基于UNet的圖像分割研究郁華鑫

關(guān)鍵詞： 圖像分割;UNet;注意力模塊;損失函數(shù)

中圖分類號：TP399 文獻標志碼：A

0 引言（Introduction）

在信息化時代，借助計算機輔助診斷技術(shù)，我們能夠迅速、準確地對患者的肺部CT圖像進行病灶分割，從而輔助醫(yī)生更有效地制訂治療方案。圖像分割技術(shù)發(fā)展至今，主要可以分為閾值分割、區(qū)域分割和聚類等方法[1]。

隨著深度學(xué)習(xí)技術(shù)的不斷進步，醫(yī)學(xué)圖像分割準確率也得到了顯著的提升。RONNEBERGER 等[2]提出了一種名為UNet的創(chuàng)新性圖像分割方法。該方法采用特定的卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)，能夠在保證圖像高分辨率的同時，實現(xiàn)對圖像的多物體或多區(qū)域的精準分割。CHEN等[3]提出了一種名為DeepLab的圖像分割方法。該方法采用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的結(jié)構(gòu)，通過多種不同的網(wǎng)絡(luò)層，實現(xiàn)對圖像精準的語義分割。ZHOU等[4]提出的UNet++在醫(yī)學(xué)圖像分割中進一步改進了UNet結(jié)構(gòu)。UNet++通過嵌套和密集的連接模塊，增強了網(wǎng)絡(luò)的特征表達能力。

目前，廣泛應(yīng)用的圖像分割算法主要基于全局特征進行分割，然而有些患者的肺部影像中會出現(xiàn)白色玻璃狀病灶，所以僅僅依賴全局特征，可能無法有效捕捉到圖像之間的細微區(qū)別信息。

1 UNet算法及其改進（UNet algorithm and itsimprovement）

1.1 UNet網(wǎng)絡(luò)結(jié)構(gòu)

在計算機視覺領(lǐng)域，圖像分割是一項關(guān)鍵的任務(wù)，旨在將圖像劃分為不同的語義區(qū)域，以實現(xiàn)更深層次的理解。為了應(yīng)對這一挑戰(zhàn)，近年來深度學(xué)習(xí)方法憑借其強大的特征提取和表示能力，在該任務(wù)中取得了顯著的成就。其中，UNet網(wǎng)絡(luò)架構(gòu)作為一種神經(jīng)網(wǎng)絡(luò)模型，因其卓越的性能和在多個領(lǐng)域的廣泛應(yīng)用而備受矚目;其名稱源于網(wǎng)絡(luò)結(jié)構(gòu)的“U”形狀，該結(jié)構(gòu)由對稱的編碼器和解碼器組成，通過建立跨層次的連接捕獲豐富的上下文信息，這種獨特的結(jié)構(gòu)使得UNet在處理細節(jié)信息和保留全局上下文方面表現(xiàn)出色。

圖1是UNet網(wǎng)絡(luò)的結(jié)構(gòu)圖，結(jié)構(gòu)圖的左半部分是編碼器部分，通過堆疊卷積和池化層，網(wǎng)絡(luò)能夠逐漸降低空間分辨率并提取高級抽象特征。解碼器部分通過上采樣和跳躍連接的方式，將這些抽象特征還原為與輸入圖像相同的分辨率。這種設(shè)計使得UNet在保留圖像細節(jié)的同時，還具備了強大的上下文感知能力，適用于多種圖像分割任務(wù)，如醫(yī)學(xué)圖像分割、衛(wèi)星圖像解析等。

1.2 UNet網(wǎng)絡(luò)檢測原理

UNet網(wǎng)絡(luò)的實現(xiàn)可分為編碼器、中間特征層和解碼器3個主要部分，每個部分都承擔(dān)著特定的操作，共同負責(zé)處理輸入數(shù)據(jù)并逐步生成語義分割的結(jié)果。

首先，編碼器的實現(xiàn)依賴于卷積和池化操作。卷積層通過濾波器在圖像上進行掃描，捕捉圖像中的局部特征。池化層則通過降采樣操作，縮小圖像的尺寸，有助于提取更廣泛的上下文信息。這些操作在編碼器中的多個層次中迭代進行，逐漸縮小輸入圖像的空間分辨率，并提取高級抽象的特征。

其次，中間特征層的實現(xiàn)主要包括多個卷積層，用于提取更高級別的語義信息。這一部分的設(shè)計目的是在編碼器和解碼器之間建立有效的信息傳遞通道，幫助網(wǎng)絡(luò)理解圖像的整體結(jié)構(gòu)。通過在中間特征層引入額外的卷積操作，網(wǎng)絡(luò)可以捕捉更復(fù)雜的特征，并提高對全局語義上下文的感知。

