融合密集連接與注意機制的顱內(nèi)出血分割方法

張 鵬，徐曾春，胡 平

(南京工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，南京 211816)

1 引 言

顱內(nèi)出血是一種神經(jīng)系統(tǒng)疾病，是由血管破裂進入組織并可能延伸腦內(nèi)內(nèi)皮細(xì)胞導(dǎo)致，一直以來，顱內(nèi)出血是導(dǎo)致死亡和殘疾癱瘓的主要原因，顱腦損傷后，如果不及時的進行診斷和治療，極有可能會誘發(fā)較高的死亡率[1].傳統(tǒng)的診斷方法由醫(yī)生人工定量估計出血區(qū)域和大小，整個過程非常耗時，且確定其出血的類型和區(qū)域十分依賴于醫(yī)生的經(jīng)驗累積，人為誤差也是導(dǎo)致顱內(nèi)出血診斷偏差的問題所在.

隨著深度學(xué)習(xí)的發(fā)展，基于深度學(xué)習(xí)的圖像分割技術(shù)已經(jīng)成為圖像分割的重要組成部分，分割任務(wù)的挑戰(zhàn)性在于識別醫(yī)學(xué)圖像中器官或病變的區(qū)域位置[2].對于顱內(nèi)出血，深度學(xué)習(xí)方法最近在分割顱內(nèi)出血方面取得了成功.其分割目的在于傳遞和提取出血點定量測量的關(guān)鍵信息.然而，與人體器官分割相比，顱內(nèi)出的血病灶分割存在更大的困難與挑戰(zhàn)：1)與人體其他部位的圖像相比，腦部CT圖像存在成像偽影及顱骨等腦部組織噪聲的復(fù)雜情況；2)顱內(nèi)出血區(qū)域常常表現(xiàn)為結(jié)構(gòu)相對不明確的高密度區(qū)域，分割任務(wù)更具有挑戰(zhàn)性.因此需要一種能高效準(zhǔn)確分割出血區(qū)域的病灶分割方法.

本文提出了融合密集連接與注意機制的分割方法，用于進行顱內(nèi)出血病灶分割.在全卷積網(wǎng)絡(luò)的基礎(chǔ)上，本文采用密集連接的思想，并在網(wǎng)絡(luò)的編碼與解碼的連接部分融合了一種包括空間和通道注意的注意力機制，以捕獲豐富的上下文關(guān)系來精準(zhǔn)的提取高質(zhì)量的顱內(nèi)出血特征.針對面積較小的顱內(nèi)出血區(qū)域，本文引入了Focal Tversky損失函數(shù)以解決對小面積出血病灶的分割精度不足的問題，有效的提升了顱內(nèi)出血分割的性能.

2 相關(guān)工作

傳統(tǒng)的顱內(nèi)出血分割方法通常需要對圖像進行預(yù)處理，去除其中顱骨等噪聲，并提取一些復(fù)雜的特征.方法大致可以概述為基于閾值分割和基于區(qū)域分割兩種類型.

Moltz等人[3]采用閾值法進行分割，在對圖像去噪后，定義一個合適的閾值，生成基于該閾值的出血區(qū)域的二值圖像，將出血區(qū)域分割出來.Bhadauria 等人[4]中提出了一種顱內(nèi)出血分割方法，其結(jié)合了模糊c均值聚類(FCM)與區(qū)域生長的主動輪廓線，與標(biāo)準(zhǔn)區(qū)域生長方法以及FCM相比，該方法在顱內(nèi)出血分割中更具有優(yōu)勢.此外，其他機器學(xué)習(xí)方法在顱內(nèi)出血分割中也有一定的應(yīng)用，Muschelli 等人[5]提出一種使用隨機森林算法的全自動顱內(nèi)出血分割方法，通過建立隨機森林模型來估計顱內(nèi)出血的區(qū)域概率，可以較為準(zhǔn)確的對顱內(nèi)出血區(qū)域進行分割.

