基于改進U-Net 的人腦黑質(zhì)致密部分割

曹加旺，田維維，劉學(xué)玲，李郁欣，馮 瑞

（1.復(fù)旦大學(xué) 工程與應(yīng)用技術(shù)研究院，上海 200433；2.復(fù)旦大學(xué)附屬華山醫(yī)院 放射科，上海 200433）

0 概述

帕金森病是一種神經(jīng)變性疾病，多發(fā)于中老年人。隨著核磁共振成像（Magnetic Resonance Imaging，MRI）技術(shù)以及相關(guān)設(shè)備的發(fā)展，人們能夠更進一步地觀察患者的腦部結(jié)構(gòu)，從而探究帕金森病的病因和診斷標(biāo)準。近年來，對帕金森病的各項研究結(jié)果表明，腦黑質(zhì)（Substantia Nigra，SN）的大小、形態(tài)、體積等特征可用于輔助診斷帕金森病，尤其是黑質(zhì)致密部（Substantia Nigra pars compacta，SNpc）的體積與帕金森病存在一定關(guān)聯(lián)［1-3］。因此，對人腦SNpc 進行精準分割，有利于準確觀察腦黑質(zhì)的結(jié)構(gòu)變化，對帕金森病的早期篩查及計算機輔助診斷具有重要意義。

早期的SNpc 分割多采用傳統(tǒng)算法，如基于梯度算子和能量函數(shù)的黑質(zhì)神經(jīng)核團分割算法等。近年來，一些學(xué)者開始使用基于全連接神經(jīng)網(wǎng)絡(luò)（Fully Connect Neural Network，F(xiàn)CN）［4］的模型，以及基于FCN 的變體神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如U 形神經(jīng)網(wǎng)絡(luò)（U-Shape Neural Network，U-Net）［5-7］模型。相較傳統(tǒng)方法，基于神經(jīng)網(wǎng)絡(luò)的分割方法在多數(shù)醫(yī)學(xué)影像分割任務(wù)中取得了顯著的效果提升，但是在對SNpc進行分割時準確率提升仍然有限［8］。分析原因主要有兩點：對醫(yī)學(xué)影像分割算法的研究往往集中在對低維語義信息的特征提取上，當(dāng)?shù)途S語義信息足夠分辨目標(biāo)對象時，U-Net 模型的“跨連接”結(jié)構(gòu)能夠在訓(xùn)練階段自動調(diào)整相應(yīng)采樣模塊的權(quán)重參數(shù)，但是當(dāng)?shù)途S語義信息不足以分辨目標(biāo)時，如當(dāng)圖像中出現(xiàn)色彩線條相似的組織和結(jié)構(gòu)時，其底部結(jié)構(gòu)不能充分利用多次下采樣后的高維語義特征，因此，在模型結(jié)構(gòu)以及學(xué)習(xí)機制上還需改進；黑質(zhì)致密部的分割任務(wù)本身還存在若干難點，腦黑質(zhì)致密部占比小，對算法感知能力要求高，腦黑質(zhì)邊緣不夠清晰且形變較大，在數(shù)據(jù)量有限的情況下難以提升算法準確性，此外，基于神經(jīng)網(wǎng)絡(luò)的分割模型由于需要多次下采樣，造成上下文特征丟失，導(dǎo)致分割出了不連續(xù)的目標(biāo)片段等，因此，還需要利用一些后處理手段（如平滑算子等），但這又會引入其他超參數(shù)。

為了解決上述問題，提升帕金森病關(guān)鍵黑質(zhì)神經(jīng)核團的分割精度，改善計算機輔助診斷系統(tǒng)對帕金森病關(guān)鍵核團的顯示效果，本文提出一種基于改進U-Net 的帕金森病關(guān)鍵神經(jīng)核團分割算法。設(shè)計基于Transformer 的高維語義特征提取模塊，提高U-Net 的高維語義信息提取能力。針對黑質(zhì)致密部的分布特點，提出一種基于局部地區(qū)權(quán)重掩膜的分布損失函數(shù)，以改善模型分割效果。