最后，解碼器的實現(xiàn)涉及上采樣和跳躍連接的操作。上采樣通過插值或反卷積操作將特征圖的分辨率逐步提高，從而逆轉(zhuǎn)編碼器的降采樣效果。跳躍連接通過將編碼器中相應(yīng)層次的特征與解碼器的對應(yīng)層次相連接，有助于傳遞細節(jié)信息和保持網(wǎng)絡(luò)的深度信息。解碼器的任務(wù)是逐步還原圖像的細節(jié)，使網(wǎng)絡(luò)能夠在保留全局語義信息的同時還原局部特征。

上文所述的協(xié)同工作使得UNet能夠在圖像分割任務(wù)中展現(xiàn)出卓越的性能。在實際操作過程中，使用深度學(xué)習(xí)框架PyTorch構(gòu)建和訓(xùn)練UNet網(wǎng)絡(luò)，同時結(jié)合適當?shù)膿p失函數(shù)和優(yōu)化算法，以便更好地適應(yīng)特定的圖像分割任務(wù)。

1.3 UNet的改進

1.3.1 基于注意力機制改進UNet

在某些情況下，由于患者的肺部病灶特征可能呈現(xiàn)為白色玻璃狀，導(dǎo)致小目標出現(xiàn)的頻率較高。為了讓網(wǎng)絡(luò)更好地關(guān)注這些小目標，本文引入了空間注意力機制和通道注意力機制。注意力機制是模仿人類大腦的關(guān)注機制設(shè)計的，它允許神經(jīng)網(wǎng)絡(luò)在處理信息時集中關(guān)注有意義的信息，同時忽略那些無關(guān)緊要的部分。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，每個輸入都被賦予相等的權(quán)重，沒有考慮到每個輸入的重要性差異。注意力機制可以根據(jù)輸入的相關(guān)性為每個輸入分配不同的權(quán)重，從而使得模型能夠更好地捕獲局部特征，具體包括以下幾個方面。

（1）結(jié)合通道域和空間域的注意力，引入了通道注意力模塊和空間注意力模塊，使得網(wǎng)絡(luò)可以從這兩個維度更加關(guān)注任務(wù)區(qū)域。

2.4 實驗結(jié)果

將改進后的UNet模型與SegNet、UNet模型進行比較。由表1可見，相對于SegNet和UNet模型，改進后的UNet模型的像素準確率和平均交并比兩個指標都有一定程度的提升。與UNet模型相比，改進后的UNet模型的像素準確率提升了1.71百分點，平均交并比提升了3.01百分點。

圖3展示了訓(xùn)練過程中每一次迭代輸出的IoU，本文提出的改進模型采用了更高效的注意力機制和損失函數(shù)。經(jīng)過100輪左右的訓(xùn)練，改進后的UNet模型趨于穩(wěn)定，而UNet在相同輪數(shù)內(nèi)波動較大。因此，改進后的UNet模型在收斂速度和穩(wěn)定性上明顯優(yōu)于UNet。綜合考慮，這些改進使得UNet在像素級分割任務(wù)中的表現(xiàn)更為出色。

本實驗隨機選擇一張病例CT圖像進行測試。圖4隨機給出了測試圖像的分割結(jié)果，圖4（a）是肺部CT圖，圖4（b）是專家標注圖，圖4（c）是改進后UNet分割圖，圖4（d）為原始UNet分割圖。可以看出，與標注標準相比，UNet方法雖然能實現(xiàn)較好結(jié)果，但當背景部分干擾較大時，則難以很好地擬合磨玻璃的輪廓。本文提出的方法分割效果較佳，能夠?qū)⒛ゲＡв安糠智逦胤指畛鰜恚咏咏趯＜业臉俗藴省?/p>

3 結(jié)論（Conclusion）

本研究采用基于UNet網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)算法，針對CT圖像中的白色玻璃狀的病灶進行了精準分割，旨在提高疾病的診斷效率和治療準確性。實驗證明，本文提出的方法在病灶分割準確度和魯棒性方面表現(xiàn)出色。通過在公開的病例患者CT圖像數(shù)據(jù)集上進行測試，該方法展現(xiàn)出了對病灶的高效且準確的分割能力，有望為醫(yī)生提供更迅速的診斷和治療支持。

在與其他方法的對比實驗中，本文提出的算法表現(xiàn)出更高的分割準確性和更強的魯棒性，為病灶分割提供了一種新的解決方案，具備廣泛的應(yīng)用前景。未來，我們將持續(xù)改進算法，以進一步提升其效率和準確性，并將其擴展應(yīng)用于更廣泛的醫(yī)學(xué)圖像分割任務(wù)，為醫(yī)學(xué)影像處理領(lǐng)域的進步貢獻力量。

作者簡介：

郁華鑫（1998-），男，碩士生。研究領(lǐng)域：圖像處理，目標檢測。

何利文（1968-），男，博士，教授。研究領(lǐng)域：網(wǎng)絡(luò)，信息安全，云計算大數(shù)據(jù)分析與應(yīng)用。