黃敬騰，李 鏘，關(guān) 欣

天津大學微電子學院，天津 300072

神經(jīng)膠質(zhì)瘤作為一種致死率較高的原發(fā)性腦腫瘤，對人們的生產(chǎn)和生活產(chǎn)生嚴重的影響.在臨床中，醫(yī)生常使用磁共振成像（Magnetic resonance imaging，MRI）觀察腫瘤的位置、大小和形態(tài)，磁共振成像作為一種成像技術(shù)在腫瘤診斷、監(jiān)測和分割方面發(fā)揮著重要作用.國際醫(yī)學圖像計算和計算機輔助干預協(xié)會針對腦部腫瘤問題每年舉辦一次腦部腫瘤分割挑戰(zhàn)賽（Brain tumor segmentation，BraTS）.BraTS 的腦腫瘤磁共振圖像有四個序列模態(tài)，分別為T1 加權(quán)像（T1 weighted image，T1）、T1ce 像（Contrast-enhanced T1-weighted image1，T1ce）、T2 加權(quán)像（T2 weighted image，T2）和液體衰減反轉(zhuǎn)恢復序列（Fluid attenuated inversion recovery，F(xiàn)lair），這些圖像模態(tài)具備一定的軟組織對比度和杰出的功能成像能力，通過多模態(tài)融合方法可判斷出膠質(zhì)瘤分割的區(qū)域.

神經(jīng)膠質(zhì)瘤分割傳統(tǒng)上依賴具備豐富經(jīng)驗的醫(yī)師，這不僅耗時耗力，也會因醫(yī)師的水平不同、主觀因素產(chǎn)生差異.隨著技術(shù)的發(fā)展，膠質(zhì)瘤等醫(yī)學疾病的半自動分割、自動分割方法都已經(jīng)發(fā)展起來并作為臨床應用的參考工具，其中，隨機森林（Random forest）和支持向量機（Support vector machine）等機器學習方法[1-4]有效提高了醫(yī)學圖像分割的分割水平和工作效率，深度學習方法[5-6]的發(fā)展更是進一步推動了包括腦腫瘤圖像分割在內(nèi)的各類醫(yī)學圖像分割的發(fā)展.

腦腫瘤圖像分割任務的挑戰(zhàn)主要在于膠質(zhì)瘤和它的子區(qū)域（水腫、增強腫瘤區(qū)域、壞疽和健康組織）在外觀、位置和形狀邊界上的多樣性和模糊性導致的復雜性.針對這一復雜任務，目前醫(yī)學上對圖像進行分割的方法均基于編碼-譯碼器結(jié)構(gòu)設計自動化分割網(wǎng)絡，并使用跳躍連接補充細節(jié)特征，但常見跳躍連接補充的特征圖為編碼器特征提取后的輸出特征圖，忽略了此過程中的原始細節(jié)信息丟失問題.在卷積神經(jīng)網(wǎng)絡中，通道數(shù)代表特征數(shù)，并影響著網(wǎng)絡的性能，因此對于復雜的腦腫瘤圖像分割任務而言，常存在著特征不足的問題.基于此，本文提出跳躍連接前置的構(gòu)想，即令編碼器的輸入特征圖而非輸出特征圖連接到同分辨率特征圖對應的解碼器，并設計消融實驗驗證構(gòu)想的有效性和泛化性.此外，使用倒殘差結(jié)構(gòu)設計編碼器和解碼器模塊，提出前置跳躍連接倒殘差U 形網(wǎng)絡（FS Inv-Res U-Net），以實現(xiàn)腦腫瘤的精確分割.