1 相關(guān)工作

1.1 醫(yī)學(xué)影像分割

近年來，基于全連接神經(jīng)網(wǎng)絡(luò)的分割算法被廣泛應(yīng)用于醫(yī)學(xué)影像分割任務(wù)。相比傳統(tǒng)的手工特征提取算法，基于FCN 的模型能夠端到端訓(xùn)練，內(nèi)部參數(shù)都可在訓(xùn)練中通過梯度下降方法求解?；贔CN的分割模型采用卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）同時作為編碼器和解碼器，相較傳統(tǒng)的手工特征，CNN 對圖像特征提取能力更強，誤差更低。具有代表性的FCN 有U-Net 模型，其將編碼器模塊的淺層語義特征以跨連接的方式輸入解碼器模塊，形成對稱的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，從而提高模型對不同感受野、不同層次語義特征的捕獲能力。近期的醫(yī)學(xué)影像分割算法一般使用改進的U-Net 結(jié)構(gòu)（如R2U-Net［9］），在U-Net 的編碼器模塊加入殘差卷積 層，Attention U-Net［10］在U-Net 的跨連接部分加入注意力機制，提高了模型對小目標(biāo)的敏感度。

當(dāng)上述方法被應(yīng)用在一些小目標(biāo)器官或病灶分割任務(wù)中時，各項指標(biāo)仍未達到臨床應(yīng)用水平。因此，一些學(xué)者提出針對小目標(biāo)分割的改進方法，主要包括兩類：

1）第一類方法通過改進小目標(biāo)分割流程來提高精度。文獻［11］將小目標(biāo)分割分解為雙階段任務(wù)，第一步采用檢測模型在大范圍內(nèi)找到感興趣區(qū)域，第二步利用分割模型在感興趣區(qū)域內(nèi)進行分割，從而降低背景噪聲的影響。文獻［12］通過融合分水嶺算法分支的后處理，提高模型在目標(biāo)邊緣部分的分割精度。這類方法存在的普遍問題是模型結(jié)構(gòu)較為復(fù)雜，且需要調(diào)整更多的超參數(shù)，不利于實際應(yīng)用。

2）第二類方法通過改進注意力模型來提高對小目標(biāo)的感受能力。文獻［13］將門控式的邊緣檢測作為注意力圖，提高了模型對小目標(biāo)邊緣部分的感知能力。文獻［14］將密集連接網(wǎng)絡(luò)與注意力機制相結(jié)合，使模型主動學(xué)習(xí)重點目標(biāo)區(qū)域。文獻［15］將殘差網(wǎng)絡(luò)與注意力機制相結(jié)合，采用多尺度輸入在提高感受野的同時降低噪聲影響。文獻［16］結(jié)合多尺度卷積與雙通道注意力模塊，進一步提高了模型的全局感受野。但是，上述注意力模塊的引入仍是在跨連接模塊中加強對低維語義信息的感知能力。HANet［17］在U-Net 結(jié)構(gòu)的基礎(chǔ)上改進底部的注意力模塊，利用圖網(wǎng)絡(luò)模型以及傳遞閉包算法增加注意力模塊的感受野，從而提升模型對包括高維語義信息在內(nèi)的全局信息的捕捉能力。

在實踐中發(fā)現(xiàn)，上述醫(yī)學(xué)分割方法在腦黑質(zhì)致密部分割中依然存在一定的局限性。由于U 型神經(jīng)網(wǎng)絡(luò)多次下采樣的結(jié)構(gòu)特點，導(dǎo)致其容易丟失上下文信息，在高維語義信息識別方面能力不足。如圖1所示，人腦黑質(zhì)致密部分布并不均勻，因此，有可能在圖像分割結(jié)果中出現(xiàn)不連續(xù)的分割片段。

