基于3D全卷積網(wǎng)絡(luò)的腹部動(dòng)脈CTA分割算法

紀(jì)玲玉,高永彬,趙呈陸,湯先華,徐凱成,徐嘉誠(chéng)

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620)

胃癌是我國(guó)最常見(jiàn)的腫瘤之一。我國(guó)的胃癌發(fā)病率及死亡率僅次于肝癌。進(jìn)展期胃癌常伴有區(qū)域淋巴結(jié)受累，并且陽(yáng)性淋巴結(jié)數(shù)目影響患者的生存率，因此手術(shù)后對(duì)淋巴結(jié)的清掃已成為治療的重要環(huán)節(jié)[1]。然而，胃癌進(jìn)展期的淋巴結(jié)大多附著在動(dòng)脈血管周?chē)中g(shù)前需要判斷淋巴結(jié)和血管是否有浸潤(rùn)、神經(jīng)受侵的情況。當(dāng)患者淋巴結(jié)腫大融合成塊，并且包裹在腹部動(dòng)脈血管周?chē)鷷r(shí)，如果仍采用手術(shù)治療，患者將面臨較大的風(fēng)險(xiǎn)，甚至有生命危險(xiǎn)，因此對(duì)動(dòng)脈血管進(jìn)行精準(zhǔn)分割就顯得尤為重要。目前針對(duì)胃癌淋巴結(jié)周?chē)鷦?dòng)脈血管的研究甚少，主要是因?yàn)楦共縿?dòng)脈血管分支繁多，紋理信息弱，組織間粘連情況復(fù)雜。少數(shù)研究采用的是傳統(tǒng)方法，例如基于邊緣的分割方法、基于區(qū)域的分割方法、基于水平集的分割方法等[2-3]。然而，傳統(tǒng)的分割方法耗時(shí)耗力且分割精度低。近年來(lái)，深度學(xué)習(xí)的方法逐漸被應(yīng)用到醫(yī)學(xué)圖像分割中，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)在圖像分割和檢測(cè)中獲得了較好的應(yīng)用效果。與傳統(tǒng)方法不同的是，深度學(xué)習(xí)可以從大量的訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)目標(biāo)的外觀模型及內(nèi)部特征，并用學(xué)習(xí)到的特征進(jìn)行預(yù)測(cè)[4]。為了提高動(dòng)脈血管分割精度，本文采用卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行腹部動(dòng)脈血管的分割。

1 相關(guān)工作

圖像分割是圖像分析和處理的關(guān)鍵一步，是計(jì)算機(jī)視覺(jué)的基礎(chǔ)。所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個(gè)互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。目前圖像分割方法大多是傳統(tǒng)分割方法和深度學(xué)習(xí)的方法。傳統(tǒng)方法的分割主要是基于水平集方法以及基于模型和統(tǒng)計(jì)學(xué)的方法：文獻(xiàn)[5]利用水平集的方法對(duì)MR圖像的大腸癌進(jìn)行分割；文獻(xiàn)[6]利用水平集方法對(duì)醫(yī)學(xué)圖像進(jìn)行分割和測(cè)量；文獻(xiàn)[7]利用主動(dòng)輪廓模型和卡爾曼濾波器進(jìn)行血管分割和跟蹤。這些方法的缺點(diǎn)是需要先驗(yàn)知識(shí)進(jìn)行輪廓的初始化才能達(dá)到分割效果，分割精度較低。