現(xiàn)階段，深度學(xué)習(xí)方法在顱內(nèi)出血分割中已經(jīng)占據(jù)主導(dǎo)地位，通常醫(yī)學(xué)圖像分割的網(wǎng)絡(luò)架構(gòu)都基于全卷積網(wǎng)絡(luò)(FCN)[6]或U型全卷積網(wǎng)絡(luò)(U-Net)[7]進行改進設(shè)計.Chen等人[8]受殘差網(wǎng)絡(luò)ResNet的啟發(fā)，在U-Net[7]的編碼器部分，采用殘差網(wǎng)絡(luò)的連接形式進行改進，以用于顱內(nèi)組織分割.與之類似，Jégou 等人[9]提出密集連接的全卷積分割網(wǎng)絡(luò),在全卷積網(wǎng)絡(luò)的基礎(chǔ)上引入密集連接的思想，在病灶分割上取得具有競爭力的表現(xiàn).Kuo 等人[10]提出基于區(qū)域化全卷積網(wǎng)絡(luò)(PatchFCN)的顱內(nèi)出血分割方法，使模型能夠準(zhǔn)確定位出血區(qū)域，在較少的數(shù)據(jù)量中取得優(yōu)于標(biāo)準(zhǔn)FCN的出色競爭性能.Bi等人[11]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和全卷積網(wǎng)絡(luò)級聯(lián)的方法，提高出血病灶分割上的準(zhǔn)確率.Cho[12]采用兩個卷積神經(jīng)網(wǎng)絡(luò)和雙重全卷積網(wǎng)絡(luò)(FCN)構(gòu)建的級聯(lián)深度學(xué)習(xí)模型以識別出血.

與上述方法不同，本文受Oktay[13]以及Roy[14]等人在實驗中利用注意力機制的影響，采用融合密集連接網(wǎng)絡(luò)與注意機制的方式進行腦部圖像中的出血病灶的分割.

3 融合密集連接與注意機制的顱內(nèi)出血分割

本節(jié)描述本文所提方法的總體框架，對密集連接網(wǎng)絡(luò)與注意力機制進行主要介紹.

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

通常，腦部CT圖像中顱內(nèi)出血的病灶區(qū)域不夠明確，且存在顱骨等高密度無關(guān)組織[15]，對顱內(nèi)出血病灶分割造成不小的影響.本文以全卷積網(wǎng)絡(luò)融合密集連接塊與注意力機制的方式對顱內(nèi)出血病灶的特征進行精細(xì)的提取.網(wǎng)絡(luò)模型由全卷積密集網(wǎng)絡(luò)以及該網(wǎng)絡(luò)中編碼器、解碼器兩者連接間的注意力機制模塊組成.本文在顱內(nèi)出血分割網(wǎng)絡(luò)中編碼器部分融合了密集連接塊，在編解碼與解碼器中，引入通道和空間注意力機制模塊.其中，網(wǎng)絡(luò)編碼器中密集連接塊用于獲取顱內(nèi)出血病灶特征，并將編碼器中提取的每一層特征輸入到注意力機制中，在注意力機制中，將分別在通道注意力和空間注意力上進行特征加權(quán)，從而獲得顱內(nèi)出血病灶最詳盡的特征以及特征利用，以提高顱內(nèi)出血分割的準(zhǔn)確率.最后，將特征由解碼器映射到標(biāo)簽概率以獲取分割結(jié)果.本文方法的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 顱內(nèi)出血分割網(wǎng)絡(luò)示意圖Fig.1 Schematic diagram of intracranial hemorrhage segmentation network

3.2 全卷積密集網(wǎng)絡(luò)

由于顱內(nèi)出血區(qū)域呈現(xiàn)為相對不明確的高密度區(qū)域，并且部分出血區(qū)域的密度與腦實質(zhì)密度相近，因此，出血區(qū)域特征提取較為關(guān)鍵.網(wǎng)絡(luò)層次加深雖然提高特征的提取能力，但特征圖的利用率較低，導(dǎo)致單純加深網(wǎng)絡(luò)層數(shù)達到的效果不顯著.而密集連接網(wǎng)絡(luò)中采用密集連接的方式能夠更好的提高特征圖的利用率.為此，本文最初考慮直接采用DenseNet[16]進行顱內(nèi)出血病灶的特征提取與分割，但DenseNet[16]是為分類任務(wù)而設(shè)計，并非本文要解決的分割任務(wù)，對于顱內(nèi)出血這種結(jié)構(gòu)相對不明確，內(nèi)部腦組織噪聲較多的情況，其分割效果不佳.然而，適用于分割任務(wù)的深層全卷積網(wǎng)絡(luò)(FCN)中采用的最大池化和上采樣操作，又導(dǎo)致低級特征信息丟失，尤其對于出血不明顯的區(qū)域，會導(dǎo)致分割的精度較差.

