結(jié)合空洞卷積的多尺度腦腫瘤分割算法

顏丙寶，曹秒，李夢媛

（長春理工大學(xué) 生命科學(xué)技術(shù)學(xué)院，長春 130022）

腦膠質(zhì)瘤是腦組織中異常生長的細(xì)胞［1］，被認(rèn)為是最常見的原發(fā)性惡性腦腫瘤。2016年，全球共確診神經(jīng)系統(tǒng)腫瘤約33萬例，死亡22.7萬例［2］。核磁共振成像（MRI）對軟組織具有高成像分辨率的優(yōu)點(diǎn)，可以更清晰地顯示腦腫瘤的細(xì)節(jié)特征，已經(jīng)成為腦腫瘤檢測的標(biāo)準(zhǔn)方法［3］。

目前，臨床上主要依靠專家對腦腫瘤的手動分割，這會耗費(fèi)大量時間，并且對醫(yī)生的專業(yè)經(jīng)驗要求較高［4］，所以腦腫瘤的自動分割方法成為必然趨勢。Pereira等人［5］使用3×3卷積核和塊訓(xùn)練的方法進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，用于腦腫瘤的分割，實驗證明在相同感受野的情況下，小卷積核可以減少網(wǎng)絡(luò)的參數(shù)。Havaei M［6］同時使用局部信息和全局信息進(jìn)行深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。U-Net［7］網(wǎng)絡(luò)的編解碼結(jié)構(gòu)提高了全卷積神經(jīng)網(wǎng)絡(luò)對生物醫(yī)學(xué)圖像分割的準(zhǔn)確率。劉璐［8］通過數(shù)據(jù)增強(qiáng)方法提高模型的泛化能力。

本文提出了一種結(jié)合空洞卷積的多尺度特征提取的腦腫瘤圖像自動分割算法（Automatic Segmentation of Brain Tumor Image Based on Multiscale Feature Extraction Combined with Dilate Con‐volution，MD-unet），采用端到端的訓(xùn)練方法，解決了塊訓(xùn)練方式忽略圖像空間信息的問題，并選擇T1ce、T2和flair三種模態(tài)進(jìn)行訓(xùn)練。MD-unet網(wǎng)絡(luò)對完整腫瘤的DSC系數(shù)為0.86，優(yōu)于U-Net方法。

1 多尺度特征提取模塊

全卷積神經(jīng)網(wǎng)絡(luò)［9］主要包含卷積層、激活函數(shù)、池化層、連接層和反卷積層。通過卷積層提取特征；激活函數(shù)的作用是引入非線性因素；池化層通過降低特征圖的尺寸來增大感受野，提高單個像素包含的信息；反卷積層用來恢復(fù)特征圖的分辨率；連接層可以將下采樣過程獲得信息傳遞到上采樣過程，提高淺層信息的利用率。

1.1 空洞卷積

池化操作是2×2卷積核，步長為2的卷積過程，該過程可以通過降低分辨率的方法獲得較大的感受野。而空洞卷積可以通過調(diào)整膨脹率（r）的值來控制感受野的大小，不改變特征圖的分辨率?？斩淳矸e的計算如下：

式中，yi是空洞卷積輸出；r為空洞卷積的膨脹率；k代表的是卷積的權(quán)重。當(dāng)r=1時，感受野為3×3，是標(biāo)準(zhǔn)卷積；當(dāng)r=2時，感受野達(dá)到了5×5；當(dāng)r=3時，該卷積核的感受野達(dá)到了7×7。

1.2 多尺度特征提取模塊

通過1.1節(jié)可知，空洞卷積的感受野隨著r的增長呈指數(shù)增加，如果使用空洞卷積進(jìn)行特征提取，相同數(shù)量的參數(shù)可以獲得更大的感受野。本文設(shè)計了如圖1所示的多尺度特征提取模塊。卷積后的特征圖經(jīng)過三次不同感受野的空洞卷積（空洞卷積的膨脹率分別為1，3，5），將每次空洞卷積獲得特征圖堆疊在一個列表中，然后通過一次卷積操作進(jìn)行特征融合。MD模塊在設(shè)計上充分利用了每次空洞卷積的結(jié)果，又達(dá)到了多尺度提取特征的要求。

