基于改進U-Net模型下的椎骨CT圖像分割方法

劉俠 余鴻波 李冰 王波

摘 要：針對經典U-Net模型在椎骨CT分割過程中對圖像信息利用不充分而造成圖像邊緣分割不清的問題，采用一種基于改進的U-Net模型的椎骨CT圖像分割算法。首先在經典U-Net模型基礎上進行了改進，其次利用改進的U-Net模型分割出椎骨區域并得到粗分割結果，最后對粗分割結果利用圖割算法（Graph-Cut）加強邊緣約束，從而做到邊緣細化分割。分割方法整體分割精度可達到95.5%，Dice系數96.2%，Jaccard系數92.6%，HdD指標4.88%。與經典U-Net模型相比Dice系數提高2.2%，Jaccard系數提高3.7%，HdD指標降低13.9%。實驗結果表明，提出的分割方法對椎骨圖像分割可以達到精確分割的效果，能夠適用于臨床中的椎骨圖像分割任務。

關鍵詞：

椎骨CT圖像;U-Net網絡;Graph-Cut算法;圖像分割

DOI：10.15938/j.jhust.2021.03.009

中圖分類號： TP391.4

文獻標志碼： A

文章編號： 1007-2683（2021）03-0058-07

Vertebra CT Image Segmentation Method Based

on Improved U-Net Model

LIU Xia， YU Hong-bo， LI Bing， WANG Bo

（School of Automation， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：In view of the problem that the classical u-net model does not make full use of the image information during the CT segmentation of vertebrae， which leads to unclear image edge segmentation， an improved algorithm of CT image segmentation of vertebrae based on the u-net model is proposed. Firstly， it was improved and optimized on the basis of the classic u-net model. Then， the improved u-net model was used to segment the vertebral region and obtain the rough segmentation result. Finally， the rough segmentation result was strengthened by the edge constraint algorithm （Graph-Cut） so as to achieve the edge refinement segmentation. In this paper， the segmentation precision of the methord can be reached 95.5%. The Dice coefficient is 96.2%. The Jaccard coefficient is 92.6%.The HdD index is 4.88. Compared with the classic u-net model， the Dice coefficient increased by 2.2%， the Jaccard coefficient increased by 3.7%， and the HdD index decreased by 13.9%.

Keywords：CT image of vertebrae; U-Net network; Graph-Cut algorithm; image segmentation

0 引 言

健康的椎骨維持著人體正常生理形態，從顱骨開始中間連接肋骨到髖骨為止，是人體后側支撐，具有挺拔軀體，保護內臟器官等重要作用。然而現代社會中，由于人們生活節奏加快、工作壓力繁重、從事人力勞動人口眾多等原因，患有椎骨疾病[1-2]的患者不斷呈現出年輕化的趨勢并且病患數量也再遞增，據統計在40歲以下人群中患有椎骨相關疾病的人數接近40%以上。還原患者椎骨真實形態可以輔助骨科醫師降低手術過程中的風險。所以針對于椎骨CT圖像高精度分割出有效的椎骨信息對于輔助臨床診斷迫在眉睫。

為了解決椎骨分割精度問題，國內外學者已經提出許多方法用于椎骨的自動分割。Yao等[3]提出使用一個簡單的閾值來獲得初始的脊柱分割，然后采用分水嶺算法和有向圖搜索相結合的方法提取椎管，最后用四部分椎體模型（椎體、棘突、左右橫突）將椎體區域分段，并與相鄰的肋骨等結構分開。Lim等[4]介紹了一個脊柱分割框架。將傳統的圖像處理技術、數學形態學和曲線擬合相結合來識別脊柱并通過質心還原椎骨形狀。隨后利用形狀約束和形狀能量耦合高斯核驅動水平集分割。Klinder等[5]提出了一種基于模型的方法來自動標記和分割胸腔CT圖像。整合29組數據建立了完整脊柱的姿態模型。Krinidis等[6]提出一種基于模糊能量的最小化模型，將模糊能量看作最小劃分問題的一個特例，該模糊能量作為模型的激勵能量，使主動輪廓在目標邊界處停止。Glocker等[7]提出的算法主要基于回歸森林和概率圖形模型。鑒別性、退行性部分的目的是大致檢測脊柱的可見部分。通過生成模型獲取脊柱的形狀和外觀，從而實現對單個椎骨的精確定位和識別。Liu等[8]提出一種改進的基于隱馬爾可夫隨機場框架的算法。由隱馬爾可夫隨機場建立分類的先驗分布，將添加了記憶器的模擬退火算法與期望最大化算法進行融合，并結合最大后驗估計準則來進行參數估計并得到最終結果。Ma等[9]利用可操縱特征訓練了目標特異性邊緣檢測的判別分類器，并學習了12個胸椎的統計形狀模型，這樣可以保證椎體形狀的光滑性和拓撲結構。