圖1 人腦SNpc 分割結(jié)果Fig.1 Brain SNpc segmentation results

1.2 Transformer 編碼器

注意力機制［18］在長序列分析任務(wù)中具有顯著優(yōu)勢，在神經(jīng)網(wǎng)絡(luò)模型中添加注意力模塊，有利于模型更加關(guān)注那些對分類置信度影響較大的特征。近年來，對計算機視覺中注意力機制的研究結(jié)果表明，基于序列模型的多頭注意力機制不僅可用于自然語言處理問題，也適用于圖像識別問題。文獻［19］指出一幅圖像可以被表示為一個16×16 的切片圖像序列，因此，融合多頭注意力機制的Transformer 編碼器可以被應(yīng)用于計算機視覺任務(wù)，如圖像識別［19-20］、目標(biāo)檢測［21-22］、語義分割［23-24］等。由于卷積神經(jīng)網(wǎng)絡(luò)可以更加高效地提取淺層視覺特征，多頭注意力機制則常用于高維語義特征提取，上述計算機視覺任務(wù)中的Transformer 模型設(shè)計需要結(jié)合兩者共同的優(yōu)點。另外，基于Transformer 的分割算法模型結(jié)構(gòu)復(fù)雜，模型訓(xùn)練容易過擬合，需要大量的標(biāo)注數(shù)據(jù)集，因此，將Transformer 應(yīng)用在醫(yī)學(xué)影像分割任務(wù)中的相關(guān)研究仍處于起步階段。

1.3 多任務(wù)學(xué)習(xí)

多任務(wù)學(xué)習(xí)指的是在機器學(xué)習(xí)中通過設(shè)計另一個輔助任務(wù)來幫助模型進一步理解主要任務(wù)。在神經(jīng)網(wǎng)絡(luò)模型中，通過改進損失函數(shù)可以學(xué)習(xí)多個任務(wù)，如在醫(yī)學(xué)影像多疾病分類學(xué)習(xí)過程中同時學(xué)習(xí)圖像中有無病灶［25］，有利于模型充分理解病灶，防止學(xué)習(xí)潛在偏差。通過多任務(wù)學(xué)習(xí)策略可以在一定程度上緩解過擬合問題［26］。觀察發(fā)現(xiàn)，人腦黑質(zhì)致密部的分布大致呈中心對稱的兩塊區(qū)域，因此，可以構(gòu)建區(qū)域?qū)W習(xí)任務(wù)，使模型更加關(guān)注目標(biāo)位置。

2 基于改進U-Net 的人腦SNpc 分割算法

本文提出的改進U-Net 結(jié)構(gòu)在高維語義提取部分結(jié)合Transformer 編碼器，提升模型對高維語義特征的理解能力。為了解決下采樣環(huán)節(jié)中上下文丟失的問題，提出基于二維高斯核權(quán)重掩膜的損失函數(shù)，通過多任務(wù)學(xué)習(xí)使神經(jīng)網(wǎng)絡(luò)模型更加關(guān)注對稱中心區(qū)域的像素識別損失。

2.1 模型結(jié)構(gòu)

本文提出的基于改進U-Net 的人腦SNpc 分割神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2 所示。

圖2 基于改進U-Net 的人腦SNpc 分割模型Fig.2 Brain SNpc segmentation model based on improved U-Net

被分割的核磁共振影像切片為單通道圖像，堆疊到三通道后輸入到神經(jīng)網(wǎng)絡(luò)模型中。設(shè)輸入圖像Iin∈RM×N×C，經(jīng)過神經(jīng)網(wǎng)絡(luò)(NN)后，端到端地輸出分割結(jié)果圖像Iout∈RM×N×C，如式（1）所示：

其中：M和N分別是輸入圖像的長和寬；C為通道數(shù)。

如圖3 所示，編碼器部分包含4 個下采樣卷積塊，每個下采樣卷積塊包括2 個3×3 卷積層、2 個歸一化層（Batch Normalization，BN）和1 個池化層。