結(jié)合上述兩個考慮，本文設(shè)計一個全卷積密集連接網(wǎng)絡(luò)，結(jié)合了密集連接和類似U-Net[7]中跳躍連接的特點，為顱內(nèi)出血分割提取更加精細(xì)的特征.圖2為全卷積密集網(wǎng)絡(luò)的示意圖.在每一層的編碼內(nèi)部采用密集連接的形式以確保最大的特征利用，而編碼器部分與解碼器部分之間采用跳躍連接將低分辨率信息和高分辨率信息結(jié)合起來，有效解決出血病灶區(qū)域結(jié)構(gòu)不明確，不明顯的問題.

圖2 全卷積密集網(wǎng)絡(luò)示意圖Fig.2 Schematic diagram of fully convolution dense net

3.2.1 編碼器與解碼器

本文的全卷積密集網(wǎng)絡(luò)類似于U-Net[7]，同樣采用編碼器和解碼器的組成結(jié)構(gòu).它由池化層，密集連接塊，過渡層和上采樣層，共計167個卷積層組成.編碼器用于提取特征，解碼器用于恢復(fù)特征至原始輸入圖像的分辨率，并且采用跳躍連接的方式將編碼器和解碼器進行連接，以融合前面特征層所提取到的細(xì)節(jié)信息.

編碼器以除去全連接層的DenseNet-161為基礎(chǔ)網(wǎng)絡(luò)，圖2中所示，卷積層1—密集連接塊4構(gòu)成了編碼器部分，包含了3×3卷積的卷積層1步長為2，步長為2的3×3最大池化層，以及4個密集連接塊和3個過渡層.每個密集連接塊由若干1×1、3×3卷積組合構(gòu)成，密集連接塊1-4中分別包含了6、12、36、24個1×1、3×3卷積組合.3個過渡層均由批歸一化層(BN)、1×1卷積和2×2平均池化組成.密集連接塊中提取的特征圖在過渡層中通過卷積與合并來縮小特征圖大小.該編碼器中共計有160個卷積層，由于網(wǎng)絡(luò)深度越深，其特征提取能力越強，密集連接塊的引入不僅有效的提高顱內(nèi)出血特征的利用率，而且可以更加有效的進行梯度傳遞，以防止梯度消失.所以本文方法在融合了密集連接塊后，對顱內(nèi)出血區(qū)域有很強的特征提取能力.

解碼器由5個上采樣層以及1個卷積層組成.由圖2可知，解碼器中的1-3個上采樣層分別與分別與3-1密集連接塊相連接，上采樣層4與卷積層1相連.上采樣層為2×2的卷積，通過雙線性插值實現(xiàn)上采樣操作，解碼器通過5次上采樣使得分割結(jié)果最終能擁有更為精細(xì)的邊緣信息.卷積層2由一個1×1卷積構(gòu)成，用來恢復(fù)分辨率至原始圖像分辨率，同時卷積層2也降低了參數(shù)量.解碼器中采用sigmoid激活函數(shù)輸出概率范圍為(0,1)，獲得顱內(nèi)出血的概率.由于卷積神經(jīng)網(wǎng)絡(luò)的淺層特征得到的是局部語義信息，深層特征是全局語義信息.解碼器在上采樣層恢復(fù)分辨率的同時將兩者進行融合，提高分割精度.

3.2.2 密集連接

本文以DenseNet[16]為基礎(chǔ)網(wǎng)絡(luò)，該結(jié)構(gòu)由具有不同輸出尺寸的重復(fù)密集連接塊組成.作為核心所在，密集連接塊是構(gòu)建DenseNet[16]的基本.本文在特征提取的編碼器部分采用密集連接塊的思想.以4層卷積層的密集連接塊為例，其結(jié)構(gòu)如圖3所示，密集連接塊中包含4個卷積層.

