Wang等人[17]使用FCN的方法分割WMH，對(duì)于大的病變部位分割的DSC分?jǐn)?shù)可達(dá)0.8左右，但對(duì)于小的病變位置的DSC分?jǐn)?shù)只有0.65。2018年Zhang等人[18]提出了一種基于U-net的后處理技術(shù),對(duì)不同隨機(jī)初始化的U-net輸出進(jìn)行平均和閾值處理。這種方法與所用模型無關(guān),它可以應(yīng)用于其他的模型結(jié)構(gòu)。這種后處理方法可以提高WMH分割的準(zhǔn)確性。2019年，Wu等人[19]提出了一種新穎的跳躍連接U-net。該方法在預(yù)處理階段引入了基于圖集的方法，去除非腦組織，并在U-net模型的基礎(chǔ)之上加入跳躍連接，從而提高分割精度。2019年，Jeong等人[20]采用帶有膨脹卷積的U-net模型，通過膨脹卷積在MRI切片上學(xué)習(xí)更多的上下文信息，增強(qiáng)了網(wǎng)絡(luò)識(shí)別大塊WMH的概率。但分割精度只有0.56，說明基于深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)還有待進(jìn)一步的開發(fā)研究。

圖1 分割方法流程圖

本文方法的流程如圖1所示，首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，預(yù)處理主要包括數(shù)據(jù)增強(qiáng)、統(tǒng)一圖像大小和歸一化。將預(yù)處理后的圖像分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。之后將訓(xùn)練集輸入本文的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，經(jīng)過下采樣和上采樣進(jìn)行前向傳播，得到的特征圖與標(biāo)簽數(shù)據(jù)用于計(jì)算損失函數(shù)，然后反向傳播訓(xùn)練模型參數(shù)，最后利用訓(xùn)練好的3D分割模型進(jìn)行模型測(cè)試，得到測(cè)試數(shù)據(jù)的分割結(jié)果。

2 本文的網(wǎng)絡(luò)結(jié)構(gòu)

2.1 全卷積網(wǎng)絡(luò)結(jié)構(gòu)

1)存儲(chǔ)開銷很大。例如對(duì)某個(gè)像素所使用的圖像塊的大小為5×5，則所需的存儲(chǔ)空間為原來圖像的25倍。

2)由于相鄰的像素塊有大面積的重疊區(qū)域，在對(duì)每個(gè)像素塊逐個(gè)進(jìn)行卷積運(yùn)算時(shí)會(huì)多出很多重復(fù)的計(jì)算，導(dǎo)致計(jì)算效率低。

3)像素塊的大小限制了感知區(qū)域的大小。通常像素塊的大小比整幅圖像的大小小很多，因此每一個(gè)像素塊只能提取圖像的局部特征，從而導(dǎo)致分割的性能受到影響。

本文采用語義分割的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行端到端的分割，相比于傳統(tǒng)CNN的區(qū)別在于沒有全連接層，將全連接層替換成卷積層，對(duì)圖像進(jìn)行逐像素分類，如圖2所示。本文采用的模型先進(jìn)行一次5×5×5卷積和2×2×2的池化，目的是為了降低信息維度，并擴(kuò)展感受野；之后依次連接殘差模塊、金字塔池化模塊和注意力模塊，這些模塊的整合可使網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，將模塊的輸出進(jìn)行2×2×2的上采樣和3×3×3的卷積；將得到的特征圖與第一次卷積池化后的特征圖進(jìn)行concat(拼接)，通過拼接將低層特征和高層特征融合，使網(wǎng)絡(luò)學(xué)習(xí)上下文信息；最后通過sigmoid激活函數(shù)還原圖像大小并輸出分割圖像。