近年來(lái)，伴隨著卷積神經(jīng)網(wǎng)絡(luò)在語(yǔ)義分割方面的應(yīng)用，各種變體網(wǎng)絡(luò)被逐漸應(yīng)用到醫(yī)學(xué)圖像分割領(lǐng)域。CNN是神經(jīng)網(wǎng)絡(luò)的一個(gè)分支，由許多層組成，每一層執(zhí)行特定的操作，例如卷積、池化、損失計(jì)算等。通過(guò)改變網(wǎng)絡(luò)深度和卷積層數(shù)，相繼出現(xiàn)了AlexNet[8]、VGGNet[9]、GoogleNet[10]和ResNet[11]等網(wǎng)絡(luò)。與普通圖像相比，醫(yī)學(xué)圖像的結(jié)構(gòu)更加復(fù)雜，分割目標(biāo)也更小，導(dǎo)致上述早期網(wǎng)絡(luò)不能實(shí)現(xiàn)較好的分割效果。文獻(xiàn)[12]提出了全卷積網(wǎng)絡(luò)(Fully Convolutional Network，F(xiàn)CN)。FCN舍棄了全連接層(Full Connection Layer，F(xiàn)C)，全部用卷積層構(gòu)建網(wǎng)絡(luò)，通過(guò)使用轉(zhuǎn)置卷積以及不同層次特征融合的策略，使得網(wǎng)絡(luò)輸出為輸入圖像的預(yù)測(cè)掩碼，大幅度提高了效率和精度。文獻(xiàn)[13]在FCN網(wǎng)絡(luò)的基礎(chǔ)上加入了跳躍連接(U-Net)，將下采樣和上采樣相連接，有效縮小編碼器和解碼器的特征圖之間可能存在語(yǔ)義差距。U-Net網(wǎng)絡(luò)是首次成功應(yīng)用在醫(yī)學(xué)圖像分割的卷積神經(jīng)網(wǎng)絡(luò)，之后的醫(yī)學(xué)圖像分割網(wǎng)絡(luò)都是在U-Net的基礎(chǔ)上進(jìn)行不同形式的改進(jìn)。H-DenseUNet網(wǎng)絡(luò)[14]利用殘差網(wǎng)絡(luò)(Residual Network，ResNet)[15]的思想進(jìn)行CT圖像上肝臟腫瘤的分割，有效利用了空間信息，減少了計(jì)算成本。Y-Net網(wǎng)絡(luò)[16]與U-Net網(wǎng)絡(luò)不同，其多了一個(gè)編碼器，并且一個(gè)編碼器采用了預(yù)訓(xùn)練好的VGG19權(quán)值。文獻(xiàn)[17]在U-Net的基礎(chǔ)上加入了注意力模塊和空洞金字塔池來(lái)提升腺體細(xì)胞圖像分割精度。由于普通的二維卷積不能有效地利用圖像的時(shí)序信息，因此研究人員在二維卷積網(wǎng)絡(luò)中引入了遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks，RNN)的改進(jìn)版-長(zhǎng)短時(shí)間記憶(Long Short-Term Memory，LSTM)。LSTM主要處理圖像序列中時(shí)序信息，通過(guò)引入自環(huán)(Self-Loops)使得梯度流能夠長(zhǎng)期保存。文獻(xiàn)[18]將FCN和RNN相結(jié)合應(yīng)用于醫(yī)學(xué)圖像分割，將空間信息和時(shí)間信息結(jié)合到分割任務(wù)中。

