增強邊緣特征的肺結節分割模型

程照雪，李 陽，周 妍，魯慧民

長春工業大學 計算機科學與工程學院，長春 130102

肺癌是世界上最致命的癌癥之一，患者在五年內生存率僅為19%[1]。肺癌生存率與首次確診時的疾病階段密切相關，由于早期肺癌通常無癥狀，多數患者到中晚期才被診斷，只有21%的患者在早期能夠被確診[2]。如能做到早期篩查，則患者五年內生存率可以達到70%～90%，因此患者的早診早治至關重要[3]。目前，臨床上以非侵入式的計算機斷層掃描（computed tomography，CT）作為篩查肺癌的常規手段[4]。

肺癌在CT 上的早期表現通常為肺結節，是圓形或者類圓形的致密影。肺結節分割是肺癌早期診斷的關鍵步驟，能夠輔助放射科醫生評估結節直徑和形態。然而肺結節通常結構邊界模糊、大小形狀各異、紋理不均勻以及與肺實質中血管截面等組織相似，會對醫生的判斷產生干擾[5]。因此，開發肺結節自動分割技術，可以提高肺癌臨床診斷過程的效率，對后續診療具有重要意義。

1 相關工作

近年來，許多深度學習方法被提出，并被應用于肺結節分割。深度學習模型利用結節切片進行訓練，對于輸入圖像數據能夠自動地學習并提取其特征，完成肺結節的分割任務[6]。Long等人[7]提出全卷積神經網絡（fully convolutional networks，FCN），成功解決了語義級別的圖像分割問題。然而FCN的性能依賴于大量標注數據集，分割結果不夠精細。Ronneberger等人[8]在FCN基礎上提出具有完全對稱結構的U-Net 模型，與FCN 不同，U-Net在進行跳躍連接時使用拼接操作進行特征融合，而非逐點相加，分割效果更好。

U-Net具有靈活、簡單的優點，并且在少量樣本下依舊能獲得良好的分割效果，使得很多學者對其結構進行進一步研究。

鐘思華等人[9]提出一種改進的U-Net 分割算法，通過引入密集連接來加強網絡對特征的傳遞和利用，并提出混合損失函數來緩解圖像類不平衡問題，提高了肺結節分割的準確率。Keetha等人[10]在U-Net之間集成雙向增強特征金字塔網絡，提出了U-Det網絡。此外，利用Mish激活函數和掩膜類別權重來提高分割效率。Oktay等人[11]在U-Net 的基礎上加入一個集成注意力門（attention gate，AG），提出Attention U-Net，通過AG 消除跳躍連接過程中的無關信息及噪聲，降低模型計算消耗。張淑軍等人[12]提出一種新的深度分割網絡SAU-Net，使用自注意力模塊增加全局信息，將U-Net中的級聯結構改為逐像素相加，減小維度，降低計算量。Zhou 等人[13]針對U-Net 中的跳躍連接進行改進提出U-Net++，設計密集跳躍路徑將高分辨率圖像從編碼器逐漸地和解碼器中相應圖像優先進行融合，獲得多層次的特征，極大地縮減了參數量。黃鴻等人[14]基于融合自適應加權聚合策略提出一種改進的U-Net++網絡。首先在卷積神經網絡（convolutional neural network，CNN）中提取出不同深度特征語義級別的信息，再結合權重聚合模塊，將學習得到的權重加載到各個特征層上采樣得到的分割圖上以得到最終的分割結果。Huang等人[15]針對U-Net和U-Net++中跳躍連接中所存在的特征提取的不足，提出U-Net3+網絡。通過全尺度跳躍連接進行多尺度圖像融合，獲得更準確的位置感知以及邊界連貫的分割圖。

