基于unet的卷積神經(jīng)網(wǎng)絡(luò)的脊柱MRI圖像分割

周瑞文

(中南民族大學(xué) 生物醫(yī)學(xué)工程學(xué)院，湖北 武漢 430074)

1 引言

脊柱在所有年齡段中被認(rèn)為是身體重要的成像部位之一，脊柱在保護人們身體中樞神經(jīng)系統(tǒng)的脊髓方面起到了重要作用，如果脊柱存在任何損傷，整個身體將會受到影響，并且由于神經(jīng)的高度集中，將會引起巨大的疼痛，隨著社會的飛速發(fā)展，人們生活節(jié)奏的不斷加快，脊柱疾病逐漸流行開來，背痛是普遍存在于人類的世界性健康問題。引起疼痛問題的原因可能有很多種，可以通過不同的治療方法進行治療，如物理療法，生化療法等。磁共振成像技術(shù)是診斷患者脊柱是否有問題的常用檢查技術(shù)。脊柱的MRI圖像具有脊柱邊界形態(tài)不規(guī)則，組織對比度較低，結(jié)構(gòu)復(fù)雜等特征給脊柱圖像分割帶來了挑戰(zhàn)。因此，尋找一種有效的脊柱分割算法對實現(xiàn)脊柱的準(zhǔn)確分割至關(guān)重要。

近年來，深度學(xué)習(xí)[1]被廣泛應(yīng)用于MRI圖像分割領(lǐng)域。研究者們針對上述問題，提出了許多實現(xiàn)脊柱圖像分割的算法。如David R等[2]人通過CCSweep的方法把生成的脊柱形狀的均值信息用來實現(xiàn)半自動分割，這是一種將多可掃卷自動分解為多可掃卷的新方法。這種方法解決了不確定邊緣大小或區(qū)間匹配約束，過于依賴輸入網(wǎng)格離散化和不穩(wěn)定環(huán)路等問題。Tobias Klinder等[3]提出在解剖模型中加入先驗形狀來提高醫(yī)學(xué)圖像分割結(jié)果的方法。脊柱的整體形狀是局部椎體坐標(biāo)系統(tǒng)的集合，而獨立椎體則是三角曲面網(wǎng)格，通過適應(yīng)模型吸引到的圖像特征，利用單個形狀的先驗邊和關(guān)于目標(biāo)對象之間空間關(guān)系的附加信息對數(shù)據(jù)集進行并行分割。李帥等利用核磁共振圖像中椎間盤與椎骨灰度的鮮明對比，將距離規(guī)則化的無須初始化水平集模型應(yīng)用于脊柱MRI圖像，提出一種改進的標(biāo)記符分水嶺算法對椎間盤進行分割。葉偉等[4]采用各向異性擴散濾波器對脊柱的MRI圖像進行預(yù)處理，然后用核密度估計方法來確定模糊C均值聚類的初始聚類中心值，采用模糊C均值算法進行分割圖像。

為進一步提高脊柱圖像的分割質(zhì)量和準(zhǔn)確度，本文研究提出了一種基于Unet的新的圖像分割方法Unet++，通過此方法可提高脊柱MRI圖像的分割敏感度和精度。

2 方法及原理

深度學(xué)習(xí)模仿了人類大腦的神經(jīng)連接并建立了類似的結(jié)構(gòu)模型。現(xiàn)代深度學(xué)習(xí)中包含數(shù)十個到上百個連續(xù)的表示層，這些表示層都是從訓(xùn)練數(shù)據(jù)中自動學(xué)習(xí)的。數(shù)據(jù)模型中包含多少層，稱為模型的深度。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)逐層堆疊，通過學(xué)習(xí)深層次圖像的特征，得到更加準(zhǔn)確的圖像信息。

2.1 全卷積神經(jīng)網(wǎng)絡(luò)

全卷積神經(jīng)網(wǎng)絡(luò)[5]如Unet網(wǎng)絡(luò)被證明非常適用于幾乎所有醫(yī)學(xué)圖像的語義分割，并證明取得了比傳統(tǒng)方法更好的效果。目前主要是通過對Unet網(wǎng)絡(luò)進行添加多尺度塊、殘差等方式來修改網(wǎng)絡(luò)結(jié)構(gòu)，或者通過添加批歸一化層[6]來提高分割精度。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

針對脊柱分割，本文通過加深Unet網(wǎng)絡(luò)結(jié)構(gòu)層，重新設(shè)計連接方式，聚合不同譯碼子網(wǎng)絡(luò)尺度特征，并通過剪枝，形成靈活的特征聚合方法，提高學(xué)習(xí)推理速度，極大程度地提高了分割精確度。本方案網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 unet++網(wǎng)絡(luò)結(jié)構(gòu)