圖2 本文方法全卷積網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 殘差模塊

隨著深度增加，網(wǎng)絡(luò)會(huì)出現(xiàn)一種退化現(xiàn)象，此時(shí)訓(xùn)練的準(zhǔn)確率會(huì)趨于平緩，但是訓(xùn)練誤差會(huì)變大。為了解決這種現(xiàn)象，殘差網(wǎng)絡(luò)(Residual Network, ResNet)[21]被提出。ResNet不再像傳統(tǒng)的CNN一樣使用多個(gè)堆疊的層直接進(jìn)行特征映射,而是引用了一種殘差映射，將輸入恒等映射到輸出，通過在殘差塊之間引入跳躍連接,使上一個(gè)殘差塊的信息沒有阻礙地流入下一個(gè)殘差塊，從而提高信息的流通，并避免梯度消失和梯度爆炸問題。

為此，本文在網(wǎng)絡(luò)中引入殘差方法，設(shè)計(jì)具有4個(gè)殘差塊的殘差網(wǎng)絡(luò)，并在殘差塊的直連路徑中加入一個(gè)3D卷積，用于將輸入x調(diào)整為不同的尺寸，以便與主路徑輸出的數(shù)量和大小一致，如圖3所示。

圖3 殘差模塊圖

2.3 金字塔池化特征提取模塊

上述殘差塊中的卷積是在單一尺度下提取圖像特征，沒有充足的上下文信息和不同感受野下的全局信息。為了保證分割效果，需要讓網(wǎng)絡(luò)進(jìn)行多尺度的特征學(xué)習(xí)。為此，本文在殘差模塊后接入金字塔池化模塊，這一想法是受文獻(xiàn)[22]的啟發(fā)，通過金字塔池化中的多個(gè)不同感受野大小的池化來提取不同尺度的圖像特征。

教師在進(jìn)行課外閱讀的引導(dǎo)時(shí)，同樣也應(yīng)該注意方式方法。比如教師可以通過在課堂中帶領(lǐng)學(xué)生了解本文作者的人生經(jīng)歷，引導(dǎo)學(xué)生進(jìn)行課文的學(xué)習(xí)，這樣學(xué)生會(huì)被激發(fā)起很高的學(xué)習(xí)興趣，在課下的時(shí)間，通過課下閱讀，了解該作者其他的作品，進(jìn)而通過對(duì)比，發(fā)現(xiàn)該作者的寫作風(fēng)格，拓展學(xué)生的語文知識(shí)面，讓學(xué)生對(duì)文學(xué)作品充滿興趣。或者讓學(xué)生通過讀書，舉行讀書交流會(huì)，讓學(xué)生參與到其中，通過知識(shí)競(jìng)賽以及朗讀的方式，提高學(xué)生的閱讀興趣，進(jìn)一步提高學(xué)生的高中語文知識(shí)學(xué)習(xí)能力。

金字塔池化模塊的結(jié)構(gòu)如圖4所示。輸入的特征圖像首先經(jīng)過平均池化產(chǎn)生3個(gè)不同的特征圖像，池化率分別為2、4、8。采用平均池化而不采用常見的最大值池化是因?yàn)樽畲蟪鼗菫榱藴p少背景信息的影響，突出紋理特征，而本文接下來的模塊中采用的注意力機(jī)制可以起到同樣作用，因此不必在此處使用最大池化。此外，相比于最大池化，平均池化可以保留數(shù)據(jù)的整體特征，適合后續(xù)進(jìn)行進(jìn)一步的金字塔池化操作。隨后，將平均池化后產(chǎn)生的3個(gè)不同尺度的特征圖像分別送入3個(gè)并聯(lián)的卷積路徑進(jìn)行1×1×1的卷積以降低維度，然后分別進(jìn)行上采樣至原始輸入圖像大小，最后將3條路徑上的上采樣結(jié)果拼接在一起獲得多尺度融合特征。