盡管上述模型在肺結節整體分割方面均取得了較好的效果，但在一定程度上忽略了結節模糊邊緣特征對分割結果的影響。Gabor濾波器以非監督的方式提取圖像的邊緣和紋理等內部結構信息，對紋理特征的表述能力更強，能夠減輕CNN 模型對訓練樣本的依賴度及特征提取的壓力[16]。Luan等人[17]通過將Gabor濾波器引入深度學習，使用Gabor濾波器來調制可學習的卷積濾波器，設計了Gabor 卷積網絡，用以增強圖像深層特征表示，在減少網絡參數量的同時，增強了網絡對圖像方向和尺度變化的魯棒性。與傳統卷積濾波器相比，Gabor卷積網絡具有更強的捕獲特征圖中紋理特征的能力，在圖像分類任務中表現良好，但很少用于分割任務的研究中。

綜上，結合Gabor 卷積對紋理特征的提取能力和U-Net網絡的完全對稱結構與跳躍連接，提出一種對稱雙分支結構分割模型GEU-Net（Gabor edge U-Net）。本文的貢獻有以下三方面：

（1）網絡結構：模型主干分支通過利用U-Net 來提取結節全局信息。設計Gabor 卷積模塊作用于邊緣分支來彌補U-Net處理邊緣紋理能力有限的缺點，以突出結節分割任務中的顯著邊緣特征。通過跳躍連接對主干分支與邊緣分支編碼器提取到的特征進行融合，使得網絡可以更好地分割目標，構造出GEU-Net網絡模型。

（2）損失函數與激活函數：使用Focal Loss 函數解決由于邊緣樣本在整個圖像中所占比例過小，導致的正負類樣本失衡的問題，通過交叉熵損失函數作用于主干分支以及Focal Loss作用于邊緣分支，將二者進行加權融合作為整個網絡的損失來充分訓練，進一步優化模型。使用Swish激活函數替代ReLU函數緩解深層網絡中存在的梯度消失問題。

（3）數據預處理：分析并制作了邊緣標簽。為充分訓練邊緣分支，利用LIDC-IDRI數據集和LNDb數據集中的分割標簽制作了肺結節邊緣輪廓標簽，并將其向兩端擴充了一個單位像素，作為邊緣分支訓練標簽。

2 GEU-Net模型結構

2.1 GEU-Net模型

設計的GEU-Net分割網絡如圖1所示，由主干分支與邊緣分支兩個部分組成。

圖1 GEU-Net 模型結構Fig.1 Model structure of GEU-Net

主干分支為U型網絡，整個過程分為編碼階段和解碼階段。編碼階段由兩個連續的3×3 卷積來提取結節特征，由于Swish激活函數在深層網絡中緩解梯度消失能力優于ReLU激活函數，并且具有非單調且平滑的特性[18]，因此將ReLU 激活函數替換為Swish 函數。將一個步長為2的2×2最大池化層用于下采樣，共重復四次來降低圖像的尺寸獲得結節淺層特征。解碼階段由一個2×2的反卷積和兩個連續的3×3卷積組成，共經歷四次上采樣來恢復圖像尺寸并獲取結節深層特征。在最后階段，應用1×1 卷積將圖像的特征映射減少到所需通道數，生成分割圖像。為避免解碼時丟失大量空間信息，采用跳躍連接的方法，將編碼器中提取到的結節特征拼接到解碼器中對應的層結合獲取更多結節信息。

由于結節邊緣中的像素特征含有較少的上下文信息，因此在網絡進行跳躍連接時并不能將結節邊緣特征信息進行充分的利用。為此，設計了具有編碼-解碼結構的邊緣分支。編碼部分使用Gabor 卷積模塊（Gabor convolutional module，GCM），對結節紋理特征進行有效提取，以充分訓練模型對結節邊緣的提取能力。經GCM 構成的編碼器后，生成的特征圖尺寸將減半。解碼部分經歷四次上采樣將GCM提取到的特征還原至輸入尺寸。為實現網絡對邊緣特征的有效利用，在邊緣分支進行編碼過程中采用跳躍連接的方式將提取到的紋理信息拼接到主干分支中進行整合，將網絡提取到的淺層特征與深層特征進行融合，以獲得更加精確的病變邊界定位信息，得到更為精細的分割結果。