圖1 多尺度特征提取模塊

2 多尺度特征提取的全卷積神經(jīng)網(wǎng)絡(luò)

圖2所示的是MD-unet，左側(cè)是下采樣過程，每個特征提取層包含兩個3×3標(biāo)準(zhǔn)卷積和一個MD模塊，右側(cè)表示的是上采樣過程。卷積操作1_2表示的是網(wǎng)絡(luò)中第一層的第二次3×3卷積核進(jìn)行特征提取的過程，其中64代表的是該操作的卷積核的數(shù)量；MD模塊用于提取不同感受野的特征；通過池化操作后，特征圖的分辨率會降低一半，通道數(shù)增加一倍；上采樣過程采用雙線性插值的方法來恢復(fù)圖像的分辨率，由于池化操作會丟失圖像的一些像素點(diǎn)，所以在上采樣后，通過copy and crop層與下采樣過程中相對應(yīng)的特征圖進(jìn)行拼接，然后經(jīng)過3×3卷積操作進(jìn)行特征融合，提高了淺層特征的利用率；最終經(jīng)過一個1×1的卷積層輸出，分類函數(shù)采用的是softmax函數(shù)。MD-unet采用非線性修正函數(shù)（ReLU）作為激活函數(shù)，并且對每次卷積結(jié)果進(jìn)行歸一化操作，解決了梯度消失的問題。

圖2 多尺度特征提取的全卷積神經(jīng)網(wǎng)絡(luò)

在網(wǎng)絡(luò)的訓(xùn)練過程中，真值標(biāo)簽大部分為背景區(qū)域，容易引起類別不平衡問題。本文首先對labels進(jìn)行邊緣提取，將邊緣作為系數(shù)與交叉熵?fù)p失函數(shù)相乘，得到新的損失函數(shù)L，提高損失函數(shù)中腫瘤區(qū)域的權(quán)重，有利于收斂。

式中，li代表的是真值標(biāo)簽；EG(x,y)代表真值標(biāo)簽的邊緣特征；L(x,y)代表交叉熵?fù)p失函數(shù)。通過提高邊緣權(quán)重可以有效解決類別不平衡的問題。

3 MD-unet腦腫瘤分割及結(jié)果評價

本文使用的深度學(xué)習(xí)框架為google開發(fā)的tensorflow框架。使用Adam optimizer優(yōu)化器對網(wǎng)絡(luò)進(jìn)行優(yōu)化。網(wǎng)絡(luò)參數(shù)設(shè)置如表1所示，學(xué)習(xí)率設(shè)置為0.000 1，訓(xùn)練和測試的最小批為14，訓(xùn)練次數(shù)為80。

表1 網(wǎng)絡(luò)參數(shù)設(shè)置

3.1 MD-unet腦腫瘤分割流程

如圖3所示為本文工作的流程圖。首先對數(shù)據(jù)進(jìn)行預(yù)處理操作，該過程包括偏場矯正和數(shù)據(jù)歸一化操作，預(yù)處理過程采用python第三方庫相應(yīng)的函數(shù)進(jìn)行，然后對其進(jìn)行數(shù)據(jù)增強(qiáng)操作，最后進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和驗證。