圖3 密集連接示意圖Fig.3 Schematic diagram of dense connection

與一般卷積網(wǎng)絡(luò)中連接不同，在密集連接塊中，可將每個卷積層相連，使每個卷積層的輸出都可以作為后續(xù)卷積層的輸入，從任何卷積層到其所有后續(xù)卷積層都有直接連接，將不同層的特征圖實現(xiàn)連接合并，進行特征圖重用.層之間密集連接的優(yōu)點是，更加有效的進行特征的前向傳遞和梯度的后向傳播，最大限度的避免了學(xué)習(xí)冗余.此外，密集連接確保了層之間的最大信息流，改善了梯度，從而減輕了深層神經(jīng)網(wǎng)絡(luò)中的負(fù)擔(dān).

傳統(tǒng)意義上的卷積網(wǎng)絡(luò)，第L個卷積層的輸入僅是上一個卷積層的輸出，而在密集連接網(wǎng)絡(luò)中，若密集連接塊中共有L個卷積層，對于第L個層的輸出，它的輸入為前面所有特征圖的連接，輸出表達如下：

Xl=Hl([X0,X1,…,Xl-1])

(1)

式中，Xl為第L層的輸出特征圖，X0為起初圖像輸入，為組合函數(shù)既歸一化(BN)、修正線性單元(ReLU)和卷積操作.在本文中，如圖4中卷積層結(jié)構(gòu)所示，組合函數(shù)中包含了BN、ReLU、1×1卷積以及BN、ReLU、3×3卷積組合變換.表示將特征圖至進行連接合并.

本文將腦部CT切片圖像輸入融合了上述密集連接塊的編碼器中，以提取更為精細(xì)的顱內(nèi)出血病灶特征，用以分割.

3.3 注意力機制

顱內(nèi)出血分割專注于提取最精確的顱內(nèi)出血病灶特征區(qū)域，但在上述的全卷積密集網(wǎng)絡(luò)中，并非編碼器獲得的所有特征都對分割顱內(nèi)出血的病灶是有效的.此外，在特征圖中，不僅不同的通道具有不同的作用，而且每個通道中不同的空間位置也可以對分割的特征表示賦予不同的權(quán)重.受文獻[14]中將圖像特征區(qū)域在空間和通道上重新校準(zhǔn)，然后將它們賦予權(quán)重并融合以獲得最終的特征方法的啟發(fā).為此，我們在上述網(wǎng)絡(luò)編碼器和解碼器的連接中引入了一種融合空間和通道注意力的注意力機制模型，該模型將編碼器中各通道的特征y1,y2,…,yn進行連接，然后在通道和空間上對連接后的特征進行校準(zhǔn)獲得Yc、Ys，最后將它們?nèi)诤弦垣@得豐富的融合特征，最終將融合后的特征連接到解碼器進行解碼.本文采用這種捕獲豐富的上下文關(guān)系以實現(xiàn)更好特征表達的注意力機制，來充分的利用沿通道和空間方向最顯著的顱內(nèi)出血特征.注意力機制模型結(jié)構(gòu)如圖4所示.

在注意力機制模塊中，本文首先將來自每個通道輸出的各個顱內(nèi)出血特征進行連接，作為注意力機制模塊的輸入.計算公式如下：

Y=[y1,y2,…,yn]Yk∈RH×W

(2)

式中n是每個層中通道的數(shù)量.本文為了簡化描述，以通道數(shù)為32的輸出為例.

在通道注意力模塊中，如圖4所示，首先進行全局平均池化，以生成特征向量g∈R1×1×32.該特征向量表示的全局信息，其第k個特征向量表示為：

圖4 注意力機制模型Fig.4 Attention mechanism model

(3)

然后,利用兩個連接的卷積層對通道注意力中特征向量進行編碼，計算公式如下：

(4)

(5)

在空間注意力模塊中，空間注意力輸入可以表示為：

為了實證檢驗農(nóng)戶對保費補貼政策的認(rèn)知度與鄰里效應(yīng)對農(nóng)戶參保意愿的影響，在控制文化程度和收入水平等相關(guān)因素的情況下，采用計量模型，分別對農(nóng)戶種植業(yè)保險保費補貼政策的認(rèn)知度和鄰里是否參保的實驗數(shù)據(jù)進行了估計。同時，為了使回歸結(jié)果更加穩(wěn)健可信，采用逐步回歸法對模型進行極大似然估計，回歸結(jié)果如表3所示。表3中的模型(1)為農(nóng)戶對種植業(yè)保險的認(rèn)知度和鄰里是否參保對農(nóng)戶參保意愿影響的回歸結(jié)果。采用逐步回歸方法，模型(2)(3)(4)則進一步依次加入了農(nóng)戶對種植業(yè)保險在農(nóng)業(yè)生產(chǎn)中之重要性的評價、農(nóng)戶的文化程度、性別、年齡、家庭收入，以及農(nóng)戶對種植業(yè)發(fā)生自然災(zāi)害的預(yù)期等控制變量。

Y=[y1,1,y1,2,…，yi,j,…，yH,W]

(6)

其中，yi,j∈R1×1×32，i∈1,2，…，H，j∈1,2，…，W.