2.2 Gabor卷積模塊

Gabor 卷積模塊結構如圖2 所示。Gabor 卷積模塊由兩個卷積層（一個3×3 卷積和一個Gabor 卷積）、一個激活層、一個池化層以及一個通道注意力機制（channel attention，CA）組成。GCM通過一個3×3的卷積進行結節特征提取獲得信息，隨后使用一個Gabor卷積層增強網絡對結節邊緣特征的提取能力。利用最大池化層來降低圖像分辨率，從而減少參數，防止過擬合，提高網絡的泛化能力。經過Gabor 卷積層提取到的結節特征重要性不同，因此需要進一步使用CA來增強邊緣紋理特征的響應，以提高邊緣紋理特征的提取能力。

圖2 Gabor卷積模塊結構Fig.2 Gabor convolutional module structure

Gabor濾波器能夠增強結節邊緣的尺度和方向分解能力，對結節的邊緣信息較為敏感，在提取結節局部特征的同時，對結節的不同尺度、不同方向上的特征能夠進行充分提取。然而，在目前流行的基于深度學習的肺結節分割算法中，多數忽略了對于結節紋理特征的提取，使得分割效果不夠理想。因此選擇將Gabor 濾波器引入CNN，設計出Gabor卷積層（Gabor convolutional layer，GCL），在每個卷積層中，卷積濾波器被具有不同方向和不同尺度的Gabor 濾波器調制，形成了Gabor 方向濾波器（Gabor orientation filters，GoFs），相應地，卷積得到的結節特征被增強。GoFs在肺結節圖像上的具體生成過程如圖3所示。

圖3 Gabor卷積層過程Fig.3 Gabor convolutional layer process

在卷積濾波器經過Gabor濾波器調制之前，通過反向傳播算法進行學習，被稱為學習濾波器。在CNN中，標準的卷積濾波器大小為C×W×W,C為輸入特征圖的通道數，W×W為卷積核大小。在給定尺度為v的學習濾波器上使用U個方向(U=4)、大小為W×W的Gabor濾波器調制成GoFs。GoFs的公式如式（1）所示：

其中，Ci,o代表學習濾波器，大小為C×W×W，°代表矩陣的逐像素乘積操作，u∈[1,U],G(u,v)表示在v尺度下u方向上的大小為W×W的Gabor 濾波器。由于G(u,v)是已知的，因此網絡只需要保存C×W×W個可學習的參數，這樣在不增加額外參數的情況下就能增強網絡對結節方向和尺度的分解能力，同時能夠捕獲結節邊緣特征。

Gabor方向濾波器計算如式（2）所示：

在GCL 中，GoFs 用于增強特征圖深層特征中的尺度和方向信息。GoFs與輸入特征圖進行卷積之后得到輸出特征圖。的定義如式（3）所示：

其中，F為輸入特征圖，表示第i個尺度為v的GoFs，輸出特征圖含有C個通道，則第k個特征圖的計算方式如式（4）所示：

其中，c代表輸入特征圖F和Ci,u的通道，?代表卷積操作，k代表濾波器的方向數，取值范圍為[1,U]。

GoFs與輸入結節特征圖的卷積過程如圖3所示，將一組大小為C×H×W的輸入結節特征圖與一組大小為4×C×W×W的4 個GoFs 分別按照式（3）進行卷積操作，輸出4 個大小為C×H×W的結節特征圖。與標準的卷積層的輸出結節特征圖不同，經過GCL 的輸出特征圖方向和尺度信息得到增強，使得網絡學習到的特征對于圖像尺度和方向變化具有更強的魯棒性，有利于網絡對結節邊緣特征進行學習。在進行反向傳播的過程時，網絡僅需更新Ci,o就能實現反向傳播。