圖3 下采樣卷積塊Fig.3 Down-sampled convolution block

將圖像Iin輸入到下采樣卷積塊中（4 次），通過下采樣過程分別得到4 個特征圖，其中，i∈{1，2，3，4}，分別代表經(jīng)過4 次下采樣后的順序。特征圖如式（2）所示：

每次經(jīng)過下采樣塊后，特征圖的維度都會降低一半，在改進U-Net 網(wǎng)絡(luò)的底部，將高維語義特征reshape 輸入到基于Transformer 的高維語義特征編碼模塊。高維特征的感受野更大，含有更豐富的語義信息。將特征圖進行重組得到高維語義特征，經(jīng)過基于Transformer 的高維語義編碼模塊得到修正特征，同樣經(jīng)過重組后得到，再輸入到4 個上采樣卷積塊中。如圖4 所示，每個上采樣卷積塊包括2 個卷積層、2 個BN 層和1 個最大池化層。

圖4 上采樣卷積塊Fig.4 Up-sampled convolution block

其中：⊕表示按通道組合操作。最終經(jīng)過類激活層輸出分割結(jié)果，如式（4）所示，其中卷積層的卷積核大小為1×1。

2.2 基于Transformer 的高維語義特征編碼模塊

Transformer 是一種基于序列的模型，因此，在經(jīng)過4 次下采樣后，需要將高維語義特征重組得到。輸入Ft到基于Transformer的高維語義特征編碼模塊，其結(jié)構(gòu)如圖5 所示。

圖5 基于Transformer 的高維語義特征編碼模塊結(jié)構(gòu)Fig.5 High-level semantic feature encode module structure based on Transformer

基于Transformer 的高維語義特征編碼模塊包含若干個子模塊。在本文中，特征序列按通道數(shù)切分，由于卷積和注意力計算沒有位置信息，為了保留圖像序列的位置信息，需要對特征進行位置編碼，位置編碼函數(shù)如式（5）、式（6）所示：

其中：l為索 引；d為總維度；為通道數(shù)切分后的特征序列編號，當(dāng)編號為偶數(shù)時采用式（5）編碼，當(dāng)編號為奇數(shù)時采用式（6）編碼。

在本文中，位置編碼與輸入序列直接相加，如式（7）所示：

其中：X為單層神經(jīng)網(wǎng)絡(luò)中一個神經(jīng)元的數(shù)值；E[X]為所有神經(jīng)元的均值；Var[X]為方差；ε為極小值；γ、β為超參數(shù)，一般取γ=1，β=0。

MSA(·)表示多頭注意力計算，如式（11）所示：

其中：WO為輸出層的權(quán)重為Concatenation操作，表示直接聚合h個輸出結(jié)果。SA(·)表示單頭注意力計算，如式（12）所示：

本文將Transformer 模塊作為編碼器融合到U-Net 網(wǎng)絡(luò)中，從而提升模型對高維語義信息的理解能力。取Transformer 編碼器最后一層的輸出結(jié)果作為修正特征，重組后輸入上采樣模塊。

2.3 基于二維高斯核權(quán)重掩膜的損失函數(shù)

一般分割網(wǎng)絡(luò)常用的損失函數(shù)為戴斯相關(guān)損失，用于評價2 個樣本分布之間的相似性。戴斯相關(guān)損失越小，代表2 個樣本分布越接近，其計算方法如式（14）所示：

其中：X和Y分別表示真值樣本和預(yù)測值樣本；ε為極小值，用來防止分子或分母為0；X∩Y表示取兩者的交集。為了便于計算，X∩Y一般取預(yù)測為真陽的樣本，計算方法如式（15）所示：