相比較以上的方法，卷積神經網絡的方法具有深度特征提取能力和較強的自適應性。Suzani等[10]提出一種深入前饋神經網絡來檢測輸入圖像

是否包含特定的椎骨，雖然具有高檢測效率，但卻存在較大的平均定位誤差。Chen等[11]提出一種聯合卷積神經網絡（J-CNN），這種方法采用隨機森林分類器J-CNN掃描輸出CT圖像體積并根據相鄰椎骨的信息來定位椎骨，但基于卷積神經網絡的方法一般采取逐像素取塊提取信息，非常耗時。Long等[12]提出端對端的全卷積神經網絡利用卷積層代替全連接層，使用編碼器-解碼器的網絡結構，分割任意尺寸圖像，但該方法對于邊緣細節的分割不精。

基于以上方法的研究，本文著重關注了結構簡潔性能突出的U-Net模型，并根據實驗分析針對經典U-Net模型提出改進：改進U-Net模型增強特征復用性，加深網絡分割效果。將分割信息及圖像本身特征信息作為圖割算法的輸入，進行分割要素的邊界有效推斷，解決邊緣目標模糊分割問題。

1 本文算法

本文算法的整體流程主要包括4個步驟：預處理階段突出圖像中椎骨信息減少分割干擾;數據擴充為神經網絡防止網絡過擬合;基于改進U-Net 網絡模型的圖像粗分割，以及采用GraphCut對粗分割輪廓的細化。整個數據集按照7∶3比例分為訓練集和測試集。

訓練集用于網絡訓練，測試集用于測試網絡分割能力。主要分割流程具體描述如圖1所示。

1.1 數據預處理

常見預處理包括去噪去霧等[13]操作， 由于需要從椎骨圖像樣本中提取出感興趣區域所以對其進行預處理，預處理結果作為訓練網絡和進行測試所使用的數據樣本。首先對椎骨CT圖像進行限制對比度自適應直方圖均衡化（Clahe），通過計算圖像的局部直方圖，然后重新分布亮度來改變圖像對比度，有利于改進圖像的局部對比度以及獲得更多的圖像細節，然后經過雙邊濾波（bilateral filter，BF）。雙邊濾波采用了兩個高斯濾波的結合，一個負責計算空間鄰近度的權值，而另一個負責計算像素值相似度的權值，將圖像空間信息與鄰近像素信息相結合，在濾除噪聲平滑圖像[14-16]的同時，又做到邊緣保存。最后利用Gamma矯正平滑的擴展暗調的細節，預處理結果如圖2所示。

1.2 數據擴充

由于可用的已標注的椎骨圖像數據較少，難以用于訓練一個深度神經網絡模型，同時在訓練神經網絡過程中會有大量的參數，必須依靠大規模的訓練數據才能防止出現過擬合?；诖耍槍ψ倒荂T圖像數據量少的情況，引入了由 Wang等[17]提出的圖像變形的方法來對圖像數據進行擴充，借助該方法可生成更具形狀差異性的圖像數據以供網絡進行訓練。圖3為圖像擴充的實現。

在本文中，首先對所有原始的 CT切片進行圖像變形，之后對原始圖片及其圖像變形后的圖片應用隨機旋轉，隨機平移，垂直翻轉，水平翻轉等四種數據擴充方法，從而最終實現原始椎骨圖像數據的數據擴充。