2.3 損失函數

2.3.1 交叉熵損失函數

二進制交叉熵損失函數（binary cross entropy，BCE）被單獨用于評估每個像素的類預測，隨后對得到的所有像素求均值，使得圖像中的所有像素能夠被平等學習。BCE損失函數的定義如式（5）：

其中，N代表樣本像素點個數，yi代表像素點i的類別，正樣本為1，負樣本為0，pi代表像素點預測為正的概率。

2.3.2 Focal Loss函數

由于在肺結節的分割過程中，結節邊緣的像素數量遠小于背景區域像素數量，導致訓練過程中很難學習到結節目標區域的邊緣特征，降低了分割網絡的性能。Focal Loss[19]是一種用于解決正負類樣本不均衡問題的損失函數，為提升模型的泛化能力，其引入動態縮放系數γ，來增強學習難例樣本的特征，減小易分樣本的貢獻。為提高網絡的分割性能，需要加強肺結節圖像邊緣特征的利用，為此引入Focal Loss。Focal Loss 的定義如式（6）所示：

其中，N代表樣本像素點個數，β代表平衡正負樣本重要性的參數權重因子，取值范圍為[0,1]。yi代表像素點i的類別，正樣本為1，負樣本為0，pi則代表像素點i預測為正的概率。

2.3.3 混合損失函數

單一的損失函數往往無法解決樣本不均衡所造成的模型性能下降問題?；旌蠐p失函數能夠聯合不同損失函數間的優點，緩解單一損失函數缺陷，提高模型泛化能力。使用BCE損失函數的模型預測結果會嚴重偏向數量較高的類別，導致對邊緣區域中較為模糊的像素進行分類時性能會急劇下降。為進一步增強結節區域的邊緣輪廓特征來提升網絡分割性能，提出一種混合損失函數用于提高模型對肺結節區域的分割能力。

GEU-Net是一個雙分支結構，包括一條主干分支網絡，其使用BCE損失函數來學習肺結節整體區域，同時將Focal Loss 作用于邊緣分支以緩解樣本極不均衡的情況。保證主干網絡在學習到所有結節像素的同時，利用邊緣分支抑制主干網絡因使用BCE損失函數所造成的預測偏向樣本數量較多的背景像素的現象，同時使用Focal Loss的邊緣分支還可以有效補充邊緣信息，最后將二者進行加權融合作為整個網絡的損失函數L。具體如式（7）所示：

其中，α為權重因子，用于平衡結節區域損失與邊緣區域損失對肺結節最終分割結果的影響。

3 實驗結果與分析

3.1 實驗數據

為驗證GEU-Net 的分割效果，設計了大量對比實驗，實驗數據分別來自公開的肺部影像數據庫LIDCIDRI 和LNDb。其中LIDC-IDRI 數據集包括來源于美國國家癌癥研究所所收集的1 010 個患者的1 018 套全肺CT 掃描圖像[20]。數據集中的每個實例圖像均由4 位醫師分別獨立診斷，標注了病患的位置及類別。共包含3 種類別信息：（1）≥3 mm 的結節；（2）<3 mm 的結節；（3）≥3mm的非結節。數據集的每個病例都有一個存儲結節信息的XML 文件，其中對于≥3 mm 的結節根據精細度、內部結構、鈣化、球形度、邊緣、分葉征、毛刺征、紋理和良惡性等進行結節特征描述，對于<3 mm 的結節，其信息簡單地由結節所在圖像標識以及結節中心點坐標組成，每張圖像的像素為512×512，實驗共獲得4 115張圖像。LNDb 數據集來源于葡萄牙波爾圖的中央醫院在2016年至2018年所收集的294次CT掃描圖像，每張圖像的像素為512×512，LNDb中的CT圖像手動注釋方法與LIDC-IDRI數據集相同，注釋過程因不同類別而異[21]。為完整得到結節標簽，選取了結節≥3 mm 的圖像，共得到2 664 張CT 圖像，圖4 給出了實驗數據預處理的過程，包含（1）主干網絡數據預處理過程和（2）邊緣分支標簽預處理。