其中：ti表示第i個樣本的真值；yi表示第i個樣本的預(yù)測值。針對本文的分割任務(wù)，真值和預(yù)測值的取值范圍均為[0，1]。

對于人腦黑質(zhì)致密部分割而言，其邊緣部位往往更難判斷，中心位置判別相對容易，然而實驗結(jié)果卻是中心部位往往會分割出不連續(xù)的片段，這是因為黑質(zhì)致密部像素占比過小，模型多次下采樣后容易丟失形態(tài)信息。為了進一步加強模型對特定區(qū)域的學(xué)習(xí)能力，避免分割出不連續(xù)的片段，本文設(shè)計一種基于二維高斯核權(quán)重掩膜的損失函數(shù)。

考慮到待分割目標(biāo)位置分布的特殊性，對于真值標(biāo)簽圖像，首先利用搜索連通圖分離出兩小塊人腦黑質(zhì)致密部標(biāo)簽，分別利用一階中心矩計算樣本的2 個區(qū)域中心，如式（16）、式（17）所示：

其中：P(x，y) ∈{0，1}表示圖像坐標(biāo)為(x，y)的像素值；表示重心的坐標(biāo)位置。

利用二維高斯核函數(shù)映射得到權(quán)重掩膜Wmask(x，y)∈RM×N×1，計算方法如式（18）所示：

基于二維高斯核函數(shù)的權(quán)重掩膜可以使模型更加關(guān)注特定位置的預(yù)測損失，有利于模型學(xué)習(xí)到更重要的信息。本文計算得出二維高斯核函數(shù)權(quán)重掩膜結(jié)果如圖6 所示，圖6（a）～圖6（c）分別是人腦核磁共振成像圖、真值標(biāo)簽以及基于標(biāo)簽生成的高斯核權(quán)重掩膜。

圖6 二維高斯核權(quán)重掩膜Fig.6 2D Gaussian kernel weight mask

為了加強模型對中心部位的識別能力，對這一部分的識別損失函數(shù)進行線性加權(quán)增強。改進均方誤差（Mean-Square Error，MSE）損失，進行特定位置的加權(quán)，得到的損失函數(shù)如式（19）所示：

最終得到損失函數(shù)如式（20）所示，λ∈[0，1]為超參數(shù)，代表二維高斯核函數(shù)掩膜損失的權(quán)重，本文取λ=1，并在3.3.2 節(jié)的消融實驗中測試模型結(jié)果對多任務(wù)損失函數(shù)權(quán)重λ變化的敏感程度。

3 實驗結(jié)果與分析

為了驗證基于改進U-Net 的人腦黑質(zhì)致密部識別模型的分割效果，收集并處理人腦MRI 標(biāo)準數(shù)據(jù)集，以戴斯相關(guān)系數(shù)作為評價標(biāo)準，分析分割算法的性能，同時驗證本文基于Transformer 的編碼器以及基于二維高斯核權(quán)重掩膜的損失函數(shù)的性能表現(xiàn)。

3.1 數(shù)據(jù)集與評價標(biāo)準

本次實驗共收集188 個志愿者（140 個帕金森病患者和48 個健康對照者）的腦核磁共振成像，其中每個成像數(shù)據(jù)含有100～300 張不等的橫截面切片，數(shù)據(jù)采集基于復(fù)旦大學(xué)附屬華山醫(yī)院放射科平臺，所有磁共振檢查圖像均使用配備8 通道頭部基質(zhì)線圈的3.0-T 掃描儀（型號為discoveryery TM MR750，GE Healthcare）獲得，采用3D 多梯度回波（GRE）成像，利用前3 組幅值圖像重建出可以對黑質(zhì)致密部清晰顯示的setMag 圖像［27］，并由一名具有8 年神經(jīng)放射學(xué)經(jīng)驗的放射科醫(yī)生標(biāo)注相應(yīng)的黑質(zhì)致密部標(biāo)簽。在本文中，全量數(shù)據(jù)集被隨機分為訓(xùn)練集（152 位，隨機訓(xùn)練集與隨機驗證集比例為4∶1）和測試集（36 位）。