1 腦腫瘤分割的方法

1.1 腦腫瘤分割

利用計算機輔助手段分割腦腫瘤圖像是當今深度學習的一個研究點，除了常見的基礎(chǔ)網(wǎng)絡，研究者采用多種新型方法對腦腫瘤區(qū)域進行分割.Ali 等[7]基于全卷積網(wǎng)絡（Fully convolutional network，F(xiàn)CN）提出Kronecker 卷積用于解決擴張卷積丟失像素點的問題.Cui 等[8]采用生成對抗網(wǎng)絡的思想，提出深度學習中新型的神經(jīng)網(wǎng)絡自動分割算法進行語義分割，創(chuàng)新性地提出輸入數(shù)據(jù)的自動編碼器學習，有效提升了分割性能.Cheng 等[9]提出了一種新的樣本標簽校正和標簽細化方法，將其引入到三維生成對抗網(wǎng)絡.Rahimpour 等[10]則利用知識蒸餾方法實現(xiàn)腦腫瘤圖像分割，探索通過跨模態(tài)蒸餾方法提高基于 T1 加權(quán) MRI 的腦腫瘤分割性能的能力.這些方法為腦腫瘤分割方法拓寬了研究思路，具有一定參考意義.

此外，對卷積神經(jīng)網(wǎng)絡進行級聯(lián)也是一種常見方法[11]，級聯(lián)網(wǎng)絡常使用第一級網(wǎng)絡對腦腫瘤圖像進行粗分割獲得粗略分割效果，粗分割結(jié)果作為第二級網(wǎng)絡的輸入進行細分割并獲得精細化分割效果.Zhang 等[12]提出多步級聯(lián)的方式，利用腦腫瘤區(qū)域之間的包含關(guān)系，單一網(wǎng)絡針對腦腫瘤的特定區(qū)域進行分割，并將多個單一網(wǎng)絡進行級聯(lián)，但是級聯(lián)方式大幅提高了網(wǎng)絡的參數(shù)量和計算量，增加了網(wǎng)絡的復雜度，也并未進一步考慮到跳躍連接（Skip connection）在分割網(wǎng)絡中的重要性.

1.2 跳躍連接和倒殘差結(jié)構(gòu)

3D U-Net[13]在編碼階段和解碼階段分別提取圖像特征和恢復圖像，在兩者之間采用跳躍連接為編碼器補充原始信息，通過跳躍連接，可將先前得到的一部分特征圖按通道級聯(lián)或相加而達到特征重用的效果.Huang 等[14]提出一種密集連接方法，使用跳躍連接密集地將特征圖進行連接，這一思想采納了跳躍連接和殘差結(jié)構(gòu)的長處，使用最少的參數(shù)加強了特征圖之間的重用和傳遞.Zhang等[12]設計了一個塊級跳躍連接的跨級聯(lián) V-Net，在級聯(lián)V-Net 的兩個編碼器之間、兩個解碼器之間設置跳躍連接以實現(xiàn)特征重用，提高了分割效果.Wu 等[15]提出一個跳躍連接U-Net 網(wǎng)絡，將下采樣之后的原始特征圖與同分辨率的解碼器特征圖相加，通過添加跳躍連接捕獲了更多特征并收斂到更好的最優(yōu)值.Ma 等[16]提出一個用于遙感圖像分割的MSCA-Net，將空洞卷積和跳躍連接融入到U-Net，與U-Net++[17]不同的是，U-Net++在跳躍連接處使用合適的卷積層以實現(xiàn)密集連接，而MSCANet 則利用下采樣實現(xiàn)密集連接.

跳躍連接在3D U-Net 中發(fā)揮著重要的作用，將低分辨率特征輸入到高級別卷積層以補充細節(jié)信息，有利于處理復雜邊界挑戰(zhàn)的醫(yī)學圖像分割任務.但在上述的網(wǎng)絡設計中，特征圖經(jīng)過每層編碼器特征提取后，通過跳躍連接補充到對應解碼器，其補充的特征細節(jié)相較原始特征已有偏差，這不利于解碼器的恢復圖像細節(jié)；同時密集的跳躍連接雖然不增加網(wǎng)絡參數(shù)量，卻大幅地提高網(wǎng)絡的計算負載，增加了計算的時間成本.