圖4 實驗數據預處理Fig.4 Experimental data pre-processing

3.1.1 主干分支數據預處理

選取的圖像首先根據病例文件夾中的標注文件標注出圖像中的肺結節位置。由于肺結節在原始CT圖像中占比很小，會產生類不平衡的問題，從而影響網絡的訓練過程。因此對得到的原始圖像進行裁剪以減少肺部其他組織對實驗結果造成的影響。根據標注文件中提供的結節位置中心點將原始圖像與標簽圖像尺寸裁剪為96×96像素大小，完整保留結節信息。預處理實驗結果如圖4（1）過程所示。

3.1.2 邊緣分支數據預處理

為增強模型對結節邊緣特征的學習能力，通過制作肺結節邊緣標簽，使得網絡能夠充分學習結節的邊緣標簽，所以將裁剪得到的結節標簽使用Canny算法提取結節邊緣，并將其向兩端分別延展一個單位像素作為結節邊緣標簽，如圖4（2）所示，具體步驟如下：

（1）將結節標簽記為F(x,y)，使用Sobel 算子[22]獲取圖像梯度信息記為G(x,y)，如式（8）所示：

（2）對提取到的梯度值進行非極大值抑制。

（3）用雙閾值算法檢測和連接邊緣，得到完整的邊緣圖像記作G′(x,y)。

（4）遍歷G′(x,y)得到邊緣坐標信息，分別對檢測到的每個邊緣點擴展至三個像素點，即每個邊緣點向左右兩端延展一個單位像素，得到更加清晰的結節邊緣標簽圖像Gedge_label。

3.2 實驗細節

實驗基于PyTorch1.8深度學習框架，使用Python3.8編程語言，計算機使用內存為16 GB，顯存為6 GB 的NVIDIA GeForce RTX3060。

根據3.1 節中實驗數據處理的過程，分別將LIDCIDRI 得到的4 115 張肺結節圖像和LNDb 得到的2 664張肺結節圖像按照8∶1∶1的比例分別劃分訓練集、驗證集和測試集。由于肺結節圖像分割數據的標記量較少，從而導致模型容易出現過擬合現象。將得到的數據通過隨機裁剪、隨機水平翻轉、隨機旋轉進行數據擴充來提升網絡的泛化能力。

參數訓練使用Adam優化算法，批量大小設置為16，訓練迭代100 次，動量因子為0.9，初始學習率均設置為0.05，學習率使用步長衰減策略，周期為10，即每10輪學習率減少50%。

3.3 實驗評價標準

實驗采用準確率（Accuracy）和召回率（Recall）作為評價指標，具體公式如式（9）、（10）所示：

Accuracy 表示預測的正樣本占所有樣本的比例，Recall代表預測的正樣本占所有真實正樣本的比例。由于肺結節圖像中正負類樣本極度不均衡，Accuracy 和Recall并不能很好地衡量分割效果。因此實驗還選取了醫學圖像分割領域中常用的評價指標：平均交并比（mean intersection over union，MIoU）、Dice 系數來評估分割模型的性能[23]。MIoU代表模型對每一類預測的結果與真實值的交集和并集的比值，再求和平均的結果。Dice系數則是用來衡量預測結果與真實結果的相似程度，值越大代表模型越好。具體公式如式（11）、（12）所示：

其中，TP 表示正確預測為結節區域的像素數量、TN 表示預測為其他區域的像素數量、FP 表示將其他區域預測為結節區域的像素數量、FN 則表示錯誤將結節區域預測為其他區域的像素數量，k代表類別。