圖4 金字塔池化模塊

2.4 注意力模塊

注意力機(jī)制是由Bahdanau等人[23]提出的，它源于對(duì)人類視覺的研究。核心思想是，當(dāng)關(guān)注一幅圖片時(shí)，人眼只會(huì)關(guān)注圖像的一部分而不是整張圖，也就是人的大腦對(duì)一幅圖片各個(gè)部分的注意力并不完全相同，而且只會(huì)關(guān)注感興趣的地方。注意力機(jī)制的提出有助于神經(jīng)網(wǎng)絡(luò)定位感興趣的目標(biāo)，因此，本文在模型中加入了文獻(xiàn)[24]中提及的注意力模塊，以增強(qiáng)定位的準(zhǔn)確度，如圖5所示。該模塊包含2個(gè)并行的注意力子模塊：位置注意力模塊和通道注意力模塊。

圖5 雙路注意力模塊

位置注意力模塊通過所有位置特征的加權(quán)聚合實(shí)現(xiàn)特征更新。如圖5所示，先對(duì)A分別進(jìn)行不同大小的卷積得到B、C、D。B、C的維度為S×C×H×W,D的維度為S×C×H×W′。將B、C通過reshape變成H′×W大小(H′=S×C×H)，再將B的轉(zhuǎn)置與C相乘得到H′×H′大小的矩陣，對(duì)于矩陣的每一個(gè)點(diǎn)進(jìn)行softmax，得到的矩陣圖為E，將D調(diào)整形狀變成H′×W′，再與E相乘并將形狀調(diào)整為S×C×H×W′的矩陣，再與A進(jìn)行相加得到最終的位置特征圖。這種方法的好處在于一方面可以通過不同的卷積學(xué)習(xí)不同大小的位置特征，另一方面，與B、C不同大小的特征圖D的加入可幫助網(wǎng)絡(luò)進(jìn)行反復(fù)的運(yùn)算，加強(qiáng)了位置特征的學(xué)習(xí)。如公式(1)和公式(2)所示，Sji指特征圖第j行第i列的元素，它等于B的第i列乘上C的第j列進(jìn)行softmax運(yùn)算，就是把得到的S按列求softmax運(yùn)算，再賦值給Sji;N為像素的數(shù)量；Di是D的第i列，a是訓(xùn)練參數(shù)，也是自注意力參數(shù)，起到自動(dòng)調(diào)節(jié)注意力機(jī)制的作用，將Sji與D的第i列相乘累加再乘以a，得到的值與A的第j列相加得到位置注意力模塊的最終結(jié)果向量PPAM。

(1)

(2)

通道注意力模塊通過注意力機(jī)制學(xué)習(xí)任意2個(gè)通道映射之間的關(guān)系，通過通道的加權(quán)求和更新通道。原文獻(xiàn)中采用RGB圖像作為網(wǎng)絡(luò)輸入，通過通道注意力機(jī)制學(xué)習(xí)RGB三通道間的映射關(guān)系。本文同樣采用通道注意力機(jī)制處理三維腦白質(zhì)病變數(shù)據(jù)，該數(shù)據(jù)的每一層切片都對(duì)應(yīng)一個(gè)通道，通過通道注意力機(jī)制可加強(qiáng)通道(切片)間的上下文相互關(guān)聯(lián)。如圖5所示，將A進(jìn)行形狀調(diào)整轉(zhuǎn)換成H′×W′大小的特征圖B，將B轉(zhuǎn)置與B相乘，通過softmax再與B矩陣相乘，得到的特征圖調(diào)整到原始形狀，再與A相加得到通道特征圖。如公式(3)和公式(4)所示，Xji指特征圖第j行第i列的元素，它等于B的第i列乘上B的第j列再進(jìn)行softmax運(yùn)算，就是把得到的X按列求softmax運(yùn)算，再賦值給Xji;c為通道的數(shù)量；b是訓(xùn)練參數(shù)，將Xji與B的第i列相乘累加再乘以b，得到的值與A的第j列相加得到通道注意力模塊的最終結(jié)果向量CCAM。

(3)

(4)

為了更好地利用注意力機(jī)制進(jìn)行特征的學(xué)習(xí)，將子模塊的輸出分別進(jìn)行2次卷積運(yùn)算，然后將得到的特征圖逐元素相加實(shí)現(xiàn)特征的融合。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集與預(yù)處理