此網(wǎng)絡(luò)通過編碼器-解碼器這種對稱網(wǎng)絡(luò)進行數(shù)據(jù)的學(xué)習(xí)，重新設(shè)計了一系列包括嵌套，密集和跳躍路徑。由不同深度的U型網(wǎng)絡(luò)組成，這些U型網(wǎng)同時進行訓(xùn)練，這樣不但提高了網(wǎng)絡(luò)的整體分割性能，而且可以實現(xiàn)網(wǎng)絡(luò)模型的剪枝，允許攜帶不同尺度特征的圖片沿著跳躍連接在聚合層與解碼器的特征圖進行融合，突破了不必要跳躍連接的限制，可以捕捉更多語義特征圖的細(xì)節(jié)，有助于還原降低采樣帶來的信息損失。此網(wǎng)絡(luò)重新設(shè)計跳躍路徑如下：xi,j表示結(jié)點Xi,j的輸出，i代表編碼方向的下采樣層索引，j代表沿著跳躍路徑的密集塊卷積層的索引。由xi,j表示的特征圖計算如下：

(1)

函數(shù)H(.)是一個卷積操作，且緊跟一個激活函數(shù)。μ(.)是一個上采樣操作，[]表示疊層。j=0的節(jié)點從編碼路徑的先前層接收一個輸入，j=1的節(jié)點接收兩個輸入，它們都來自編碼子網(wǎng)絡(luò)且是兩個連續(xù)的層，j>1的節(jié)點接收j+1個節(jié)點，其中j個輸入是在相同的跳躍路徑的先前j個節(jié)點輸出，而最后一個輸入是從更低一層的跳躍路徑的上采樣的輸出。先前的特征圖都會累積到當(dāng)前節(jié)點的原因是因為沿每個跳過路徑使用了密集的卷積塊。

2.3 數(shù)據(jù)準(zhǔn)備

實驗數(shù)據(jù)為2019年全國醫(yī)學(xué)創(chuàng)新設(shè)計大賽210個成人脊柱MRI圖像，將195個作為訓(xùn)練集，15個作為測試集。將三維MRI圖像轉(zhuǎn)化為512×512的二維MRI圖像(其中含有金標(biāo)準(zhǔn)圖像)。轉(zhuǎn)化后的二維MRI圖像見圖2。

圖2 二維MRI脊柱圖像

3 結(jié)果與分析

實驗采用改進的unet網(wǎng)絡(luò)，使用Dice相似性系數(shù)，Sensitivity靈敏度和PPV來評價分割結(jié)果。Dice相似性系數(shù)是分割后圖像與金標(biāo)準(zhǔn)圖像的重合度，靈敏度Sensitivity是用來計算TP和FN的量，PPV是衡量TP與FP之間的數(shù)量關(guān)系。

(2)

(3)

(4)

其中TP、FP和FN分別表示真陽性、假陽性和假陰性的數(shù)量。

本文討論了圖像像素的二分類問題，即分別對圖像中的前景像素和背景像素進行分類。實驗過程中網(wǎng)絡(luò)的卷積層采用3×3大小的卷積核，學(xué)習(xí)率設(shè)置為0.0001,批次設(shè)置為4，迭代次數(shù)為100。本研究提出的網(wǎng)絡(luò)分割方法可以較清楚的呈現(xiàn)分割后的脊柱MRI圖像。輸入圖像、標(biāo)簽圖像及網(wǎng)絡(luò)分割后的結(jié)果如圖3所示。

圖3 網(wǎng)絡(luò)輸出圖像與原始標(biāo)簽圖

由網(wǎng)絡(luò)輸出圖像3(c)與標(biāo)簽圖像3(b)對比圖可知，本文網(wǎng)絡(luò)分割結(jié)果與原始圖像具有較高的相似度。表1呈現(xiàn)的為unet和unet++分割脊柱MRI圖像在Dice相似性系數(shù)，Sensitivity靈敏度和PPV三種評價指標(biāo)下的對比。

表1 不同網(wǎng)絡(luò)分割結(jié)果對比

此前趙燕燕[6]改進的控制標(biāo)記符分水嶺分割算法，葉偉[4]等利用基于模糊C均值聚類分割算法，以及Claudia Iriondo[7]等通過定量MRI圖像的不同方法得到的分割結(jié)果如表2所示。

4 結(jié)語

本文為了更精確地分割脊柱MRI圖像，提出了unet++。本網(wǎng)絡(luò)的結(jié)構(gòu)重新設(shè)計了網(wǎng)絡(luò)層的跳躍連接路徑和深度監(jiān)督，重新設(shè)計的跳躍路徑減少了編碼器和解碼器子網(wǎng)絡(luò)特征映射之間的語義隔閡，從而使優(yōu)化器解決的優(yōu)化問題更加簡單。深度監(jiān)督還可以使分割更加準(zhǔn)確，尤其是脊柱出現(xiàn)側(cè)彎等問題時，可以被快速清楚地發(fā)現(xiàn)。本實驗無需引進形狀先驗信息或人工提取特征，是一種自動分割網(wǎng)絡(luò)，可以描述數(shù)據(jù)的深層信息變化，且分割結(jié)果明顯高于其他一些傳統(tǒng)方法，本實驗雖然在分割圖像的精度上有所提升，但是對硬件條件有較高要求，有待優(yōu)化及進一步深入研究。

表2 不同分割方法結(jié)果對比