為了緩解梯度消失問題，He 等[18]提出殘差結(jié)構(gòu)，通過創(chuàng)建短連接，使梯度可以不間斷地流動，從而允許參數(shù)在網(wǎng)絡深處更新.Sandler 等[19]利用殘差思想提出倒殘差結(jié)構(gòu)，通過通道寬度的拓展實現(xiàn)網(wǎng)絡性能的提升.在此基礎(chǔ)上，Yu 等[20]使用倒殘差結(jié)構(gòu)代替池化層以提升信息提取能力.Zhao等[21]在倒殘差結(jié)構(gòu)基礎(chǔ)上提出多尺度倒殘差卷積網(wǎng)絡以學習不同尺度的故障特征，保證故障特征提取的完整性.Zhang 等[22]提出深度倒殘差模塊以高維特征表示低維特征數(shù)據(jù)，從而緩解數(shù)據(jù)特征數(shù)量少的挑戰(zhàn).倒殘差結(jié)構(gòu)通過提升網(wǎng)絡寬度以實現(xiàn)充分學習和拓展特征圖信息，它不僅可以緩解梯度消失問題和網(wǎng)絡退化問題，也能夠彌補特征不足問題，實現(xiàn)網(wǎng)絡性能的大幅提升.

2 改進網(wǎng)絡的設計

在醫(yī)學圖像分割任務中，多數(shù)網(wǎng)絡[23-24]基于編碼-解碼器的思想設計，尤其是以3D U-Net 為基礎(chǔ)架構(gòu)進行改進.在原始3D U-Net 的編碼階段，輸入圖像數(shù)據(jù)經(jīng)過三次下采樣降低輸入圖像尺寸，通過編碼器提取圖像特征，提取到的特征在解碼階段經(jīng)過三次上采樣和解碼器處理逐步恢復圖像.在相同尺寸大小的特征圖之間，使用跳躍連接補充原始圖像信息，但是傳統(tǒng)3D U-Net 并未進一步考慮原始圖像細節(jié)的補充，為此本文提出前置跳躍連接并設計了前置跳躍連接倒殘差U 形網(wǎng)絡結(jié)構(gòu)（Front-skip connection inverted residual U-Net），通過跳躍連接將每層編碼器的輸入特征圖連接至對應解碼器.

2.1 FS Inv-Res U-Net 架構(gòu)圖

本文設計提出的前置跳躍連接倒殘差U 形網(wǎng)絡FS Inv-Res U-Net 如圖1 所示.

圖1 前置跳躍連接倒殘差U 形網(wǎng)絡的架構(gòu)圖Fig. 1 Architecture of the front-skip connection inverted residual U-shaped network

FS Inv-Res U-Net 網(wǎng)絡共設計了4 次下采樣和4 次上采樣，在編碼器和解碼器之間使用了前置跳躍連接進一步補充原始細節(jié)，同時分別設計了下采樣卷積模塊和編碼器模塊，上采樣卷積模塊和解碼器模塊.在編碼階段，輸入特征圖經(jīng)下采樣模塊處理后尺寸逐步降低，對應的特征圖數(shù)量加倍；同理，在解碼階段，輸入特征圖經(jīng)上采樣模塊處理后逐步恢復相應的尺寸大小，特征圖數(shù)量經(jīng)解碼器模塊處理后減小，最后特征圖經(jīng)1×1×1 卷積和Softmax 函數(shù)處理后輸出.

2.2 前置跳躍連接

在3D U-Net 設計中，特征圖隨著每一層的卷積、正則化和激活函數(shù)處理之后，其含有的細節(jié)信息與初始的細節(jié)信息都會有所偏差.對于跳躍連接而言，其設計本質(zhì)是將原始特征的細節(jié)信息補充到對應解碼器，即在解碼器階段，通過跳躍連接補充的特征圖越原始，解碼器越容易達到更優(yōu)的分割效果，因此提出前置跳躍連接，將每一層編碼器獲得的最原始特征圖以跳躍連接的方式補充到對應同分辨率編碼器.

DenseNet、3D U-Net 等傳統(tǒng)方式通過使用下采樣或上采樣方式調(diào)整到相同大小的特征圖分辨率，最終達到密集連接的效果.不同于這種密集連接方式，前置跳躍連接發(fā)生在同分辨率尺寸的特征圖之間，在不增加網(wǎng)絡模型復雜度的前提下通過對連接起點的調(diào)整以達到提高網(wǎng)絡性能的提升.