然后，本文對空間注意力的輸入進行1×1卷積運算，計算公式如下：

d=Ws*Y

(7)

其中，d∈RH×W，Ws為空間注意力權(quán)重，用于壓縮空間域，并生成映射向量，該向量表示空間位置上所有通道的線性組合.本文注意力機制模型將向量最終通過sigmoid 操作獲取空間注意力權(quán)重并計算空間注意力.計算公式如下：

Ys=[σ(d1,1)y1,1,…，σ(di,j)yi,j,…，σ(dH,W)yH,W]

(8)

式中，σ(di,j)表示空間信息的重要系數(shù).

獲得通道注意力與空間注意力特征之后，本文將兩者進行融合，融合的特征表示是通過將按通道注意力和空間注意力特征相加而獲得，融合公式如下：

Yf=Yc+Ys

(9)

本文通道和空間注意力機制可以直接適用于任何類型的特征表示問題，并且其促進顱內(nèi)出血分割網(wǎng)絡(luò)捕獲豐富的腦部CT上下文關(guān)系，進行顱內(nèi)出血特征區(qū)域校準(zhǔn).此外，該注意力機制對整個網(wǎng)絡(luò)的復(fù)雜度僅有很小的增加，在不影響其效率的同時，以獲得更精確的顱內(nèi)出血特征.

3.4 損失函數(shù)

Dice系數(shù)是用于預(yù)測分割區(qū)域與真實標(biāo)簽的重疊率最廣泛的度量標(biāo)準(zhǔn)，并且被廣泛用于評估分割性能.其損失函數(shù)為最小化預(yù)測值與真實標(biāo)簽之間的重疊率.但Dice損失函數(shù)同等地對待假陽性和假陰性，這會導(dǎo)致分割精度高但靈敏度很低.尤其對于高度不平衡的數(shù)據(jù)集，如顱內(nèi)出血中的小面積出血區(qū)域.假陰性的權(quán)重需要高于假陽性才能提高靈敏度.Tversky 相似性指數(shù)[17]能夠允許實現(xiàn)動態(tài)的平衡假陽性和假陰性的權(quán)重，其計算公式如下：

(10)

但由于小面積的出血病灶并未對損失造成重大影響，因此，對于小面積的出血區(qū)域很難進行分割.為解決此問題，針對顱內(nèi)出血的特點，本文采用Focal Tversky 損失函數(shù)(FTL)：

FTL=∑c(1-Tl)1/γ

(11)

其中，γ在[1,3]范圍內(nèi)變化，本文經(jīng)過比對，選定α=0.7，β=0.3，γ=4/3.實際上，如果Tversky相似性指數(shù)較高時，像素類型預(yù)測錯誤，則不會影響FTL.但是，如果Tversky相似性指數(shù)較小時而像素類型預(yù)測錯誤，則FTL將顯著下降.因此，本文使用Focal Tversky 損失函數(shù)訓(xùn)練網(wǎng)絡(luò)以幫助分割小面積的顱內(nèi)出血區(qū)域.

4 實 驗

4.1 數(shù)據(jù)集

本文實驗采用了Qure25k[18]、CQ500[19]腦部CT圖像數(shù)據(jù)集.Qure25k中收集了2494個各類型顱內(nèi)出血CT掃描圖像.CQ500中包含437個顱內(nèi)出血CT掃描圖像.本文對Qure25k數(shù)據(jù)集中顱內(nèi)出血頭部CT掃描圖像進行標(biāo)注，并隨機選擇其中80%用于訓(xùn)練本文方法，其余20%用于測試.