1.3 改進的U-Net模型

圖4所示為本文中所改進的U-Net網絡結構，以經典的U-Net[18] 網絡為基本框架，設計一種更利于椎骨分割的更深層次的網絡模型。本文算法的核心思想是通過卷積壓縮部分進行目標區域的特征提取，結合卷積還原部分進行上采樣，將獲取的基于上下文信息綜合得到更精確的結果。本實驗采用的網絡架構如圖2所示，網絡由11個卷積層組、5個池化層、5個上采樣層組成。其中前4個卷積層包含兩個卷積操作，卷積核大小為3×3，最后1個卷積層包含3個卷積操作，卷積核大小為5×5，以此達到擴大局部感受的目的。在每一個卷積操作后面添加一個RELU的線性修正單元和一個卷積核為2×2的最大池化層。上采樣層采用反卷積操作實現一對多的圖像恢復操作，跳層結構記錄了池化時的位置并將輸入的特征按記錄的位置進行還原。它的輸出則是與輸入圖像大小相同的分割分割圖像。跳層結構彌補反卷積時僅僅利用最后一層中卷積核中的特征的缺陷，防止了特征信息的丟失。區別于原始的U-Net網絡采用最大池化層（max-pooling layer）進行下采樣，其中最大池化層步長為2卷積核為2×2，輸入為卷積塊生成的特征圖，使用池化層能降低輸出維度、避免特征冗余。上采樣能增大特征圖的分辨率，使圖像還原到原始大小。每上采樣1次，都要與特征提取中對應通道數尺度相融合，目的是為了獲得多尺度特征信息來提高網絡性能，但特征提取部分要先整合成相同大小的特征圖。

1.4 圖割算法

Chen等[19]致力于基于切口的醫學分割方法，包括圖形切割和圖形搜索以進行區域和表面分割。圖割算法的核心理論就是通過邊界能量函數與區域能量函數的極小值的來找出最優的分割路徑，具有效率高、魯棒性強、分割精確度高的特點。圖割（Graph-Cut）算法的理論基礎來源于圖論，對圖像中帶權值的邊進行路徑規劃?；诟倪MU-Net的椎骨分割方式 ，可以實現高精度分割，但其分割邊緣信息細粒度依舊不夠完整。為了提高椎骨邊緣分割能力，引入圖割算法對改進U-Net分割結果進行邊緣細化分割。在圖像處理領域，采用圖割算法對像素類別進行判斷，建立了像素與其相鄰像素之間的空間關系，可以高效分割不同類別像素之間的界限。對于圖像來說將其看做無向圖求取能量函數最小值，它的能量函數包含區域項和邊界項，能量函數如下

E（A）=λ·R（A）+B（A）（1）

E（A）表示各邊的權重之和，即能量函數。圖割的目標就是使能量函數E（A）的值最小，找到合適的邊的路徑將圖像分割開。R（A）為區域項（regional term）能量函數，B（A）為邊界項（boundary term）能量函數。系數λ≥0，值代表了區域項能量函數對總能量函數的影響。區域項能量函數可以用下式表達：

R（A）=∑p∈PRp（Ap）（2）

區域項R（A）表示將像素點標記為背景點或者前景點的代價。其中Rp（Ap）為將像素點p為標簽Ap的懲罰代價，Rp（Ap）的值可以通過比較像素點p的灰度和給定的目標和前景的灰度直方圖來獲得。假設圖像是滿足馬爾科夫模型（MAP-MRF），那么Rp（Ap）可以表達為如下形式：

Rp（“obj”）=-lnPr（Ip|O）（3）

Rp（“bac”）=-lnPr（IP|B）（4）

由式（3）、（4）可得，根據目標區域概率Pr（Ip|B）與背景區域概率Pr（Ip|O）大小的比較，就可以將圖像中某一個像素點p進行劃分，假如概率Pr（Ip|O）大于屬于背景區域的概率Pr（Ip|B），根據公式可以計算出Rp（“obj”）小于Rp（“bac”）。得到的結果為像素p在大概率上位于目標區域中，像素p標記為目標點就會使區域項能量函數R（A）的值變小。當圖像的像素集合都被成功標記以后，區域項的能量將會達到最小值，此過程只需要依次判斷像素點的標記，不存在迭代標記。邊界項能量函數表示為如下形式：

B（A）=∑{p，q}∈NB{p，q}·δ（Ap，Aq）（5）

δ（Ap，Aq）=1 if Ap≠Aq

0 otherwise（6）

邊界項B（A）可以表示為對相鄰像素點p和q的不連續性的懲罰。B{p，q}的值可以用像素點的亮度梯度來表示：

B{p，q}∝exp-（Ip-Iq）22σ2·1dist（p，q）（7）

如果p和q亮度值越相近證明屬于一類的機會越大，B{p，q}越大，如果p和q的亮度差異很大證明兩個像素點灰度變化較大可能位于待分割目標的邊緣附近，B{p，q}接近0，需要將兩個像素之間相連接的邊進行分割。因此，邊界項上的規律為兩鄰域像素差別越大，B{p，q}越小，即被割斷的代價最小。