2.3 倒殘差模塊

本文設計的倒殘差模塊如圖2 所示.在FS Inv-Res U-Net 編碼器階段，輸入到編碼器模塊的特征圖首先經(jīng)3×3×3 卷積模塊提取特征，之后經(jīng)過跨卡同步歸一化和ReLU 激活函數(shù)處理，得到結(jié)果后重復上述處理.

圖2 倒殘差模塊.（a）倒殘差編碼器模塊;（b）倒殘差解碼器模塊.Fig. 2 Encoder and decoder modules: (a) inverted residual encoder module;(b) inverted residual decoder module

需要注意的是，第2 個的3×3×3 卷積輸出通道數(shù)是輸入通道數(shù)的3 倍，這樣將輸入特征圖以高維特征表示可以實現(xiàn)特征信息的拓展.經(jīng)過學習和提取高維特征之后，第3 個3×3×3 卷積將倒殘差模塊的輸出通道數(shù)恢復到模塊輸入通道數(shù)，也同樣采用跨卡同步歸一化和ReLU 激活函數(shù)處理.與此同時，倒殘差編碼器模塊直接使用了短跳躍連接以實現(xiàn)恒等映射.

倒殘差解碼器模塊也有類似處理過程，但因輸入和輸出通道數(shù)不同，解碼器模塊使用了1×1×1 卷積實現(xiàn)恒等映射.由于殘差結(jié)構(gòu)使用的是先降維后升維的“瓶頸形”設計思想，而本文采用的是先升維后降維的“紡錘形”設計思想，故而稱其為倒殘差模塊.

2.4 損失函數(shù)

對于三維磁共振圖像的腦腫瘤分割任務，待分割的區(qū)域僅占整個輸入空間的一小部分，這種目標區(qū)域和背景區(qū)域的分布占比不平衡問題，也影響著分割網(wǎng)絡的性能.

為了解決目標區(qū)域和背景區(qū)域占比不平衡的問題，廣義損失函數(shù)（Generalized dice loss，GDL)[25]通過引入權(quán)重改善了Dice loss 對檢測小目標不利的問題.

式中：wl為每類的權(quán)重，pln為預測第l類中體素n的值，tln則為相應的真實標注值，L和N分別為類別總數(shù)和體素總數(shù).

3 結(jié)果與討論

3.1 實驗數(shù)據(jù)

基于MICCAI 腦腫瘤分割比賽BraTS2018 和BraTS2019[26-27]的訓練集，進行腦腫瘤分割網(wǎng)絡的訓練和學習，將學習到的網(wǎng)絡參數(shù)用于處理不含真值的BraTS2018 和BraTS2019 驗證集，并把分割好的結(jié)果上傳到公開網(wǎng)站CBICA Image Processing Portal 進行驗證，驗證結(jié)果按區(qū)域分為增強型腫瘤(Enhanced tumor，ET)、全腫瘤(Whole tumor，WT)和腫瘤核心(Tumor core，TC)3 類.

BraTS2018 訓練集共有285 個病例，其中210個HGG（High-grade glioma）病例和75 個LGG（Lowgrade glioma）病例，驗證集共有66 個無真值病例.BraTS2019 訓練集共有335 個病例，其中259 個HGG病例和76 個LGG 病例，驗證集共有125 個無真值病例.每個病例有T1、T2、T1ce 和Flair 四個模態(tài),每個模態(tài)有155 張切片，一張切片的大小是240×240，在推斷時填充到160 張切片并將這四種模態(tài)的160 張切片作為三維數(shù)據(jù)整體輸入到網(wǎng)絡模型中，根據(jù)醫(yī)師標定的標簽作為真值對網(wǎng)絡模型進行訓練和學習，腫瘤分割的標簽包括背景（標簽0）、壞死和非增強腫瘤（標簽1）、瘤周水腫（標簽2）和增強性腫瘤（標簽4）.

3.2 實現(xiàn)細節(jié)

實驗環(huán)境為CPU Intel? Core i9-9900X 3.5GHZ，Ubuntu16.04 操作系統(tǒng)，4 張GTX2080Ti（11GB）的顯卡.基于PyTorch 深度學習框架，設置Batchsize為8，最大迭代次數(shù)為900，采用He 初始化、ReLU激活函數(shù)和跨卡同步歸一化，并選擇Adam 優(yōu)化器進行參數(shù)的迭代優(yōu)化，初試學習速率設置為10-3，并設置權(quán)重衰減為10-5，學習率隨著epoch 的增加而逐漸減?。╬oly 學習率衰減法）.