盡管改進(jìn)版的二維U-Net有良好的分割性能，但大多數(shù)醫(yī)學(xué)成像方式是計(jì)算機(jī)斷層掃描(Computed Tomography，CT)或磁共振成像(Magnetic Resonance Imaging，MRI)，它們通常是3D體積形式。利用二維卷積很可能丟失三維空間信息，因此許多改進(jìn)的3D FCN網(wǎng)絡(luò)被應(yīng)用于三維醫(yī)學(xué)圖像分割。文獻(xiàn)[19]使用3DUNet進(jìn)行冠狀動(dòng)脈血管分割。3DUNet是UNet的一個(gè)簡(jiǎn)單擴(kuò)展，被應(yīng)用于三維圖像分割。相比于UNet，3DUNet僅用了3次下采樣操作，在每個(gè)卷積層后使用了批量歸一化。文獻(xiàn)[20]提出將VNet網(wǎng)絡(luò)用于MR圖像的前列腺分割。VNet與UNet類(lèi)似，不同之處是VNet網(wǎng)絡(luò)的每層卷積之間進(jìn)行了殘差連接，使網(wǎng)絡(luò)可以更好地收斂。Dense-VNet網(wǎng)絡(luò)[21]利用密集鏈接塊代替卷積層，緩解了梯度消失問(wèn)題，加強(qiáng)了特征傳播，鼓勵(lì)特征復(fù)用，減少了參數(shù)量。近期，分段級(jí)聯(lián)式網(wǎng)絡(luò)被許多人提出。文獻(xiàn)[22]提出了腹部多器官分割與器官注意網(wǎng)絡(luò)及統(tǒng)計(jì)融合的方法。該算法分為兩個(gè)階段，第1階段進(jìn)行網(wǎng)絡(luò)訓(xùn)練得到概率圖，將得到的概率圖作為第2階段網(wǎng)絡(luò)輸入的補(bǔ)充，并且加入了輔助監(jiān)督和反向連接，最后用多視圖模型EM算法融合。文獻(xiàn)[23]在3D FCN上使用多尺度金字塔和上下文思想進(jìn)行腹部多器官的分割。上下文的思想主要是把前一個(gè)3D UNet的輸出融合到下一個(gè)3D UNet的輸入中，然后進(jìn)行一次迭代。文獻(xiàn)[24]提出基于遷移學(xué)習(xí)的腹部多器官CT自動(dòng)分割的深度學(xué)習(xí)方法。該方法由3個(gè)階段組成：在第1階段根據(jù)概率地圖集估計(jì)器官的大致位置；在第2階段中，將已經(jīng)訓(xùn)練的3D UNet應(yīng)用于聚焦點(diǎn)；在第3階段中，采用后處理的方法清除碎片。文獻(xiàn)[25]利用級(jí)聯(lián)VNet分割腦腫瘤。任務(wù)分成兩個(gè)階段：第1階段主要是生成腫瘤掩碼，在生成掩碼之前加入形態(tài)濾波，去除邊緣噪聲；第2階段分成4分類(lèi)，主要目的是分割出腫瘤。將第1個(gè)網(wǎng)絡(luò)分割的掩碼以及原始訓(xùn)練集投入此網(wǎng)絡(luò)訓(xùn)練，得到腫瘤分割。文獻(xiàn)[26]提出兩階段胰腺分割方法。第1階段位粗分割階段，用3D UNet進(jìn)行了降采樣三維體。利用基于分割與定位之間的緊密關(guān)系，獲得粗尺度的分割掩碼后提取胰腺候選區(qū)域。然后，從估算的標(biāo)簽中提取覆蓋胰腺的候選區(qū)域；第2階段為精細(xì)分割，用另一個(gè)3D UNet在第1階段生成的候選區(qū)域上進(jìn)行訓(xùn)練。

盡管已有一系列的血管分割方法被提出，但是針對(duì)胃癌受累淋巴結(jié)周?chē)鷦?dòng)脈血管的分割方法較少，并且已有方法的分割效果欠佳。本文提出基于改進(jìn)3D FCN的腹部動(dòng)脈血管分割方法。該方法在網(wǎng)絡(luò)編碼路徑上構(gòu)造多尺度的輸入，形成不同層次的感受野，并對(duì)側(cè)輸入卷積后的圖像與下采樣卷積后的圖像進(jìn)行了融合，擴(kuò)寬解碼路徑的信息量。隨著網(wǎng)絡(luò)不斷的卷積和池化，高層語(yǔ)義信息越來(lái)越少，本文將密集擴(kuò)張卷積與通道注意模塊進(jìn)行融合應(yīng)用到三維網(wǎng)絡(luò)，更好地提取了高層特征信息。與傳統(tǒng)分割方法相比，使用三維卷積進(jìn)行胃癌受累淋巴結(jié)周?chē)鷦?dòng)脈血管的分割可以有效利用3D卷積分割的時(shí)序性，避免CT圖像幀與幀之間信息的丟失，提升了動(dòng)脈血管分割精度。

2 方法設(shè)計(jì)

實(shí)驗(yàn)的整體架構(gòu)流程圖如圖1所示，其中虛線C表示融合操作，SED表示密集擴(kuò)張卷積與通道注意力融合的模塊。網(wǎng)絡(luò)架構(gòu)包括：(1)基礎(chǔ)網(wǎng)絡(luò)3D FCN；(2)多尺度輸入的融合操作；(3)密集擴(kuò)張卷積和通道注意力的融合模塊。為了形成不同層次的感受野，獲取更多特征信息，本文采用平均池化對(duì)圖像進(jìn)行自然降采樣，在編碼路徑中構(gòu)造多尺度的輸入。為了更好地捕獲高層特征信息，本文在網(wǎng)絡(luò)中嵌入了SED。實(shí)驗(yàn)的整體訓(xùn)練過(guò)程為：將處理后的原始數(shù)據(jù)和標(biāo)注數(shù)據(jù)送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好權(quán)重的網(wǎng)絡(luò)模型。然后，將測(cè)試集送入訓(xùn)練好權(quán)重的網(wǎng)絡(luò)模型中進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果圖。