1.5 分割算法偽代碼

主要由兩部分組成，第一步分割后將會產生一個圖輸入大小相同的特征圖像，第二步將分割圖像按照無向圖處理，重新構建圖割算法的能量函數，從而完善分割后圖像的邊界細節。其中改進U-Net分割根據搭建的分割框架根據訓練好的參數結果將預處理后的原始圖像進行分割，獲取到了第一次分割的結果并進行保存，但部分椎骨邊緣分割分割黏連，沒有按照預想進行貼附椎骨邊緣細節進行分割。經過圖割算法，首先框選分割范圍，對前景與背景做出標記，從而優化出椎骨邊緣細節。優化算法偽代碼如下：

輸入：圖像數據集的訓練樣本X

輸出：分割完成的圖像數據

1 全卷積網絡讀入訓練樣本X

2 for x1，x2，…，xnX

3 訓練集訓練U-Net模型

4 end for

5 保存訓練得到的模型框架

6 加載U-Net模型，分割待分割圖像

7 圖割算法加載分割圖像

8 while E（A）不是最小值

10 更新E（A）

11 end while

12 得到圖像像素的概率圖，映射到待分割圖像

13 輸出圖像分割結果

2 實驗結果分析

2.1 實驗環境

本文分割算法實驗環境為Ubuntu16.04 LST 64位操作系統，3.4GHz CPU，16GB內存，顯卡NVIDIA GTX1080Ti Tensorflow1.8 Keras2.2框架進行椎骨CT圖像定位分割實驗。

采用模型微調的方式進行模型訓練，首先利用已有的數據集對預U-Net網絡模型進行與訓練作為基礎網絡;然后對U-Net的卷積層參數進行復制和固定;并通過設置標準偏差為2/N的高斯分布來初始化權重，其中N表示一個神經元的輸入節點的數量; 最后，設置合理的學習率，學習率過大會導致模型震蕩不能收斂，學習率過小會導致訓練速度慢，本文將學習率設置為0.001，學習率以“step”方式減小。

2.2 數據集

本文中所用的數據由MICCAI2015椎體分段挑戰提供，數據集主要是胸椎段和腰椎段的椎骨，該數據集平面內分辨率為512×512，水平分辨率是96dpi，垂直分辨率是96dpi，切片厚度為1mm，每個圖像都帶有相應的專家手動注釋的椎骨（白色）和背景（黑色）的真實分割圖。

本實驗的原有數據共選取MICCAI2015數據集中600張含有椎骨的CT圖像，訓練之前首先需要將原始DICOM格式的圖像保存為TIF的格式。這樣可以保留更多的圖像細節信息。然后通過數據增強的方式增大圖像訓練集，并將圖片分辨率改為256×256。新加入的數據集如果不做尺度變換，會對原來訓練集產生一定干擾。使模型訓練出現偏差，影響檢測精度。然后將脊椎CT圖像數據集隨機劃分為10個互斥子集，選取3個子集作為測試集，其余7個子集作為訓練集。為驗證分割結果的普適性，隨機篩選CSI椎骨數據集中10位患者椎骨圖像進行驗證分割，篩選患者性別數量平均，年紀范圍19～38周歲如表1所示。該數據集全部對外公開采集方式為醫院臨床治療樣片底版，數據集包含胸椎、腰椎CT圖像。

3.3 分割結果評估與分析

為了更全面的評估結果，我們同時采用區域和分類精度兩類評估指標[20-21]，即Dice重合率、Jaccard相似系數、分類精度和Hausdorff距離（Hausdorff distance，HdD）。其中Dice和Jaccard是基于區域的評價指標，側重于標簽參考區域與自動分割結果在空間維度上的重合度;分類精度和Hausdorff距離是基于像素點分類和像素距離的評價指標，側重于標簽參考區域與自動分割結果輪廓的重合度。當標簽參考區域與自動分割的區域完全重合時，即Dice、Jaccard、Precision指標越高，HdD指標越小時，表示分割出的椎骨效果越好。其定義如下：

Jaccard=|A∩B||A∪B|=|A∩B||A|+|B|-|A∩B|（8）

Dice=2|A∩B||A|+|B|（9）

precision=TPTP+FP（10）

HdD=max（maxPGGdmin（ps，S），maxPGSdmin（ps，S））（11）

式中：A為標簽參考區域;B為分割的區域;TP為正確分類樣本個數;FP為錯誤分類樣本個數;dmin（PG，S）為標簽參考區域上的點到分割區域上最近點的距離;dmin（ps，G）為分割區域上的點到標簽參考區域上最近點的距離。