4.2 實驗細(xì)節(jié)

本文通過Focal Tversky損失函數(shù)訓(xùn)練顱內(nèi)出血分割網(wǎng)絡(luò)，并使用Adam優(yōu)化器進行了網(wǎng)絡(luò)模型優(yōu)化，設(shè)置初始學(xué)習(xí)率為0.001.學(xué)習(xí)率衰減系數(shù)為0.5. 本文實驗的硬件環(huán)境為Intel i7-8700k cpu，雙GTX 1080ti gpu，64GB內(nèi)存.訓(xùn)練時長大約需要21個小時.本文實驗中所有圖像尺寸進入網(wǎng)絡(luò)前均調(diào)整為256×256.

本文使用Dice相似性系數(shù)、Hausdorff距離(HD) 、精確度(precision)和靈敏度(Sensitivity)作為顱內(nèi)出血分割任務(wù)的評價指標(biāo).

Dice相似性系數(shù)表達式如下：

(12)

精確度(precision)、靈敏度(Sensitivity)表達式如下:

(13)

(14)

上述式中,TP定義為正確分割為顱內(nèi)出血的區(qū)域(真陽性)，F(xiàn)P定義為將非顱內(nèi)出血區(qū)域錯誤分割成顱內(nèi)出血區(qū)域(假陽性)，F(xiàn)N定義為錯誤漏分割顱內(nèi)出血區(qū)域(假陰性).

Hausdorff距離(HD)表示顱內(nèi)出血標(biāo)簽和分割結(jié)果兩者表面點之間的最大歐式距離.其指標(biāo)越小,分割精度越高.Hausdorff距離公式如下:

(15)

式中，顱內(nèi)出血區(qū)域標(biāo)簽點為A,顱內(nèi)出血分割結(jié)果區(qū)域表面的點為B,d(a,b)為兩點之間的歐氏距離.

4.3 實驗結(jié)果

為了驗證本文方法對于顱內(nèi)出血病灶的分割的綜合性能，將其在本文數(shù)據(jù)集中進行顱內(nèi)出血分割的實驗，結(jié)果表明：本文方法能高精度的對顱內(nèi)出血病灶進行分割.并經(jīng)過對多種比對實驗結(jié)果的分析，論證了本文方法的優(yōu)越性.

本文采用Focal Tversky損失函數(shù)進行網(wǎng)絡(luò)訓(xùn)練，在Qure25k[18]數(shù)據(jù)集上，與采用Dice損失函數(shù)訓(xùn)練的網(wǎng)絡(luò)進行對比實驗，實驗結(jié)果如表1所示，可見，在參數(shù)選定為最佳時，本文采用Focal Tversky損失函數(shù)訓(xùn)練網(wǎng)絡(luò)的性能在Dice相似性系數(shù)、精確度(precision)和靈敏度(Sensitivity)上明顯優(yōu)于Dice損失函數(shù)，使本文方法的靈敏度提高較大.

表1 損失函數(shù)對比結(jié)果Table 1 Comparison of loss functions

本文注意力機制中融合空間和通道注意力，為驗證該注意力機制對于顱內(nèi)出血病灶的效果，將其與文獻[13]中采用的新型注意門(AG)模型注意力機制在Qure25k[18]數(shù)據(jù)集上進行對比實驗，實驗結(jié)果如表2所示，結(jié)果表明，本文所引入的空間和通道注意力機制的性能相較于文獻[13]中注意門(AG)有一定的優(yōu)勢，更適用于顱內(nèi)出血的特點.

表2 注意力機制對比結(jié)果Table 2 Comparison results of attention mechanism

為了進一步分析本文方法的性能，將本文方法在CQ500[19]數(shù)據(jù)集上與醫(yī)學(xué)圖像分割基準(zhǔn)網(wǎng)絡(luò)U-Net[7]、本文不含有注意力機制的全卷積密集網(wǎng)絡(luò)進行對比實驗，進一步分析本文方法的分割性能，實驗結(jié)果如圖5所示，圖5(a)可見全卷積密集網(wǎng)絡(luò)的顱內(nèi)出血分割性能相較于U-Net[7]，精確度上有一定的優(yōu)勢，可見本文融合了密集連接網(wǎng)絡(luò)后，可以有效的提高顱內(nèi)出血分割性能，但其存在一定的局限，難以應(yīng)對不平衡的數(shù)據(jù)集，導(dǎo)致其在部分評價指標(biāo)上優(yōu)勢不顯著.本文方法在融合了注意力模塊后，與U-Net[7]以及全卷積密集網(wǎng)絡(luò)相比，在精確度以及靈敏度兩個指標(biāo)上，相比于不含有注意力機制的全卷積密集網(wǎng)絡(luò)分別提高了2.55%、1.87%.相似系數(shù)提高了3.15%.對比U-Net[7]，在精確度以及靈敏度上的優(yōu)勢更為顯著.另外，圖5(b)表明本文方法的Hausdorff距離也為其中最小.