對本文實驗結(jié)果分別采用戴斯相關(guān)系數(shù)（Dice similarity coefficient，Dsc）、準確率（Accuracy，Acc）、特異度（Specificity，Spe）、靈敏度（Sensitivity，Sen）以及ROC 曲線下面積（Area Under the Curve，AUC）作為評價標(biāo)準，前4 個評價指標(biāo)的計算方法如式（21）～式（24）所示，所有評價指標(biāo)均采用平均值。

其中：X和Y分別表示真值樣本和預(yù)測值樣本；X∩Y表示取兩者的交集；TTP表示被正確識別為黑質(zhì)致密部的像素；TTN表示被正確識別為人腦背景的像素；FFP表示被錯誤識別為黑質(zhì)致密部的像素；FFN表示被錯誤識別為人腦背景的像素。

3.2 實驗環(huán)境與超參數(shù)配置

本文實驗環(huán)境設(shè)置如表1 所示，實驗超參數(shù)配置如表2 所示。

表1 實驗環(huán)境設(shè)置Table 1 Experimental environment settings

表2 實驗超參數(shù)配置Table 2 Experiment super parameters configuration

實驗過程如下：對所有核磁共振圖像切片的中心位置進行圖像裁剪，獲得采樣大小為1×128×128 像素的圖像塊，使用重復(fù)拼接的方法將一幅圖像擴展為3 通道，即大小為3×128×128 像素的圖片塊，不使用任何數(shù)據(jù)增強手段，采用極大極小歸一化將像素值映射到［0，1］之間。在3.3.1 節(jié)實驗中，多任務(wù)損失函數(shù)權(quán)重λ均設(shè)置為1。

3.3 結(jié)果分析

3.3.1 與其他方法的對比

表3 所示為華山醫(yī)院帕金森數(shù)據(jù)集上的分割結(jié)果，最優(yōu)結(jié)果加粗表示，對比方法包括U-Net［7］、R2UNet［9］、Attention U-Net［10］、HANet［17］。從表3 可以看出，本文分割方法在多個評價指標(biāo)上均取得了最優(yōu)的分割結(jié)果，其中，戴斯相關(guān)系數(shù)Dsc 達到0.869 1，準確率Acc 達到0.999 2。由于分割目標(biāo)較小，在圖片中的像素點占比較小，因此多個方法的準確率Acc 均在較高水平。本文方法所得結(jié)果的特異度最高，達到0.888 3，說明本文方法能夠避免外圍噪聲的影響，防止識別出假陰樣本。綜合來看，本文方法的AUC 達到0.943 9，為最高水平。

表3 不同方法的人腦SNpc 分割性能對比Table 3 Comparison of brain SNpc segmentation performance of different methods

從表4 可以看出，在模型參數(shù)量方面，本文方法相比U-Net 方法并未增加太多參數(shù)，說明本文方法在模型參數(shù)量更小的情況下各項性能指標(biāo)表現(xiàn)良好，有利于計算機輔助診斷系統(tǒng)的實際應(yīng)用。

表4 模型參數(shù)量大小比較Table 4 Model parameter size comparison

3.3.2 消融實驗

表5 所示為本文模型在華山醫(yī)院帕金森數(shù)據(jù)集上的消融實驗結(jié)果，包括“U-Net”分割結(jié)果、“U-Net+改進損失”分割結(jié)果、“U-Net+改進編碼器”分割結(jié)果以及“U-Net+改進損失+改進編碼器”分割結(jié)果。