圖1 實(shí)驗(yàn)整體架構(gòu)圖Figure 1.Diagram of the overall experiment architecture

2.1 三維全卷積網(wǎng)絡(luò)

三維全卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，該網(wǎng)絡(luò)丟棄了傳統(tǒng)全卷積網(wǎng)絡(luò)的全連接層，并且采用了編碼器與解碼器的相連接的結(jié)構(gòu)模式。與3DUNet類(lèi)似，該網(wǎng)絡(luò)由收縮路徑和擴(kuò)展路徑組成。不同之處在于該網(wǎng)絡(luò)每層卷積之間加入了殘差連接，用以防止網(wǎng)絡(luò)過(guò)擬合。整個(gè)架構(gòu)通過(guò)4次下采樣和4次上采樣進(jìn)行網(wǎng)絡(luò)分割，其中下采樣操作逐漸減少圖像的空間維度，而上采樣操作逐步修復(fù)物體的細(xì)節(jié)和空間維度。網(wǎng)絡(luò)中每層包含1～3個(gè)卷積，每個(gè)卷積核的大小為5×5×5，步長(zhǎng)為1。下采樣和上采樣部分采用卷積核大小2×2×2和步長(zhǎng)為2的卷積操作。為了解決網(wǎng)絡(luò)層數(shù)過(guò)多導(dǎo)致網(wǎng)絡(luò)泛化能力變差的問(wèn)題，本文在每個(gè)卷積層之前加入PReLU激活函數(shù)和批量歸一化層。網(wǎng)絡(luò)在編碼和解碼部分加入殘差來(lái)提高網(wǎng)絡(luò)的性能。本文在網(wǎng)絡(luò)中加入了激活函數(shù)，使得網(wǎng)絡(luò)具有非線性映射的學(xué)習(xí)能力。為了使輸出卷積大小與輸入相同，最后一個(gè)卷積層使用1×1×1大小的卷積核。最后，通過(guò)應(yīng)用Sigmoid激活函數(shù)將輸出轉(zhuǎn)換為前景和背景區(qū)域的概率值。本研究選用PReLU激活函數(shù)，其與ReLU函數(shù)相比具有更快的收斂速度，且能解決ReLU存在的神經(jīng)元“壞死”情況。PReLU激活函數(shù)定義為

(1)

圖2 三維全卷積網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)Figure 2. Basic structure of 3D full convolutional network

其中，x表示輸入，訓(xùn)練參數(shù)a學(xué)習(xí)控制x負(fù)數(shù)部分。

本文使用Dice loss系數(shù)作為損失函數(shù)。Dice函數(shù)能夠處理數(shù)據(jù)不均衡的問(wèn)題，尤其在醫(yī)學(xué)圖像分割中有良好的分割性能。函數(shù)表達(dá)式如下

(2)

式中，N表示體素的總數(shù)量；i表示第1個(gè)體素；p表示預(yù)測(cè)的結(jié)果；g表示金標(biāo)準(zhǔn)(Ground-Truth，GT)。

2.2 多尺度特征提取

CNN卷積核的大小反映了感受野的范圍，加大卷積核的同時(shí)也增加了學(xué)習(xí)參數(shù)的數(shù)目。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的池化層有助于縮小圖像的尺寸和增加特征圖像的步長(zhǎng)。然而，池化層會(huì)導(dǎo)致圖像細(xì)節(jié)丟失和小目標(biāo)的不完整分割，且容易產(chǎn)生分割斷裂的現(xiàn)象。為了解決這些問(wèn)題，文獻(xiàn)[27]提出擴(kuò)張卷積方法，在不增加附加參數(shù)的情況下擴(kuò)大感受野，從而保留了多尺度特征和細(xì)節(jié)信息。擴(kuò)張卷積是一種帶孔的卷積，它能夠通過(guò)控制擴(kuò)張率r來(lái)改變輸出特征映射的分辨率。對(duì)應(yīng)于輸出特征層上y的每個(gè)像素i，擴(kuò)張卷積的過(guò)程如下