在訓練網(wǎng)絡模型時，訓練數(shù)據(jù)集被隨機裁剪為128×128×128 分辨率作為輸入數(shù)據(jù)，同時使用了以下的數(shù)據(jù)增強手段：以 0.5 的概率在軸向、冠狀和矢狀平面上隨機鏡像翻轉(zhuǎn)；在[-10°，+10°]范圍內(nèi)隨機旋轉(zhuǎn)和[0.9,1.1]范圍內(nèi)的隨機強度偏移.

3.3 評價指標

從網(wǎng)絡分割精度考慮，采用多指標綜合評判方法，分割精度方面采用BraTS 比賽評價指標體系中的相似系數(shù)(Dice similarity coefficient)和豪斯多夫距離(Hausdorff95 distance).

式中：TP、FP 和FN 分別為真正例、假正例和假負例，相似系數(shù)表示實驗分割結(jié)果與醫(yī)師標定標簽（真值，GT）的相似度，相似度越高則細分精度越好.

式中：P、T分別為網(wǎng)絡預測的腫瘤區(qū)和真實標注區(qū)域的體素集，p、t分別為兩個體素集中的體素點，d(p,t)是兩個體素點的距離，sup 和inf 分別為取上限函數(shù)和取下限函數(shù).豪斯多夫距離表示分割結(jié)果與真值之間的最大距離，絕對值越小，分割效果越吻合.

3.4 消融實驗

為了驗證前置跳躍連接的有效性和泛化性，本文采用3 個常見腦腫瘤分割網(wǎng)絡（DMF Net、HDC Net、3D U-Net）[13,23-24]，分別加入前置跳躍連接進行改進，并在BraTS2018 和BraTS2019 的兩個驗證集上進行消融實驗.在此基礎(chǔ)上，本文還設置了FS Inv-Res U-Net 的消融實驗.

3.4.1 前置跳躍連接

前置跳躍連接的消融實驗如表1 所示.由Bra-TS2018 的消融實驗可知，前置跳躍連接對3 個基礎(chǔ)網(wǎng)絡的多數(shù)性能指標有提升，如ET、TC 區(qū)域的Dice 指標，其中DMF Net+FS 在ET 區(qū)域的Dice 指標提升了0.73%，3D U-Net+FS 在WT、TC 區(qū)域的Dice 指標分別提升了約0.29%和1.17%，在ET、WT區(qū)域的豪斯多夫距離也有優(yōu)化效果.由BraTS2019的消融實驗可知，在加入前置跳躍連接后，3 個網(wǎng)絡在ET 區(qū)域的Dice 指標分別提升了0.21%、0.02%和0.49%；在WT 區(qū)域的Dice 指標分別提升了0.07%、0.48%和0.43%；在TC 區(qū)域的Dice 指標分別提升了0.26%、1.06%和0.78%，這充分表明前置跳躍連接的有效性和泛化性.尤其是3D U-Net+FS 在ET區(qū)域的Dice 指標突破了78%，且3 個區(qū)域的平均Dice 值達到了最優(yōu)指標的83.55%，遠遠超過同類的先進網(wǎng)絡.

表1 前置跳躍連接的消融實驗Table 1 Ablation experiments of front-skip connections

圖3 展示的是前置跳躍連接的消融實驗分割圖，采用BraTS19_CBICA_AUW_1 病例，三維坐標是（80，131，77）.圖4 展示的是FS Inv-Res U-Net 的消融實驗分割圖.如圖3 和圖4 的左3 列分割圖所示，在加入前置跳躍連接之后，各網(wǎng)絡都降低了分割圖中的分類錯誤，也緩解了子區(qū)域大小與真值大小不一致的問題，這些分割圖表明前置跳躍連接的有效性與可泛化能力.