本文的數(shù)據(jù)集來自MICCAI2017挑戰(zhàn)賽，使用來自荷蘭和新加坡3家不同醫(yī)院的3臺(tái)不同掃描儀。3臺(tái)不同的掃描儀對(duì)應(yīng)3個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集包含20幅MRI圖像，所有MRI圖像都經(jīng)過SPM12進(jìn)行的偏置場(chǎng)不均勻性校正。本文選擇帶有標(biāo)記信息的FLAIR圖像，其中，每個(gè)對(duì)象的FLAIR圖像都包含微小或更大的腦白質(zhì)病變區(qū)域。本文對(duì)數(shù)據(jù)集采取進(jìn)一步的預(yù)處理。首先通過數(shù)據(jù)增強(qiáng)來增加圖像的數(shù)量，數(shù)據(jù)增強(qiáng)采用旋轉(zhuǎn)變換、仿射變換和透視變換3種方法將原始的60幅圖像擴(kuò)增到240幅。考慮到不同掃描儀的FLAIR圖像大小不一致，本文對(duì)所有FLAIR圖像進(jìn)行裁剪和填充，將所有軸片統(tǒng)一為128×128的大小，這樣保證輸入網(wǎng)絡(luò)的圖像大小保持一致，并丟棄了邊緣的無用信息。其次，考慮到數(shù)據(jù)集中FLAIR圖像體素值不一樣，同時(shí)為了加快網(wǎng)絡(luò)的收斂，本文對(duì)數(shù)據(jù)集進(jìn)行歸一化，將原始數(shù)據(jù)取值轉(zhuǎn)化到[0，1]之間。為了在訓(xùn)練過程中調(diào)整參數(shù)，并測(cè)試圖像分割的準(zhǔn)確率，本文將預(yù)處理后的240幅圖像分成3組：訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集占70%，測(cè)試集和驗(yàn)證集各占15%，因此，測(cè)試集共有168幅圖像，其中42個(gè)原始數(shù)據(jù)，126個(gè)增強(qiáng)數(shù)據(jù)；驗(yàn)證集和測(cè)試集一樣總共有36幅圖像，其中9個(gè)原始數(shù)據(jù)，27個(gè)增強(qiáng)數(shù)據(jù)。

3.2 實(shí)驗(yàn)環(huán)境及參數(shù)

模型在谷歌云環(huán)境上進(jìn)行訓(xùn)練。網(wǎng)絡(luò)模型訓(xùn)練時(shí)，輸入的圖像包括訓(xùn)練集、驗(yàn)證集以及由專家分割好的標(biāo)簽，模型訓(xùn)練使用Dice損失函數(shù)和Adam優(yōu)化算法，其中Adam的參數(shù)lr(學(xué)習(xí)率)=0.0001，好處是計(jì)算高效，內(nèi)存使用很小。其他參數(shù)設(shè)置為：批大小為3，迭代次數(shù)為40次，并設(shè)置當(dāng)訓(xùn)練集上的損失函數(shù)在4個(gè)迭代周期內(nèi)不再減小時(shí)停止訓(xùn)練。最后，使用測(cè)試集對(duì)訓(xùn)練好的3D網(wǎng)絡(luò)進(jìn)行測(cè)試，實(shí)現(xiàn)WMH的分割。

3.3 評(píng)價(jià)指標(biāo)

為驗(yàn)證分割效果，對(duì)實(shí)驗(yàn)結(jié)果計(jì)算多種評(píng)價(jià)指標(biāo)值，包括召回率(Recall)又稱敏感性(Sensitivity)、精確率(Precision)、特異性(Specificity)以及DSC系數(shù)。