(3)

其中，w是卷積核；k是卷積核大?。粁是卷積輸入；r膨脹率決定了輸入信號(hào)的采樣間隔，代表了在輸入特征層中引入了r-1個(gè)孔，通過(guò)調(diào)整r可以自適應(yīng)調(diào)整感受野大小。將卷積核大小為3×3×3的卷積層的膨脹率設(shè)置為1。隨著網(wǎng)絡(luò)模型分層深度的增加，圖像的細(xì)節(jié)信息會(huì)變得模糊。同時(shí)，網(wǎng)絡(luò)趨于復(fù)雜，會(huì)產(chǎn)生過(guò)擬合等問(wèn)題。為了簡(jiǎn)化網(wǎng)絡(luò)模型并保留多尺度目標(biāo)特征和細(xì)節(jié)信息，本文提出了一種基于擴(kuò)張卷積的網(wǎng)絡(luò)模型—密集擴(kuò)張卷積[28]，如圖3所示。該模塊類(lèi)似于Inception-ResNet[29]，利用帶有不同空洞率的多個(gè)卷積塊進(jìn)行級(jí)聯(lián)，卷積核的大小為3×3×3，空洞率分別為1、3、5。在每個(gè)分支的卷積塊后進(jìn)行了1×1×1的降低維度操作。該模塊能夠提取不同大小目標(biāo)的特征信息。

圖3 密集擴(kuò)張卷積塊Figure 3. Dense dilation convolution block

2.3 融入通道注意的多尺度特征提取

卷積神經(jīng)網(wǎng)絡(luò)建立在卷積運(yùn)算的基礎(chǔ)上，通過(guò)融合局部感受野內(nèi)的空間信息和通道信息來(lái)提取特征信息。為了提高網(wǎng)絡(luò)的分割性能，許多現(xiàn)有的工作已經(jīng)證實(shí)了強(qiáng)空間編碼的優(yōu)勢(shì)。充分利用通道之間的關(guān)系可提取更多高層語(yǔ)義特征。文獻(xiàn)[30]專(zhuān)注于通道信息，提出了一種新穎的網(wǎng)絡(luò)架構(gòu)單元“擠壓-提取”(Squeeze-and-Excitation，SE)，如圖4所示，其中FC1和FC2表示全連接層。該模塊通過(guò)建模通道之間的相互依賴(lài)關(guān)系，自適應(yīng)地重新校準(zhǔn)通道式的特征響應(yīng)。

圖4 通道注意力模塊Figure 4. Channel attention module

SE模塊由3部分組成。利用通道特征的相互依賴(lài)關(guān)系的操作如下：

(1)擠壓(Squeeze)操作。順著空間維度進(jìn)行特征壓縮，將每個(gè)二維的特征通道變成一個(gè)實(shí)數(shù)，這個(gè)實(shí)數(shù)某種程度上具有全局的感受野，并且輸出的維度和輸入的特征通道數(shù)相匹配。它表征著在特征通道上響應(yīng)的全局分布，且使得靠近輸入的層也可以獲得全局的感受野。通過(guò)全局平均池化生成通道統(tǒng)計(jì)Zc，計(jì)算式為

(4)

其中，H×W表示特征的空間維度；c表示通道數(shù)；

(2)提取(Excitation)操作。提取操作類(lèi)似于循環(huán)神經(jīng)網(wǎng)絡(luò)中門(mén)的機(jī)制，通過(guò)參數(shù)w來(lái)為每個(gè)特征通道生成權(quán)重。其中參數(shù)w被學(xué)習(xí)用來(lái)顯式地建模特征通道間的相關(guān)性，其計(jì)算式為

sc=σ(W2δ(W1Zc))

(5)

(3)校正權(quán)值操作。該操作將上一步操作輸出的權(quán)重看做經(jīng)過(guò)特征選擇后的每個(gè)特征通道的權(quán)重，然后通過(guò)乘法逐通道加權(quán)到先前的特征上，完成在通道維度上對(duì)原始特征的重標(biāo)定，表達(dá)式如下

Xc=Fscale(fc,sc)

(6)

