DUNet++：基于UNet++改進的皮膚病變分割網絡

周澤華 全星日

關鍵詞：黑色素瘤皮膚病變分割；UNet++；ISIC2016；空洞卷積；卷積神經網絡

0 引言

黑色素瘤起源于黑色素細胞的惡性轉化，它可以逐漸擴散和轉移，是最具有侵襲性和致命的皮膚癌類型。雖然惡性黑色素瘤擁有如此高的死亡率，但早期診斷和干預可以將患者的存活率大大提高，并改善不良預后。在黑色素瘤的早期診斷中，計算機輔助診斷系統作為醫生的重要診斷決策工具，可以幫助臨床醫生專注于疾病的特定區域，并提取詳細信息以進行更準確的診斷，但目前其算法性能仍有較大的進步空間，仍面臨著巨大的挑戰。諸多研究人員在傳統神經網絡的基礎上，提出了眾多優秀模型并不斷改進，在此過程中，Olaf Ronneberger等人[1]在全卷積網絡FCN思想上提出了U-Net網絡架構，該架構采用由編碼階段和解碼階段組成的U型結構，在醫學圖像分割任務上獲得了較好的結果，被大量引用和用以改進，FisherYu提出空洞卷積概念[2]，該結構在不改變模型參數的前提下提高卷積層的感受野，使其看得更廣，可以更好地統籌全局信息，進而在一定程度上提高模型的分割精度；Zongwei Zhou等人[3]在U-Net模型基礎上進行改進，提出了UNet++網絡架構，該架構把U-Net網絡結構的前4層連接在一起，并引入深監督機制，讓網絡自身去學習不同深度的特征權重，UNet++架構在圖像分割任務中具有優秀的分割性能。本文基于UNet++模型進行改進，提出了一種在皮膚病圖像分割任務中性能表現更好的網絡模型，在ISIC2016挑戰皮膚病變數據集分割任務中擁有比U-Net、SegNet、UNet++、AttU_net等模型更好的分割性能。

1 基于UNet++改進的DUNet++

在UNet++網絡中，每個卷積塊由兩層conv-BatchNorm-ReLU組成，通過標準3×3卷積層來提取圖像特征，通過下采樣和上采樣分別獲得淺層特征和深層特征，通過跳過連接將同層中前部的淺層特征傳遞給后部并與深層特征相融合。在這種稠密連接的方式中，每一層都盡量多地保存全局信息和細節信息，最后將這些信息共享給最后一層，進而較好地保留和重構了全局信息和細節信息。

在圖像分割任務中，卷積神經網絡應用卷積層與池化層進行特征提取，同時減小了圖像的尺寸，之后再通過上采樣將圖像尺寸還原，圖像在放大縮小的過程中分辨率會降低，導致圖像語義信息有所丟失。應用擴張卷積層[3]可以獲得更大的感受野，在一定程度上緩解因圖像分辨率降低導致的語義信息丟失。

不同擴張率的感受野大小對比如圖1所示，標準的3×3卷積核只能看到對應3×3區域的大小，擴張率為2的3×3空洞卷積在卷積核參數不變的情況下將感受野擴大為7×7。擴張率為4的3×3空洞卷積更是在卷積核參數不變的情況下，將感受野擴大為15×15。更大的感受野使得空洞卷積塊在特征提取過程中可以看得更多，即可以更好地統籌全局信息。

本研究提出了一種新的用于皮膚病圖像分割的卷積神經網絡模型，稱為DUNet++（Dilated UNet++）。在該網絡中，將除了輸入端第一個以外的所有雙層標準卷積塊替換為擴張率分別為1、2、3的三層空洞卷積塊。DUNet++的模型架構如圖2所示。圖3為雙層標準3×3卷積塊與本實驗所用的擴張率分別為1、2、3的三層空洞卷積塊的對比。

2 實驗及實驗結果分析

2.1 數據集與圖像預處理

本研究使用的數據集是針對黑色素瘤皮膚病變分割的ISIC2016挑戰皮膚病變數據集。該數據集包含900張用于訓練的黑色素瘤皮膚病變RGB圖像及其二進制注釋標簽和用于測試的包含379張黑色素瘤皮膚病變RGB圖像及其二進制注釋標簽。

病變圖像色彩信息在分類任務中很重要，但在分割任務中色彩信息對分割結果影響不大，而病變區域邊緣梯度信息卻是分割任務的重要根據。本研究對使用的ISIC2016挑戰皮膚病變數據集進行預處理。首先使用雙線性插值法和最鄰近插值法分別將黑色素瘤病變圖像及其二進制注釋標簽尺寸統一調整為512×512像素，然后將其轉為灰度圖，去除色彩信息，保留邊緣梯度信息，減少模型計算量。

2.2 實驗數據分析

本實驗使用IoU、Recall、Precision、Accurcry、DICE系數和F1-score來評估本文提出的模型和各對比模型在ISIC2016數據集上的分割精度。六種評估指標均根據混淆矩陣計算。在混淆矩陣中，TP：像素點實際是病變像素，模型將其正確預測為病變像素；TN：像素點實際是皮膚像素，模型將其正確預測為皮膚像素；FP：像素點實際是皮膚像素，模型將其錯誤預測為病變像素；FN：像素點實際是病變像素，模型將其錯誤預測為皮膚像素。混淆矩陣格式如表1所示。

對于本研究提出的DUNet++模型和用于對比的U-Net[1]、UNet++[3]、AttU_net、R2U_net[4]、SegNet 和UNet3+[5]模型，均使用了BCEWithLogitsLoss作為損失函數，并應用了RMSProp optimizer，初始學習率設置為0.000 1。對于ISIC 2016挑戰皮膚病變數據集，本研究的模型和其他對比模型均經過了40 epoch的訓練，batchsize 設置為1。最后將各模型分割性能在IoU、Recall、Precision、Accurcry、DICE系數和F1-score六項評估指標上進行對比，各方法分割性能對比結果如表2所示。

由表2中對比數據可見，在基于ISIC2016挑戰皮膚病變圖像數據集的分割任務中，本研究提出的DU?Net++模型在各項指標上的表現均優于其他對比模型，在與本模型作為改進基準的原版UNet++模型的對比中，其IoU、Recall、Precision、Accurcry、DICE系數和F1-score 六項評估指標分數分別提高了1.78%、2.14%、0.68%、0.50%、1.29%和1.38%，說明在本研究改進點上獲得了較好的結果。

3 結論

由于惡性黑色素瘤的高致死率和進行早期診斷治療后的高生存率，準確的計算機輔助診斷算法對黑色素瘤的早期診斷意義重大，它可以幫助醫生對黑色素瘤患者的病灶進行早期診斷和分割，給醫生提供更多時間進行治療方案決策和后期治療，有效提高患者生存率。本研究提出一種基于UNet++改進的卷積神經網絡DUNet++，在UNet++網絡中引入空洞卷積，并展示了DUNet++和其他一些對比模型在預測結果和評估指標上的對比。根據本實驗結果，針對ISIC2016挑戰皮膚病變數據集，DUNet++在IoU、Recall、Preci?sion等六項評估指標上均超過了本實驗用作對比的U-Net、AttU_net、UNet++[2]、R2U_net[4]、SegNet 和UNet3+[5]模型。這說明在皮膚病變圖像分割任務中，本研究提出的DUNet++網絡模型在分割性能上有優勢。