3.4 實驗結果與分析

3.4.1 激活函數對比

神經網絡的本質是函數擬合，于是通過使用激活函數為模型引入非線性，更好地逼近任意函數。合適的激活函數可以提高模型的性能，實驗分別對比了ReLU、Mish[10]和Swish 激活函數[18]對GEU-Net 模型性能的影響，實驗對比結果如表1所示。

表1 不同激活函數對GEU-Net性能的影響Table 1 Effect of different activation functions on performance of GEU-Net 單位：%

由表1 可以看出，模型采用Swish 激活函數之后分割指標均優于使用ReLU或Mish激活函數。Swish激活函數提高了模型的非線性，對模型的泛化能力有一定提升。

3.4.2 損失函數對比

為探究不同損失函數對模型分割性能的影響以及驗證所提出的混合損失函數的效果，對比了不同損失函數作用于GEU-Net 模型。包括BCE 損失函數和Focal Loss，由于Dice 系數是醫學圖像分割中的重要衡量標準，可以通過預測結果與真實標簽之間的重疊區域大小來計算分割精度，因此也將Dice損失納入對比實驗中。對比結果如表2所示。

表2 不同損失函數在網絡中的表現Table 2 Performance of different loss functions in network 單位：%

觀察表2可知，當網絡分別使用單一的BCE與Focal loss損失時，模型取得了較優的性能。但Dice損失表現并不理想，這是由于肺結節通常體積較小，使用Dice損失的模型訓練往往不穩定。但是當Dice損失與其他函數混合使用時，性能往往可以得到提升，使得混合損失函數的使用更為廣泛。由實驗結果可以看出，使用混合損失函數的模型效果高于單一損失函數的結果。使用單一損失函數的網絡模型分割效果存在缺陷，這是因為深度學習網絡在進行訓練時網絡參數量較大，單一的損失函數難以遍歷所有像素所致。考慮到三種損失函數的優缺點，并結合對比實驗的實驗結果來看，實驗最終選擇以主干分支選用BCE損失函數以及邊緣分支使用Focal Loss 損失函數來彌補非混合損失函數模型分割結果的不足，更好地解決正負類樣本不均衡的情況，加強網絡對難例樣本的學習，使得網絡的分割性能更優。

為尋求最優混合損失函數的效果，通過使用不同的權重因子來訓練模型。表3 列出了不同權重因子對GEU-Net 性能的影響。由表3 可以看出當α設置為0.5時，Dice 系數達到了92.79%，模型的性能表現最佳，此時的α=0.5 即為最佳權重因子。

表3 不同權重因子對GEU-Net性能的影響Table 3 Effects of different weighting factors on GEU-Net performance 單位：%

3.4.3 Gabor卷積模塊消融實驗

為驗證Gabor卷積模塊的特征提取能力，設計消融實驗對其進行驗證。所有實驗訓練配置均相同。以U-Net網絡為基線模型，對比沒有加入Gabor卷積模塊的邊緣分支網絡記作EU-Net，GEU-Net 網絡邊緣分支中的編碼器部分一共有五層，將編碼器中不同的卷積層從第一層至第五層分別替換為Gabor 卷積模塊記作GE1～GE5來進行消融實驗。具體結果如表4所示。

表4 消融實驗性能對比Table 4 Ablation experiment performance comparison 單位：%

對比原始U-Net模型，加入邊緣分支后的模型對結節像素的判別能力得到了有效提升。隨著將Gabor 卷積模塊逐步替換原始卷積，GEU-Net對結節邊緣輪廓特征的捕獲能力逐漸得到提升，當將全部編碼層替換為Gabor卷積模塊后網絡性能達到最優。同時為了更加直觀地展現GEU-Net的分割性能，繪制了消融實驗訓練曲線圖，包括了消融實驗訓練過程中的損失曲線，如圖5（a）所示。為驗證邊緣分支充分學習到了肺結節區域的邊緣特征，繪制了Dice、MIoU、Recall 和Accuracy 曲線，如圖5（b）～（e）所示。具體曲線如圖5所示。