式中，X=[x1,x2，…，xc]；Fscale(fc,sc)表示sc和fc之間的通道相乘；fc表示輸入的特征圖。

由于密集擴(kuò)張卷積中采用了大量通道來(lái)豐富語(yǔ)義特征的表達(dá)。受文獻(xiàn)[30]的影響，本文將密集擴(kuò)張卷積與通道注意力模塊進(jìn)行融合(簡(jiǎn)稱(chēng)SEC模塊)，如圖5所示。該操作可使密集擴(kuò)張卷積更好地利用通道之間的關(guān)系，提取更多高層特征信息。本文在密集擴(kuò)張卷積模塊的分類(lèi)層上添加了監(jiān)控信號(hào)，因此分類(lèi)層上特征的每個(gè)通道都可以看作是一個(gè)特定的類(lèi)響應(yīng)，對(duì)聚合的多尺度特征進(jìn)行特征重新校準(zhǔn)。

圖5 融入通道注意的多尺度特征提取模塊Figure 5. Multi-scale feature extraction module with channel attention

3 實(shí)驗(yàn)結(jié)果和分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)所使用的數(shù)據(jù)均來(lái)至于上海市長(zhǎng)征醫(yī)院。本文共使用50個(gè)實(shí)例數(shù)據(jù)，每個(gè)實(shí)例數(shù)據(jù)都包含了人體的整個(gè)腹部區(qū)域，且均為經(jīng)過(guò)血管造影劑進(jìn)行增強(qiáng)掃描后的圖像。實(shí)驗(yàn)采用門(mén)脈期的動(dòng)脈血管數(shù)據(jù)作為訓(xùn)練集和測(cè)試集，此期每個(gè)病人的CT包括40～50張切片。原始CT圖像的大小是512×512，由于運(yùn)行內(nèi)存限制，將原始數(shù)據(jù)處理成256×256大小。本文對(duì)CT數(shù)據(jù)進(jìn)行了預(yù)處理，將每個(gè)病人32張CT切片壓縮成一個(gè)mhd和raw格式文件。實(shí)驗(yàn)采用40個(gè)實(shí)例1 280張圖像作為訓(xùn)練集來(lái)訓(xùn)練網(wǎng)絡(luò)權(quán)重，采用10個(gè)實(shí)例320張圖像作為測(cè)試集來(lái)預(yù)測(cè)實(shí)驗(yàn)結(jié)果。本實(shí)驗(yàn)的金標(biāo)準(zhǔn)(GT)是由多個(gè)專(zhuān)家對(duì)CT原數(shù)據(jù)圖像進(jìn)行多次人工標(biāo)記得到的平均結(jié)果。圖6顯示了不同病人動(dòng)脈血管某一切片在CT圖像上的表現(xiàn)，左側(cè)數(shù)字(1)和(2)表示行號(hào)。圖6(a)～6(c)表示只出現(xiàn)主動(dòng)脈的切片；圖6(d)～6(f)表示出現(xiàn)主動(dòng)脈及其分支血管的切片，圖中箭頭指向血管。

圖6 不同病人CT動(dòng)脈血管圖像Figure 6. Arteries CT images of different patients

3.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)采用Python3編程語(yǔ)言，并采用Keras庫(kù)來(lái)實(shí)現(xiàn)模型。本文使用Ubuntu16.04系統(tǒng)和1個(gè)NVIDIA GPU(NVIDIA GTX1080Ti)作為訓(xùn)練和測(cè)試平臺(tái)，采用Adam算法來(lái)優(yōu)化網(wǎng)絡(luò)參數(shù)。訓(xùn)練中，將epoch設(shè)置為500，將batch_size設(shè)置為1，初始學(xué)習(xí)率為0.000 01。

3.3 實(shí)驗(yàn)評(píng)估

本文采用準(zhǔn)確率(Accuracy，ACC)、特異性(Specificity，SP)、靈敏度(Sensitivity，SE)、Dice相似系數(shù)[31](Dice Similarity Coefficient，DSC)作為評(píng)估指標(biāo)來(lái)評(píng)估腹部動(dòng)脈血管的分割性能。ACC表示正確分類(lèi)動(dòng)脈血管和非動(dòng)脈血管像素占整個(gè)圖像總像素的百分比。SP表示所有真正的非動(dòng)脈血管像素中正確分類(lèi)的非動(dòng)脈血管像素的百分比。Sen表示正確分類(lèi)動(dòng)脈血管像素占真實(shí)動(dòng)脈血管像素的百分比。上述指標(biāo)的計(jì)算式如下

