基于改進U-net網絡的2.5D肺實質分割

王楠　王森妹　蔡靜

摘? 要：針對胸腔CT影像信息復雜度高、肺器官體積大造成的3D肺實質結構無法快速準確分割的問題，提出了一種基于改進U-net網絡的2.5D肺實質分割方法。將3個軸向（冠狀面、矢狀面、橫截面）的胸腔CT影像分別輸入改進U-net網絡模型進行特征學習，而后對3個軸向的學習結果進行融合，實現3D肺實質分割。使用該方法在中南民族大學認知科學實驗室中完成了一系列肺實質分割實驗，實驗結果表明該方法可以有效地完成3D肺實質分割。

關鍵詞：肺實質分割;改進U-net網絡;2.5D

中圖分類號：TP391.41;R734.2? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）09-0085-04

A 2.5D Lung Segmentation for CT Images Based on Improved U-net

WANG Nan，WANG Senmei，CAI Jing

（South-central University for Nationalities，Wuhan? 430074，China）

Abstract：In order to solve the problem that 3D lung parenchyma structure cannot be quickly and accurately segmented due to the high complexity of chest CT image information and large lung organ volume，a 2.5D lung-segmentation method based on improved U-net is proposed. Thoracic CT images in three axial directions （coronal，sagittal，transversal） were input into the improved U-net network model for feature learning，and then the three axial learning results were fused to achieve 3D lung-segmentation. A series of lung parenchyma segmentation experiments have been completed in the Cognitive Science Laboratory of South-central University for Nationalities. The experimental results show that this method can effectively complete 3D lung lung-segmentation.

Keywords：lung-segmentation;improved U-net;2.5D

0? 引? 言

肺是位于人體胸腔重要的呼吸系統器官，其主要功能是氣體交換，即氧與二氧化碳的交換、呼吸調節等功能，肺在人類的生命周期中扮演著極其重要的角色。基于肺的解剖結構和大量臨床數據顯示，肺很容易受內外因素的損害，是人體最容易失守的一道防線。為實現基于醫學影像的肺部疾病自動檢測與篩查，需要從影像中提取肺的實質結構，因此自動精確地分割出完整的肺實質結構成為一項重要的研究課題。

針對肺實質的分割問題，目前已有大量的對應方法被提出。Hu[1]等人提出，成為閾值分割法的研究基礎，但是處理CT影像這種灰度值接近的分割任務時結果卻不盡人意。Jonathan Long[2]等提出的全卷積神經網絡（Fully Convolutional Networks，FCN）放棄了卷積神經網絡中參數量龐大的全連接層，將其替換為卷積層，對圖像進行像素級別的分類，是基于卷積神經網絡的圖像分割領域一項里程碑式的研究成果。Ronneberger[3]等提出的U-net網絡，包含相同數量的上采樣層和下采樣層，在少量數據集的情況下可以得到精確度較高的分割結果。He[4]等提出的殘差網絡（Residual Network，ResNet），允許原始輸入信息直接傳遞到后面的層中，為神經網絡在圖像分割中的應用提供了新的思路。Ahmed Soliman[5]等人提出一種3D的CNN結構用于肺實質的分割，證明了3D CNN結構用于醫學圖像分割的可行性，同時也暴露了3D肺實質分割計算量大、耗時久的缺陷。

1? 改進U-net網絡結構

本文采用的卷積神經網絡結構（如圖1所示），是在經典U-net網絡結構的下采樣與上采樣之間加入空洞卷積和并行池化兩個模塊。

1.1? 空洞卷積模塊

本文設計的空洞卷積模塊（如圖2所示），包括原特征圖共有5條不同的分支，共包含不同卷積率的空洞卷積操作7次[6]。隨著空洞卷積率的增加，特征提取的感受野逐漸增大，添加了圖像的全局信息，彌補了之前深層卷積導致的語義信息丟失。在每1個分支卷積操作后添加1×1的卷積操作，在不損失特征分辨率的情況下增加了非線性因素，使網絡可以表達更復雜的特征。

1.2? 并行池化模塊

本文設計的池化模塊（如圖3所示）是一個類似于空間金字塔池化[7]（SPP）的結構，通過4個不同大小的池化核對輸入的特征圖像進行信息整合，不同的池化核提取不同有效視野的信息，在減少參數的同時大概率地保留空洞卷積模塊提取的不同視野特征。

2? 基于改進U-net網絡的2.5D肺實質分割

參考文獻：

[1] HU S，HOFFMAN EA，REINHARDT JM. Automatic lung segmentation for accurate quantitation of volumetric X-ray CT images [J]. IEEE transactions on medical imaging，2001，20（6）：490-498.

[2] EVAN S，JONATHAN L，TREVOR D. Fully Convolutional Networks for Semantic Segmentation [J]. IEEE transactions on pattern analysis and machine intelligence，2017，39（4）：640-651.

[3] RONNEBERGER O，FISCHER P，BROX T. U-Net：Convolutional Networks for Biomedical Image Segmentation [C]//18th International Conference，October 5-9，2015，Proceedings，Part III. Munich，Germany：Medical Image Computing and Computer-Assisted Intervention-MICCAI，2015：234-241.

[4] HE K M，ZHANG X Y，REN S Q，et al.Identity Mappings in Deep Residual Networks [C]//14th European Conference，October 11-14，2016，Proceedings，Part IV.Netherlands：ECCV 2016：Computer Vision-ECCV，2016：630-645.

[5] SOLIMAN A，SHAFFIE A，GHAZAL M，et al. A Novel CNN Segmentation Framework Based on Using New Shape and Appearance Features [C]//IEEE：2018 25th IEEE International Conference on Image Processing （ICIP），2018：3488-3492.

[6] GU Z W，CHENG J，FU H Z，et al. CE-Net：Context Encoder Network for 2D Medical Image Segmentation [J]. IEEE Transactions on Medical Imaging，2019：1.

[7] HE K M，ZHANG X Y，REN S Q，et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition [J]. IEEE transactions on pattern analysis and machine intelligence，2015，37（9）：1904-1916.

[8] 顧一凡.基于分組膨脹卷積和級聯網絡的語義分割算法研究 [D].哈爾濱：哈爾濱工業大學，2018.

[9] 曹玉磊.DICOM標準研究與圖像處理工具的實現 [D].西安：西安電子科技大學，2007.

[10] 趙向明.基于深度學習的醫學圖像分割算法研究 [D].武漢：華中科技大學，2019.

作者簡介：王楠（1994—），女，蒙古族，河南南陽人，碩士研究生，研究方向：醫學圖像處理。