圖5 消融實驗曲線對比Fig.5 Ablation experiment curve comparison

從訓練曲線來看，GEU-Net在各項指標上均領先于U-Net模型。并且邊緣分支的提出改善了模型對肺結節區域分割的效果，Dice 系數達到了90.94%，與U-Net 模型相比提升了5.30 個百分點，MIoU 提高了6.69 個百分點，分割性能也有所提升。當將Gabor卷積模塊逐步應用于邊緣分支網絡之后，模型的性能也得到了相應提升，將全部編碼層替換為Gabor卷積模塊后網絡性能達到最優，Dice系數達到了92.79%，與EU-Net相比提升了1.85個百分點，MIoU與EU-Net相比提升了2.91個百分點。相比U-Net，使用邊緣分支的網絡收斂速度更快，并且迭代訓練次數達到50 輪以后，模型的損失便逐漸趨于穩定，其在訓練集的損失低于1%，可以充分提取到結節區域的邊緣特征，提高了模型的分割性能。

3.4.4 對比實驗

為驗證提出的GEU-Net 模型分割效果，在同樣的訓練數據下使用相同的訓練參數，分別訓練了FCN[7]、SegNet[24]、U-Net[8]、Attention U-Net[11]、U-Net++[13]以 及U-Net3+[15]六種模型作為對比實驗。對比實驗結果見表5和表6。

表5 LIDC-IDRI對比實驗結果Table 5 LIDC-IDRI comparative experiment results 單位：%

表6 LNDb對比實驗結果Table 6 LNDb comparative experiment results 單位：%

從表5和表6可以看出，FCN網絡的分割性能最低，這是因為FCN 對結節區域中的細節信息不敏感，忽略了像素與像素之間的關系，無法學習全局上下文信息。SegNet 由于沒有使用跳躍連接從而無法將淺層的特征信息發送到更深層，全局上下文信息依然不能被利用。U-Net網絡雖然使用了跳躍連接但結節特征的表達性不高，分割結果不夠精細。三種模型的Dice、MIoU 以及Recall 的數值都較低。引入軟注意力機制的Attention U-Net模型，使得小結節區域的目標特征值增大，各項指標均有所提升。U-Net++和U-Net3+模型則是對U-Net網絡更進一步改進，均是利用了多尺度融合策略，通過多層次的特征融合來增加模型的學習能力，在融合了不同層次特征之后模型的各項指標也均有所提升。但是以上模型都沒有重點關注結節圖像的邊緣輪廓，忽略了結節圖像所存在的邊緣模糊特性，出現圖像欠分割現象，網絡訓練不充分。而GEU-Net所有指標幾乎均高于其他模型，在LIDC-IDRI和LNDb測試集上的Dice系數分別達到92.79%和86.78%，MIoU達到87.53%和79.09%，Recall 達到94.35%和87.43%，Accuracy 達到99.68%和99.76%。與傳統U-Net相比，四個指標分別提升7.15和3.21個百分點、9.83和4.33個百分點、8.06和3.47個百分點、1.44和1.21個百分點，說明邊緣分支中Gabor卷積模塊以及混合損失函數的提出具有一定優勢，GEU-Net可以將肺結節邊緣特征進行利用，使得分割結果更加精細，網絡性能得到優化。

為進一步直觀地顯示出對比實驗的實驗效果，實驗繪制了對比實驗訓練曲線圖，包括LIDC-IDRI數據集和LNDb數據集在對比實驗訓練過程中的損失曲線，如圖6（a）和圖7（a）所示。為直觀顯示出GEU-Net 的訓練效果，繪制了LIDC-IDRI 數據集和LNDb 數據集的Dice、MIoU、Recall和Accuracy曲線，分別如圖6（b）～（e）和圖7（b）～（e）所示。具體訓練曲線如圖6和圖7所示。GEU-Net網絡的穩定性均優于其他網絡，各項指標隨著訓練次數的增加而增加，在50輪迭代左右趨于收斂，為保證訓練結果絕對精準，各項實驗均迭代100輪。