召回率是指被正確預(yù)測(cè)出來的WMH區(qū)域占真實(shí)WMH區(qū)域的比例，該指標(biāo)用來評(píng)價(jià)本文方法分割出病變部位的能力；精確率是指被正確預(yù)測(cè)出來的WMH區(qū)域占本實(shí)驗(yàn)預(yù)測(cè)WMH區(qū)域的比例，該指標(biāo)用來評(píng)價(jià)本文方法正確分割WMH區(qū)域的能力；特異性是指被正確預(yù)測(cè)出來沒有病變的區(qū)域占非病變區(qū)域的比例，該指標(biāo)用來評(píng)價(jià)本方法對(duì)沒有病變區(qū)域的分割能力；DSC是指測(cè)試結(jié)果和真實(shí)標(biāo)簽的重合度，也是精確率和召回率的一種加權(quán)平均值，代表模型正確分割的能力。這些指標(biāo)計(jì)算公式如式(5)～式(8)所示：

(5)

(6)

(7)

(8)

其中，TP是真陽性(True Positive)，預(yù)測(cè)為WMH時(shí)，實(shí)際也是WMH；FP是假陽性(False Positive)，預(yù)測(cè)為WMH時(shí)，實(shí)際為非WMH；FN是假陰性(False Negative)，預(yù)測(cè)為非WMH時(shí)，實(shí)際為WMH；TN是真陰性(True Negative)，預(yù)測(cè)為非WMH時(shí)，實(shí)際也為非WMH。

3.4 實(shí)驗(yàn)結(jié)果及對(duì)比

本文實(shí)驗(yàn)分為2組分別進(jìn)行對(duì)比。一組是對(duì)本文模型中使用的各模塊進(jìn)行對(duì)比測(cè)試，其結(jié)果如表1所示。另一組是與其他WMH分割的文獻(xiàn)結(jié)果進(jìn)行對(duì)比，結(jié)果如表2所示。

表1 與其他方法的對(duì)比

表1展示了不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)WMH進(jìn)行分割的實(shí)驗(yàn)結(jié)果。首先對(duì)比未加入注意力機(jī)制的殘差網(wǎng)絡(luò)，以及加入了注意力機(jī)制的殘差網(wǎng)絡(luò)。發(fā)現(xiàn)后者的DSC和Recall值都比前者高(DSC高0.025，Recall高0.082)，但Precision和Specificity值卻比殘差要低(Precision低0.046，Specificity低0.004)。說明雙通道注意力機(jī)制的加入可以有效地捕捉全局的依賴關(guān)系和上下文信息，使得分割病變的能力略有提高，特別是小病變區(qū)域，但由于忽略了全局特征，導(dǎo)致分割的精準(zhǔn)度降低。因此，本文方法在此基礎(chǔ)之上加入金字塔池化，通過金字塔池化實(shí)現(xiàn)多個(gè)尺度上的分割信息融合，實(shí)驗(yàn)結(jié)果顯示，最終模型的DSC為0.762, Recall為0.727, Precision為0.801, Specificity為0.991，前3項(xiàng)指標(biāo)的結(jié)果都高于只加入其中一種模塊的結(jié)果，說明通過注意力機(jī)制和金字塔池化的結(jié)合可以提高語義分割模型的分割能力。本文還采用3D Unet-9層網(wǎng)絡(luò)進(jìn)行WMH分割，結(jié)果表明該方法的DSC與Precision指標(biāo)高于殘差網(wǎng)絡(luò)以及結(jié)合注意力機(jī)制的殘差網(wǎng)絡(luò)，但低于本文方法?？偟膩碚f，結(jié)合了雙路注意力機(jī)制和金字塔池化的語義分割模型，通過雙路注意力機(jī)制捕捉位置之間的空間依賴關(guān)系和通道之間的通道依賴關(guān)系，采用金字塔池化獲得多尺度特征信息，達(dá)到了提高分割結(jié)果的目的。