圖3 本文工作流程圖

3.2 腦腫瘤數(shù)據(jù)庫

MD-unet網(wǎng)絡(luò)在BraTS’17數(shù)據(jù)集進(jìn)行了有效性驗證。該數(shù)據(jù)集是由醫(yī)學(xué)圖像計算和計算機(jī)輔助干預(yù)會議舉辦的多模態(tài)腦腫瘤分割挑戰(zhàn)賽提供，共包含285個腦腫瘤患者的病例，其中高級別膠質(zhì)瘤（HGG）210例，低級別膠質(zhì)瘤（LGG）75例。專家手工分割真值標(biāo)簽包含3種labels：1代表壞死區(qū)和非增強(qiáng)區(qū)，2代表的是水腫區(qū)，4代表的是增強(qiáng)區(qū)，0代表的是背景區(qū)域。

實驗將數(shù)據(jù)集分為訓(xùn)練集和測試集。訓(xùn)練集用作網(wǎng)絡(luò)的訓(xùn)練，包含160幅HGG和55幅LGG。測試集用作網(wǎng)絡(luò)分割能力的評估。

3.3 MD-unet分割結(jié)果及評價

本文采用的評價指標(biāo)是Dice相似性系數(shù)（Dice Similarity Cofficient，DSC）。DSC通過計算分割結(jié)果與真值標(biāo)簽之間的重合度來反映分割結(jié)果與真值標(biāo)簽的相似程度，DSC的取值范圍是[0,1]，取值越接近1，代表分割結(jié)果越準(zhǔn)確，定義如下：

其中，TP、FP、FN代表預(yù)測結(jié)果中的真陽性、假陽性、假陰性。

表2是兩種方法對腦腫瘤不同區(qū)域的分割結(jié)果的DSC數(shù)值，第一行代表的是U-Net網(wǎng)絡(luò)的分割結(jié)果，第二行是本文算法分割的結(jié)果。從表2可以看出，MD-unet網(wǎng)絡(luò)在完整腫瘤、核心區(qū)、增強(qiáng)區(qū)DSC系數(shù)比U-Net網(wǎng)絡(luò)分別高3%、12%、10%。由于核心區(qū)與增強(qiáng)區(qū)的灰度值與周圍組織相近，所以導(dǎo)致分割精度較低，但是相對于U-Net網(wǎng)絡(luò)，MD-unet模塊表現(xiàn)出較好的特征提取能力。

表2 MD-unet和U-net網(wǎng)絡(luò)對不同區(qū)域的分割結(jié)果的平均DSC系數(shù)

圖4是MD-unet網(wǎng)絡(luò)對LGG的分割結(jié)果，圖中a代表的是Flair模態(tài)，b為T1ce模態(tài)，c代表的是T2模態(tài)，d為專家手工分割的真值標(biāo)簽，e是本文算法的預(yù)測結(jié)果。從圖4可以看出，MD-unet可以完整地分割出腫瘤區(qū)域并保留了細(xì)節(jié)特征。從e和a看到腫瘤區(qū)域的右下角是有一個彎鉤狀的區(qū)域，雖然在真值標(biāo)簽中沒有體現(xiàn)，但是本文算法也準(zhǔn)確地分割出來。

圖4 本文算法對LGG的分割

圖5為本文算法對HGG的分割，HGG的邊界比較模糊，伴隨有水腫區(qū)域，對周圍組織的浸潤比較嚴(yán)重等因素的存在導(dǎo)致HGG的分割一直是一個難題。但是本文算法可以清晰完整地分割出HGG的邊界，并且對腫瘤的一些較小區(qū)域也進(jìn)行了準(zhǔn)確的識別。

圖5 本文算法對HGG的分割

4 結(jié)論

本文提出了一種結(jié)合空洞卷積的多尺度特征提取的腦腫瘤自動分割方法。其編解碼結(jié)構(gòu)和連接層的使用，可以充分的利用淺層信息。通過多尺度特征提取模塊實現(xiàn)了多感受野的特征提取，輸出結(jié)果不僅包含全局信息，也包含了3×3感受野的局部特征。通過在BraTS’17數(shù)據(jù)庫的驗證，MD-unet網(wǎng)絡(luò)在三種不同位置的分割結(jié)果均優(yōu)于U-Net網(wǎng)絡(luò)。