如圖5所示為椎骨的實驗分割結果。利用本提出算法對頸椎圖像，胸椎切片圖像，以及腰椎圖像分別從冠狀面，橫截面，矢狀面進行分割。其中，圖5（a）為圖片原始數據，圖5（b）為模型分割結果，圖5（c）為加入圖割的分割結果。由圖可見，經過粗分割后圖像邊緣連接處存在過度分割的問題;而后將圖割算法加入進行邊緣像素約束，邊緣分割精度有明顯的提升。相比較于其他算法的邊緣不夠平滑，存在分割邊界凹凸不同的問題，本文的分割圖像邊緣較為平滑且分割效果較為突出。

為確保本文分割方法具有普適性，對于臨床椎骨圖像同樣適用。在同樣為臨床樣片的CSI數據集中隨機篩選出CT圖像進行分割，驗證分割方法的準確性。圖6（a）為原始臨床樣片，清晰可見各種臟器干擾。為了驗證分割普適性，將原始圖像導入分割算法后，經U-Net改進算法分割以及Graph-Cut算法優化，圖6（b）為得到的分割結果。

依據以上的分割結果，本文研究的框架模型與其他模型算法進行分割性能的評價與比較，可以看出本文模型作為本研究框架的核心算法，能夠更好的獲取目標邊界，具有較高的分割精度。為進一步展示所提方法的分割優勢，不同分割方法的實驗結果對比如圖7、圖8所示。

在Dice重合率、Jaccard相似度、HdD指標和Precision指標評價均優于其他傳統的椎骨分割算法。

本文的方法在效率上也相對比較高，分割速度對比結果如表2所示，平均處理一張圖片的時間大約需要1s與其他分割算法比較相對分割速度較快。這是因為本文的方法在網絡訓練好了以后就可以直接進行圖像分割工作，在分割的過程中只需要執行網絡的前項計算，而且本文的模型屬于端到端的網絡，即執行一次就可獲得分割結果，這樣節省了很多時間。

3 結 論

本文提出 一種基于改進的U-Net網絡和條件隨機場算法的椎骨分割方法。該方法首先將DICOM數據進行格式轉化，并對數據進行預處理。然后利用改進的U-Net網絡進行椎骨分割，通過加入了Dice損失函數，有效解決了椎骨圖像中前景與背景區域的比例問題。最后加入Graph-Cut進行邊緣約束，有效解決邊緣不平滑和分割不完整的問題。實驗結果表明本文方法在對椎骨輪廓進行分割時具有較高的效率和較好的分割精度，但對于椎骨切片內部的情況分割不完整。在之后的研究學習中，我們應該將CT圖像內部的空間特征和邊緣特征相結合，使得我們能夠更加精準的分割出椎骨。

參 考 文 獻：

[1] 陳濤， 黎觀保， 梁科友， 等. 脊柱-骨盆矢狀面平衡及其在脊柱疾病治療中的作用[J].中國組織工程研究，2013，17（13）：2423.

CHEN Tao， LI Guanbao， LIANG Keyou， et al. The Role of Spino-pelvic Sagittal Balance in the Treatment of Adultspinal Deformity[J].Journal of Clinical Rehabilitative Tissue Engineering Research，2013，17（13）：2423.

[2] 徐啟武. 中國神經外科學界應重視脊髓脊柱疾病的研究[J].中華神經外科雜志，2006（10）：581.

XU Qiwu. Chinese Neurosurgery Should Pay Attention to the Research of Spinal Cord Diseases[J].Chin J Nesurg， 2006（10）：581.

[3] YAO J， O′CONNOR S D， SUMMERS R M. Automated Spinal Column Extraction and Partitioning[C]// IEEE International Symposium on Biomedical Imaging： Nano To Macro. IEEE， 2006：390.

[4] LIM P H， BAGCI U， ARAS O， et al. Identification of Spinal Vertebrae Using Mathematical Morphology and Level Set Method[C]// Nuclear Science Symposium and Medical Imaging Conference. IEEE， 2011：3105.

[5] KLINDER T， LORENZ C， BERG J V， et al. Automated Model-B-ased Rib Cage Segmentation and Labeling in CT Images[M]// Medical Image Computing and Computer-Assisted Int-ervention-MICCAI 2007. Springer Berlin Heidelberg， 2007：195.