本文方法還與其他文獻(xiàn)的方法進(jìn)行了比較，如表2所示，Bento等人[25]采用的方法是傳統(tǒng)的隨機(jī)森林(Random Forests, RF)；Xu等人[16]采用的方法是在FCN網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行遷移學(xué)習(xí)；Jin等人[26]在U-net網(wǎng)絡(luò)中加入殘差塊；Zhang等人[18]在U-net網(wǎng)絡(luò)中加入后處理的算法；劉亞龍等人[27]則采用U-net與殘差網(wǎng)絡(luò)的融合，并在其中加入條件隨機(jī)場(chǎng)，該方法的數(shù)據(jù)集與本文采用的數(shù)據(jù)集來源不同，其他文獻(xiàn)的方法與本文所采用的數(shù)據(jù)均來自于同一數(shù)據(jù)集。

從表2中可以看出，傳統(tǒng)的RF方法的DSC得分只有0.5，Recall為0.27，Precision為0.29，是所有方法中最低的，這說明傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比全卷積下采樣—上采樣的網(wǎng)絡(luò)結(jié)構(gòu)在圖像分割領(lǐng)域中并不占據(jù)優(yōu)勢(shì)。本文方法的DSC得分領(lǐng)先于其他文獻(xiàn)所使用的方法，說明本文在殘差網(wǎng)絡(luò)中加入的模塊可以有效地提高分割結(jié)果。本文方法的Recall值為0.73，能預(yù)測(cè)出73%的病變區(qū)域，相比于Jin等人[26]采用的方法的Recall值為0.81，本文方法分割病變部位的能力還有待提高，下采樣—上采樣的次數(shù)過少，也是導(dǎo)致模型沒有學(xué)習(xí)到足夠多細(xì)節(jié)特征的原因。本文方法的Specificity為0.991，說明本文的模型對(duì)沒有病變區(qū)域的分割能力很強(qiáng)。Precision值為0.8，說明本文的分割結(jié)果中有80%是正確的病變，相比于其他方法，本文方法的Precision值高出很多，說明本文方法誤檢的區(qū)域相對(duì)較少。綜合所有的指標(biāo)來看，本文方法的實(shí)驗(yàn)結(jié)果在各項(xiàng)評(píng)分標(biāo)準(zhǔn)上都高于其他文獻(xiàn)的方法，分割效果更好。

表2 與其他文獻(xiàn)中方法的對(duì)比

圖6為3個(gè)病人的測(cè)試樣本經(jīng)過本文的模型分割出的結(jié)果。其中，圖6(a)為FLAIR的原始圖像，圖6(b)為專家分割的標(biāo)簽與原始圖像的結(jié)合，圖6(c)為模型的分割結(jié)果。圖6(b)中白點(diǎn)區(qū)域代表標(biāo)簽，圖6(c)中白點(diǎn)區(qū)域表示分割后的WMH區(qū)域。從結(jié)果圖可以看出，本文采用的模型分割的結(jié)果與標(biāo)簽差別不大，大面積的WMH分割效果良好，部分小面積的WMH能夠分割出來，但仍有誤判，尤其是顆粒狀病變，這將成為未來WMH分割的重點(diǎn)和難點(diǎn)。

(a) FLAIR (b) 標(biāo)簽 (c) 分割結(jié)果

4 結(jié)束語

為了準(zhǔn)確地分割腦白質(zhì)病變區(qū)域，本文提出了一種結(jié)合注意力機(jī)制和金字塔池化的殘差3D全卷積神經(jīng)網(wǎng)絡(luò)分割算法。通過實(shí)驗(yàn)表明，本文提出的金字塔池化與雙通道注意力相結(jié)合的3D網(wǎng)絡(luò)結(jié)構(gòu)可以準(zhǔn)確地分割腦白質(zhì)病變，但對(duì)于小的病變部位分割結(jié)果不是很好，可能的原因是本文方法沒有考慮噪聲的干擾；并且在數(shù)據(jù)上，盡管本文使用了數(shù)據(jù)增強(qiáng)的方法增加了MRI圖像的數(shù)量，但數(shù)據(jù)量過少依舊是導(dǎo)致實(shí)驗(yàn)結(jié)果精度不高的原因。后續(xù)的研究中將重點(diǎn)解決小病變區(qū)域的分割問題，以提高模型分割的準(zhǔn)確性。