圖6 LIDC-IDRI數據集對比實驗曲線對比Fig.6 LIDC-IDRI dataset comparative experiment curve comparison

圖7 LNDb數據集對比實驗曲線對比Fig.7 LNDb dataset comparative experiment curve comparison

表7展示了對比實驗中模型的參數量、平均分割時間以及GFLOPs。

表7 網絡參數對比Table 7 Network parameter comparison

由于提出的GEU-Net模型具有雙分支網絡結構，所以模型參數量與其他網絡相比有一定增加。相應地，平均分割時間消耗也有一定增加。

3.4.5 實驗分割效果

結合對比實驗，肺結節圖像病灶可視化結果如圖8所示。圖8（a）至圖8（i）分別為原始圖像、專業醫師標注的肺結節金標準，以及FCN、SegNet、U-Net、Attention U-Net、U-Net++、U-Net3+和GEU-Net 模型對肺結節區域的分割結果。紅框框出的部分可以顯著突出所提出的GEU-Net對比其他模型分割更精細的地方，分割結果更為直觀。由于FCN 模型結構較為單一，所以對圖像中的細節并不敏感，觀察圖8（c）可以發現，FCN的分割效果十分粗糙，包含大量的假陽性區域。SegNet模型通過引入反池化結構可以實現更為精確的上采樣，對比FCN模型SegNet減少了假陽性區域，見圖8（d）所示，分割效果得到了改善。U-Net使用了跳躍連接，充分利用底層特征，同樣改善了分割效果，如圖8（e）所示。但結節分辨率較低、邊緣模糊等問題會導致這些模型將部分非結節組織劃分為前景區域，存在明顯的假陽性現象，分割效果并不理想。Attention U-Net 模型通過引入軟注意力機制增強結節區域的響應緩解此類現象，改善了分割效果，如圖8（f）所示。U-Net++將不同層上采樣的分割圖進行平均作為最終分割結果，進一步提高了肺結節區域分割的精確度，但并未考慮不同層間的重要程度，這樣使得模型仍存在部分假陽性像素，如圖8（g）所示。U-Net3+通過全尺度的跳躍連接把來自不同尺度特征圖中的高級語義與低級語義結合，進一步細化了分割效果，如圖8（h）所示。上述U-Net的相關模型都提出將淺層特征與深層語義特征進行融合，以實現模型分割任務性能的提升，但并未明確學習淺層特征的辨別能力。提出的GEU-Net模型，明確指出需要學習結節的底層邊緣特征，同時利用Gabor 卷積模塊來強化提取邊緣特征。如圖8（i）所示，GEU-Net模型在模型邊緣的處理上要優于其他模型，可以看出肺結節邊緣輪廓更加清晰，結合實驗可以證明GEU-Net 模型能判別出更為精細的邊緣，分割結果更加接近金標準。

圖8 對比實驗可視化效果Fig.8 Contrast experimental visualization effect

4 結束語

針對肺結節圖像的邊緣像素點模糊問題，提出了一種雙分支結構的GEU-Net 模型來加強對肺結節邊緣特征的利用。構建出一種編碼器-解碼器結構作為邊緣分支來緩解正負類樣本不均衡的問題，提出了Gabor卷積模塊作用于邊緣分支，以充分捕獲結節圖像的邊緣紋理特征。設計了一種混合損失函數增強模型對結節邊緣特征的提取能力。在肺結節公開數據集LIDC-IDRI 和LNDb上的實驗結果表明，所提出的GEU-Net能夠提取肺結節區域的邊緣特征，使得分割效果有所提升。在后續工作中，將研究針對小結節的分割算法，以及研究主干分支與邊緣分支特征提取層共享參數，解決雙分支參數量變多的問題，來實現模型的更優性能。