基于瓶颈残差注意力机制U-net的肝脏肿瘤分割.docxVIP

基于瓶颈残差注意力机制U-net的肝脏肿瘤分割

摘要：医学CT图像中含有的大量噪声以及肝脏肿瘤大小不均一、位置因人而异且与相邻器官较相似的组织密度等都造成肝脏肿瘤分割困难。现有传统全卷积神经网络（FCN）方法，通过为输入CT图像中每个像素分配类别标签来实现肝脏肿瘤分割，但在分割精度上仍会出现小目标漏检或目标边界分割模糊的问题。针对这些问题，本文提出一种瓶颈残差注意力机制U-net（BRAU-net）的肝脏肿瘤分割方法，通过引入瓶颈残差模块可在非常深的网络中大幅减少计算量的同时解决梯度消失问题，此外堆叠的注意力模块可以增大有效特征的比重。本文在公共MICCAI2017肝肿瘤分割数据集上测试了该框架，戴斯相似性系数值达到0.788，高于其他对比分割网络，并利用3D-IRCADb数据集来验证该方法的一般性，结果表明本文方法分割效果良好，能够为临床诊断提供可靠依据。

关键词：瓶颈残差；注意力模块；U-net；医学CT图像；肿瘤分割

肝脏肿瘤是对人类健康的巨大威胁，是全球癌症死亡率最高疾病之一（仅次于肺癌），也是全球发病率和死亡率增长最快的癌症之一，肝脏肿瘤即使是良性（非癌性）肿瘤有时也会变大，导致健康问题。计算机断层扫描（CT）用于肝脏肿瘤的诊断[1]，从CT中提取肝脏肿瘤是任何外科干预选择最佳治疗方法之前的优先关键任务。然而与肝分割相比，肝肿瘤分割被认为是一项更具挑战性的任务。首先，肝肿瘤在一个患者的体内有各种大小、形状、位置和数量；其次，有些病变没有明确的边界，限制了仅基于边缘的分割方法的性能[2]，这些都给自动分割带来很大难度。

目前肝脏肿瘤分割方法大致分为两类：传统方法和深度学习的方法。传统的医学图像分割方法大致包括阈值法（threshold）[3-4]，水平集（levelset）[5-6]，区域生长（regiongrowing）[7-8]等。阈值法在病变区域十分模糊的情况下分割效果则不是很好，而且分割效率也并不高；水平集分割方法虽然在单目标和多目标分割任务中取得较好的结果，但算法较为复杂，参数的选择也较为困难；区域生长法一般需要人工参与来选择种子点和子区域，因此缺乏客观性。由此可见，传统的医学图像分割方法除了容易受主观意识的影响外，对肝肿瘤这种分布不均匀的目标分割精度也较差，效率也非常低。

深度学习的方法在医学图像分割中应用最多的是全卷积神经网络（fully

convolutionalnetworks，FCN）[9]，其结构不但允许输入任何尺寸的数据，而且实现了像素级别的图像分割，使得分割精确率进一步提高。在FCN的基础上，研究者又提出很多改进算法，如U-net、SegNet[10]、PSPNet和DeepLab等[11]网络，其中U-net因其结构简单适用于医学数据较少的情况，但其仍有不足之处：①深层卷积层无法很好地利用浅层的细节特征，导致特征传递效率受限；②在加深网络层数的同时，梯度回传路径加长，不利于模型收敛。

为了解决这些问题，本文在注意力机制和残差网络的启发下，提出瓶颈残差注意力机制U-net（bottleneckresidualattentionU-net，BRAU-net）用来提取肝脏肿瘤。所提出的网络集成了UNet体系结构和注意力残差学习机制，实现了深层网络的优化和性能改进。首先将瓶颈残差块堆叠到结构中，以允许更深层次的网络，并且可以处理梯度消失问题，提高计算效率，加快训练速度，在本文实验中，U-net网络收敛需要8h，而改进后的瓶颈残差U-net收敛仅需6h；其次，利用注意机制可以聚焦于图像特定部分的能力，通过叠加注意模块，提高有效特征的占重比；最后，使用U-net网络作为基本架构来捕获多尺度的关注信息，并集成具有高层次特征的低级关注信息。经过实验对比，也证明该网络在肝肿瘤分割上获得比原始U-net更好的结果。

1基于BRAU-net的肝肿瘤分割方法

1.1网络体系结构

Chen等[12]在语义图像分割中首次引入注意力机制，他们提出将share-net与注意力机制相结合，并取得了良好的性能。近年来，注意力机制逐渐应用于医学图像分割中[13-14]。受到U-net[15]、残差机制、注意力机制的启发，本文提出BRAU-net结构，用来较好地解决肝脏肿瘤周围器官复杂导致特征难以提取的问题。瓶颈残差机制可以在加深网络层数的同时保证模型的性能，从而更深入的提取肿瘤特征；注意力机制则学习关注与识别肝脏肿瘤相关位置的信息，进而增大有效特征的占重比。

网络体系结构