圖3 前置跳躍連接的消融實驗（FS 表示前置跳躍連接，GT 表示標準真值，紅色箭頭表示錯誤分類區(qū)域，藍色箭頭表示邊界信息丟失，紫色箭頭表示子區(qū)域與真值區(qū)域大小不同）Fig. 3 Ablation experiment of front-skip connections (FS indicates pre-skip connections,GT indicates ground truth,red arrows indicate misclassified regions,blue arrows indicate loss of boundary information,and purple arrows indicate subregions with different sizes than ground truth regions)

圖4 FS Inv-Res U-Net 的消融實驗（FS 表示前置跳躍連接，GT 表示標準真值，紅色箭頭表示錯誤分類區(qū)域，藍色箭頭表示邊界信息丟失，紫色箭頭表示子區(qū)域與真值區(qū)域大小不同）Fig. 4 Ablation experiments of FS Inv-Res U-Net (FS indicates the front-skip connection,GT indicates the ground truth,red arrows indicate misclassified regions,blue arrows indicate loss of boundary information,and purple arrows indicate subregions with different sizes than ground truth regions)

3.4.2 FS Inv-Res U-Net 消融實驗

FS Inv-Res U-Net 的消融實驗如表2 所示，本文選取3D U-Net 作為基礎(chǔ)網(wǎng)絡設計出FS Inv-Res U-Net，分別在數(shù)據(jù)集BraTS2018 和BraTS2019 的驗證集上驗證前置跳躍連接和FS Inv-Res U-Net網(wǎng)絡的有效性.在加入前置跳躍連接之后，3D UNet 在BraTS2018 和BraTS2019 上的驗證集Dice 指標都有提升，分別是0.08%、0.29%和1.17%以及0.49%、0.43%和0.78%.豪斯多夫距離在BraTS2019驗證集上WT 區(qū)域和TC 區(qū)域都有改善，分別是1.31 mm 和0.19 mm，在BraTS2018 上僅有TC 區(qū)域減少了0.38 mm，表明了前置跳躍連接在常見3D U-Net 上的提升效果主要針對Dice 指標的3 個區(qū)域，對豪斯多夫距離的改善表現(xiàn)在3 個區(qū)域的平均值上.相較于3D U-Net 與前置跳躍連接的組合，本文提出的FS Inv-Res U-Net 的Dice 指標和豪斯多夫距離指標在BraTS2018 上的3 個區(qū)域分別提高了0.09%、0.15%和0.3%，減小了0.21、1.11 和0.07 mm，在BraTS2019 上的ET、TC 的Dice 指標分別提升了0.06%和0.51%，豪斯多夫距離分別減小了0.27 mm 和0.41mm.

表2 FS Inv-Res U-Net 的消融實驗Table 2 Ablation experiments of FS Inv-Res U-Net

圖4 展示的是FS Inv-Res U-Net 消融實驗分割圖，采用的是BraTS19_CBICA_BGT_1 病例，三維坐標是（168，153，54）.其第2 列3D U-Net 分割圖依舊存在著標簽分類錯誤和子區(qū)域與真值區(qū)域大小不同的問題，其中標簽分類錯誤問題在橫斷位、矢狀位、冠狀位都存在.在加入前置跳躍連接之后，標簽分類錯誤問題大大降低，但仍存在子區(qū)域大小和真值區(qū)域大小不一致現(xiàn)象.由本文設計的FS Inv-Res U-Net 分割圖（第4 列）可知，雖然仍存在邊界信息損失和區(qū)域不一致問題，但問題僅出現(xiàn)在其中的兩個狀位且影響較小，分類錯誤問題得到大大緩解，這表明FS Inv-Res U-Net 分割圖更加接近真值.

3.5 網(wǎng)絡對比

FS Inv-Res U-Net 與其他先進網(wǎng)絡對比表如表3所示，本文分別選擇了BraTS2018、BraTS2019 數(shù)據(jù)集上具有代表性的先進方法作為對比網(wǎng)絡.