表5 消融實驗結(jié)果Table 5 Results of ablation experiment

從表5 可以看出，本文改進編碼器和改進損失能夠有效提升分割精度，其中，改進損失函數(shù)的提升效果最大，戴斯相關(guān)系數(shù)達到0.869 1，AUC 達到0.943 9，說明通過多任務(wù)學(xué)習(xí)，模型可以在一定程度上消除背景噪聲的影響。單獨改進編碼器的結(jié)果提升不明顯，但是在結(jié)合改進損失后達到了最優(yōu)，這是因為訓(xùn)練集數(shù)量有限，基于Transformer 的編碼器雖然提高了對高維語義特征的理解能力，但是同時增加了模型參數(shù)，容易導(dǎo)致模型過擬合，在訓(xùn)練中結(jié)合改進損失函數(shù)可以緩解模型過擬合，使模型更加關(guān)注目標(biāo)區(qū)域的損失。綜合來看，“U-Net+改進損失+改進編碼器”的分割效果最好。

表6 所示為本文模型在華山醫(yī)院帕金森數(shù)據(jù)集上的多任務(wù)損失函數(shù)權(quán)重λ超參數(shù)實驗結(jié)果，目的是測試改進后的多任務(wù)損失函數(shù)權(quán)重λ對模型分割精度的影響，λ分別取0.1、0.2、0.5、0.8、1.0。實驗結(jié)果表明，適當(dāng)?shù)妮o助任務(wù)權(quán)重有利于提高分割精度，當(dāng)λ取1.0 時在驗證集上的分割精度更高，同時實驗也表明，模型對輔助任務(wù)權(quán)重超參數(shù)的魯棒性較好，并沒有因為λ取值的變化導(dǎo)致結(jié)果大幅波動。

表6 超參數(shù)λ 敏感性測試結(jié)果Table 6 Hyperparametric λ sensitivity test results

3.3.3 可視化效果

圖7 展示部分人腦黑質(zhì)致密部的分割結(jié)果，相比于常用的醫(yī)學(xué)影像分割方法，本文方法取得了更優(yōu)的分割效果。在解決分割中出現(xiàn)不連續(xù)片段的問題方面，本文方法能夠捕捉到邊緣和整體結(jié)構(gòu)的相關(guān)性，識別出疑似區(qū)域內(nèi)的更多目標(biāo)，降低假陰性，從而提升分割精度。此外，各個模型對人腦黑質(zhì)致密部的邊緣部分分割仍不夠精確，原因是目標(biāo)邊緣與背景的類間差異較小，且這一部分的人腦組織結(jié)構(gòu)更加復(fù)雜，分割難度較大。后續(xù)可通過擴充樣本數(shù)據(jù)集、加入數(shù)據(jù)增強方法、改進預(yù)處理手段、融合邊緣檢測后處理等多種方式進行改進。

圖7 SNpc 分割結(jié)果Fig.7 Segmentation results of SNpc

4 結(jié)束語

人腦黑質(zhì)致密部的大小對帕金森疾病診斷具有一定的指導(dǎo)意義，針對人腦黑質(zhì)致密部分割，本文提出一種基于改進U-Net 的分割方法。優(yōu)化傳統(tǒng)全卷積模塊U-Net 的結(jié)構(gòu)，在保留U-Net 對低維圖像信息提取能力的基礎(chǔ)上，融合基于Transformer 的編碼器模塊，用于處理高維語義特征。針對分割結(jié)果中出現(xiàn)的不連續(xù)片段，設(shè)計一種基于二維高斯核權(quán)重掩膜的損失函數(shù)，利用其對特定區(qū)域的信息增強能力使得模型在訓(xùn)練過程中更加關(guān)注黑質(zhì)區(qū)域的損失變化。實驗結(jié)果表明，該方法能夠提高人腦黑質(zhì)致密部的分割精度，有效緩解模型過擬合問題，同時降低假陰性，減少人腦致密部分割結(jié)果中出現(xiàn)的不連續(xù)片段。下一步將面向臨床應(yīng)用，通過融合分割所得的人腦致密部語義信息，結(jié)合人腦核磁共振圖像及患者臨床信息進行帕金森疾病分級診斷，設(shè)計計算機輔助診斷算法，最終形成可供醫(yī)生臨床使用的軟件系統(tǒng)，為帕金森疾病的早期精準篩查及診斷提供便利。