圖5 CQ500數(shù)據(jù)集上實驗結(jié)果對比Fig.5 Comparison of experimental results on the CQ500 data set

綜上所述，實驗結(jié)果表明：1)本文方法在相似性系數(shù)、精確度、靈敏度3個評價指標(biāo)上較這兩種深度學(xué)習(xí)分割方法均具有明顯的優(yōu)勢;2)其分割的距離系數(shù)HD為3個方法中最低最優(yōu)，表明本文方法對顱內(nèi)出血分割誤差值最小.

此外，將本文方法與近幾年顱內(nèi)出血分割方法：模糊c均值聚類算法(FCM)結(jié)合區(qū)域生長算法(region growing)[4]、隨機森林(random forests)[5]以及深度學(xué)習(xí)方法(PatchFCN[10]、Cascaded FCN[12])進行對比，對比結(jié)果如表3所列，實驗結(jié)果論證了本文方法在上述精確度、靈敏度以及相似系數(shù)3個評價指標(biāo)上都取得了優(yōu)越的分割性能.相比于其中精確度最優(yōu)算法Cascaded FCN，本文方法精確度提高了4.15%,靈敏度提高了5.39%.

表3 本文方法與其他方法對比結(jié)果Table 3 Comparison results of this method with other methods

通過上述對比實驗結(jié)果分析，本文方法充分考慮了顱內(nèi)出血病灶的特點，能夠達到準(zhǔn)確的分割顱內(nèi)出血病灶的效果，顯著的提高了顱內(nèi)出血分割的性能，且實驗中對單一顱內(nèi)出血CT切片圖像分割平均僅需0.64s，整體上達到了精確，快速分割的臨床需求.

圖6為本文方法在CQ500數(shù)據(jù)集上的分割結(jié)果，可以看出，腦部CT圖像中出血區(qū)域部分呈現(xiàn)出相對不明確，不明顯的特點，本文方法對于此類顱內(nèi)出血情況，能夠較為全面的提取出血區(qū)域，達到精確的病灶分割效果.

圖6 顱內(nèi)出血分割實驗結(jié)果圖Fig.6 Results of intracranialhemorrhage segmentationexperiment圖7 小面積出血區(qū)域分割實驗結(jié)果圖Fig.7 Results of segmen-tation experiment of small area

對于小面積的出血病灶，本文做了針對性的設(shè)計，實驗結(jié)果如圖7所示，可見，本文方法對小面積的顱內(nèi)出血病灶依舊保持了較高的分割精度，切實有效的解決了小面積出血病灶難以分割的問題，整體上提高了本法方法對于顱內(nèi)出血分割的性能.

5 結(jié) 論

本文提出了融合密集連接與注意機制的顱內(nèi)出血分割新方法，在公開的顱內(nèi)出血數(shù)據(jù)集上進行病灶分割實驗.在損失函數(shù)以及注意力機制的對比實驗中，本文所提出的注意力機制以及損失函數(shù)均對顱內(nèi)出血分割性能的提升起到較有成效的作用.與其他顱內(nèi)出血分割方法對比實驗結(jié)果表明，本文方法在精確度、靈敏度、相似系數(shù)和Hausdorff距離系數(shù)4個評價指標(biāo)上都優(yōu)于現(xiàn)有顱內(nèi)出血分割算法，且與基礎(chǔ)分割網(wǎng)絡(luò)的對比實驗中也取得了具有優(yōu)勢的結(jié)果.但仍有一些問題需要完善，如由于數(shù)據(jù)集數(shù)量以及種類限制，對于及其細(xì)微的出血點以及區(qū)域更為模糊的彌漫性出血，本文分割方法還不夠敏感，存在一定的誤差，這是后續(xù)研究的主要重點.