由表3 可知，F(xiàn)S Inv-Res U-Net 在BraTS2018 驗證集上的Dice 指標ET、WT 和TC 區(qū)域都取得了較優(yōu)結(jié)果，低于BraTS2018 比賽的第一名NVDLMED 團隊[31]約1.5%、0.38%和0.57%，但在豪斯多夫距離指標的ET、TC 區(qū)域和3 個區(qū)域的平均值上，F(xiàn)S Inv-Res U-Net 都取得了最優(yōu)值，相較于NVD-LMED 團隊減小了1.47、1.35 和0.75 mm，這表明FS Inv-Res U-Net 網(wǎng)絡的先進性，具備出色的分割性能.在BraTS2019 驗證集上，F(xiàn)S Inv-Res U-Net 取得了3 個區(qū)域Dice 平均值的最優(yōu)性能，高于BraTS-2019 比賽的第二名Zhao 團隊[35]約0.42%，尤其ET區(qū)域的Dice 指標明顯超過其他先進方法，超過Zhao團隊2.98%，豪斯多夫距離指標的WT 和TC 區(qū)域都取得了次優(yōu)結(jié)果，綜合性能較為優(yōu)異.CA Net 僅在TC 區(qū)域取得了最優(yōu)的Dice 結(jié)果，但在ET 區(qū)域落后FS Inv-Res U-Net 網(wǎng)絡約2.48%，WT 區(qū)域落后FS Inv-Res U-Net 網(wǎng)絡約1.28%，且CA Net 的3個區(qū)域Dice 均值比FS Inv-Res U-Net 低了0.55%.

表3 FS Inv-Res U-Net 與其他先進網(wǎng)絡的對比Table 3 Comparison of FS Inv-Res U-Net with other state-of-the-art networks

圖5 展示的是多個病例下的不同分割方法的分割對比圖，從左到右分別是Flair 序列、真值、DMF Net、HDC Net 和FS Inv-Res U-Net，從上到下是BraTS2019 訓練集中的5 個隨機病例.圖5 中DMF Net 的分割圖出現(xiàn)較多的分割錯誤，其中Bra-TS19_CBICA_AUW_1 分割圖出現(xiàn)了3 類分割錯誤，HDCNet 的分割圖出現(xiàn)的錯誤大多是分割標簽分類錯誤，但是FS Inv-Res U-Net 更加地接近真值分割圖.

圖5 不同方法的分割圖對比（紅色箭頭表示錯誤分類區(qū)域，藍色箭頭表示邊界信息丟失，紫色箭頭表示子區(qū)域與真值區(qū)域大小不同）Fig. 5 Comparison of different methods’ segmentation maps (Red arrows indicate misclassified regions,blue arrows indicate loss of boundary information,and purple arrows indicate subregions with different sizes than ground truth regions)

4 結(jié)論

本文通過對腦腫瘤分割方法的深入分析和對前置跳躍連接的實驗探究，在探討了前置跳躍連接可行性的基礎(chǔ)上，設計出前置跳躍連接倒殘差U 形網(wǎng)絡（FS Inv-Res U-Net）.前置跳躍連接的消融實驗表明該構(gòu)想的有效性和泛化性，也表明其具有即改即用的特點.同時FS Inv-Res U-Net 網(wǎng)絡在BraTS 驗證集上獲得了檢驗，BraTS2018 的驗證結(jié)果在增強型腫瘤、全腫瘤和腫瘤核心上的Dice值分別是80.23%、90.30%和85.45%，豪斯多夫距離分別是2.35、4.77 和5.50 mm；BraTS2019 的驗證結(jié)果在增強型腫瘤、全腫瘤和腫瘤核心上的Dice值分別是78.38%、89.78%和83.01%，豪斯多夫距離分別是4、5.57 和6.37 mm，表明FS Inv-Res U-Net網(wǎng)絡可用于精確分割腦腫瘤.但同時由于提出的前置跳躍連接并未跳出編碼器-解碼器結(jié)構(gòu)限制，為了驗證進一步前置跳躍連接的泛化性，在未來工作中，可將前置跳躍連接改進FCN 等其他適用網(wǎng)絡架構(gòu)，且本文提出的前置跳躍連接倒殘差U形網(wǎng)絡是一個較為基礎(chǔ)的網(wǎng)絡模型，未來也會引進其他高效卷積模塊到該網(wǎng)絡中.