(7)

(8)

(9)

(10)

其中，TP表示真陽(yáng)性；TN表示真陰性；FP表示假陽(yáng)性；FN表示假陰性；G表示金標(biāo)準(zhǔn)(GT)；P表示預(yù)測(cè)的分割結(jié)果。

表1顯示了不同算法的分割結(jié)果。從表中可以看出，針對(duì)腹部動(dòng)脈血管分割，本文所提方法在評(píng)估指標(biāo)ACC、SP、SE和DSC上分別達(dá)到了99.97%、99.93%、81.20%和84.77%。與3DUNet相比，本文所提方法在各項(xiàng)指標(biāo)中均有提升，特別是在SE和DSC上分別提升2.85%和3.79%。與AG-Vnet相比，本文方法得到的SE和DSC值分別提升了0.92%和1.30%。為了更清晰地觀察分割結(jié)果，圖7給出了不同方法分割結(jié)果的可視化效果圖，(1)～(5)行分別表示病人動(dòng)脈血管的不同切片，第(1)行只包含主動(dòng)脈，未出現(xiàn)動(dòng)脈分支，剩余行包含主動(dòng)脈和細(xì)小動(dòng)脈分支。圖7(a)表示原始圖像的金標(biāo)準(zhǔn)，其余列分別表示不同算法的分割結(jié)果。圖7(b)表示使用3DUNet算法對(duì)腹部動(dòng)脈血管的分割。圖7(c)表示使用VNet算法的分割結(jié)果。圖7(d)表示融入通道注意模塊的VNet算法的分割結(jié)果。圖7(e)表示加入注意力機(jī)制(Attention，AG)[32]的VNet算法分割結(jié)果。圖7(f)表示本文所提方法的分割結(jié)果。從圖7可以看出，其他方法分割的動(dòng)脈血管存在多分(非血管部分被當(dāng)作血管分割)和漏分(血管部分沒(méi)有被有效分割)的現(xiàn)象較多，而所提方法對(duì)動(dòng)脈血管多分和漏分的現(xiàn)象相對(duì)較少。為了更直觀地進(jìn)行血管細(xì)節(jié)對(duì)比，圖中使用虛線方框強(qiáng)調(diào)了血管分割的細(xì)節(jié)部分。

表1 不同算法在腹部動(dòng)脈血管的分割結(jié)果

圖7 不同方法不同病人血管分割結(jié)果Figure 7. Results of patients vessel segmentation with different methods

為了便于判斷胃癌受累淋巴結(jié)與周?chē)鷦?dòng)脈血管的關(guān)系，本文對(duì)分割出的血管使用醫(yī)學(xué)重建工具進(jìn)行重建。重建出來(lái)的血管能夠更加細(xì)致地描繪血管的形態(tài)，并且對(duì)醫(yī)生進(jìn)行三維虛擬手術(shù)有重要的作用，可以輔助修正手術(shù)規(guī)劃，提高手術(shù)的效率和成功率。圖8展現(xiàn)了不同病人的血管重建效果，圖8(a)～圖8(d)分別表示不同病人的血管。

圖8 腹部血管重建結(jié)果圖Figure 8. Abdominal vascular reconstruction results

4 結(jié)束語(yǔ)

本文針對(duì)胃癌受累淋巴結(jié)周?chē)鷦?dòng)脈血管分割精度低、易斷裂的問(wèn)題，提出一種基于3D卷積網(wǎng)絡(luò)的動(dòng)脈血管分割算法。該算法通過(guò)調(diào)整網(wǎng)絡(luò)架構(gòu)來(lái)提升分割性能，首先構(gòu)造多尺度輸入，形成不同感受野，捕獲更多特性信息；然后，將密集擴(kuò)張卷積運(yùn)用到3D網(wǎng)絡(luò)來(lái)捕獲不同尺寸的血管特征；最后，利用密集擴(kuò)張卷積與通道注意的融合，獲取高層特征信息，使血管分割更加精準(zhǔn)。與其他分割算法相比，本文所提方法能夠提高腹部血管分割精度，具有一定的可行性。