[6] KRINIDIS S， CHATZIS V. Fuzzy Energy-Based Active Contours[J]. IEEE Transactions on Image Processing， 2009，18（12）：2747.

[7] GLOCKER B， FEULNER J， CRIMINISI A， et al. Automatic Localization and Identification of Vertebrae in Arbitrary Field-of-view CT Scans[C]// Med Image Comput Comput Assist Interv， 2012：590.

[8] 劉俠， 匡瑞雪， 王波. 基于隱馬爾可夫場的脊柱CT圖像分割算法[J].哈爾濱理工大學學報，2018，23（2）：1.

LIU Xia， KUANG Ruixue， WANG Bo.Segmentation Algorithm of Spine CT Image Based on Hidden Markov Random Field[J]. Journal of Haerbin University of Science and Technology， 2018， 23（2）：1.

[9] MA J， LU L， ZHAN Y Q， et al. Hierarchical Segmentation and Identification of Thoracic Vertebra Using Learning-Based Edge Detection and Coarse-to-Fine Deformable Model[J]. Computer Vision & Image Understanding， 2013， 117（9）：1072.

[10]SUZANI A， SEITEL A， LIU Y， et al. Fast Automatic Vertebrae Detection and Localization in Pathological CT Scans-A Deep Learning Approach[C]// Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015. Springer International Publishing， 2015：678.

[11]CHEN H， SHEN C， QIN J， et al. Automatic Localization and Identication of Vertebrae in Spine CT Via a Joint Learning Model with Deep Neural Networks[C]// In International Conference on Medi-cal Image Computing and Computer-Assisted Intervention，2015：515.

[12]LONG J， SHELHAMER E， DARRELL T. Fully Convolutional Networks for Semantic Segmentation [J].IEEE Transactions on Pattern Analysis & Machine Intelligence ， 2017，39（4）：640.

[13]董靜薇，趙春麗，海博.融合同態濾波和小波變換的圖像去霧算法研究[J].哈爾濱理工大學學報，2019，24（1）：66.

DONG Jingwei， ZHAO Chunli， HAI bo. Research on Image Defog Algorithm Based on Fusion Homomorphic Filtering and Wavelet Transform[J].Journal of Haerbin University of Science and Technology，2019，24（1）：66.

[14]李小紅， 蔣建國， 吳從中. 圖像去椒鹽噪聲濾波器的研究[J]. 工程圖學學報， 2009（6）：113.

LI Xiaohong， JIANG Jianguo， WU Congzhong. Research on Filter for Removing Image Salt and Pepper Noise[J]. Journal of Engineering Graphics， 2009（6）：113.

[15]NAKASHIZUKA M， KOBAYASHI K I， ISHIKAWA T， et al. Convex Filter Networks Based on Morphological Filters and their Application to Image Noise and Mask Removal[J]. IEICE Transactions on Fundamentals of Electronics Communications and Computer Sciences， 2017， 100（11）：2238.

[16]CAO Wei， WANG Huabin， SHI Jun， et al. Enhancement Algorithm of Finger Vein Image Based on Weighted Guided Filter with Edge Detection[J]. Laser & Optoelectronics Progress， 2017， 54（2）：021007.

[17]WANG Qihui， XI Yan， CHEN Yi， et al. CT Reconstruction with Priori MRI Images Through Multi-Group Datasets Expansion[J]. Journal of Shanghai Jiaotong University（Science）， 2017（6）：118.

[18]HAN Y， YE J C. Framing U-Net Via Deep Convolutional Framelets： Application to Sparse-view CT[C]// IEEE Transactions on Medical Imaging， 2018：1.

[19]CHEN X， PAN L. A Survey of Graph Cuts/Graph Search Based Medical Image Segmentation[J]. IEEE Reviews in Biomedical Engineering， 2018（99）：1.

[20]韋修喜， 周永權. 基于ROC曲線的兩類分類問題性能評估方法[J]. 計算機技術與發展， 2010（11）：53.

WEI Xiuxi， ZHOU Yongquan. A New Performance Categories Evaluation Method Based on ROC Curve[J].Computer Technology and Development， 2010（11）：53.

[21]林珊珊， 周桂軍， 吳波. 面向對象的高分辨率遙感影像分割分類評價指標[J]. 地球信息科學學報， 2013：15（4）：567.

LIN Shanshan， ZHOU Guijun， WU bo.? Object-oriented High-resolution Image Segmentation and Classification Evaluation Index[J].Journal of Geo-information Science， 2013：15（4）：567.

（編輯：溫澤宇）