一种改进级联U-Net网络的结肠息肉分割算法_王龙业.pdf

D O I:1 0.1 6 1 3 6/j.j o e l.2 0 2 3.0 2.0 1 4 4一种改进级联U-N e t网络的结肠息肉分割算法王龙业1,张凯信1*,曾晓莉2,肖 舒1,肖 越1,敬 梁1(1.西南石油大学 电气信息学院,四川 成都6 1 0 5 0 0;2.西藏大学 信息科学技术学院,西藏 拉萨8 5 0 0 0 0)摘要:结肠镜图像中息肉的精确分割是诊断结肠癌 的 关 键 环 节,针 对 目 前 结 肠 息 肉 分 割 算 法 存 在孔洞、分割粗糙以及分割不完全 的 问 题,提 出 了 一 种 改 进 级 联U-N e t结 构 的 结 肠 息 肉 分 割 算 法。运用特征融合思想,设计了多尺度语义嵌入模块和残差 模 块,充 分 利 用 深、浅 层 特 征 的 语 义 信 息。引入注意力机制,在模型的级联处构建了改进空洞 卷 积 模 块,扩 大 卷 积 感 受 野 并 增 强 特 征 捕 获 能力。改进了卷积层模块和分割 损 失 函 数,提 升 模 型 的 泛 化 性 和 鲁 棒 性。在K v a s i r-S E G数 据 集 上进行实验分析,相似系数、平均 交 并 比、召 回 率 和 准 确 率 分 别 达 到 了9 0.3 9%、8 8.3 4%、8 3.6 2%和9 5.1 2%。实验结果表明,该文所提算法改善了分割图像内部孔洞、边缘粗糙及分割不完全的问题,优于其他息肉分割算法。关键词:结肠息肉;图像分割;空洞卷积;级联U-N e t;分割损失函数中图分类号:T P 3 9 1 文献标识码:A 文章编号:1 0 0 5-0 0 8 6(2 0 2 3)0 2-0 2 1 4-1 1Ac o l o np o l y p s e g m e n t a t i o na l g o r i t h mb a s e do n i m p r o v e d c a s c a d e dU-N e t n e t w o r kW A N G L o n g y e1,Z H A N GK a i x i n1*,Z E N GX i a o l i2,X I A OS h u1,X I A OY u e1,J I N GL i a n g1(1.C o l l e g eo fE l e c t r i c a l I n f o r m a t i o n,S o u t h w e s tP e t r o l e u mU n i v e r s i t y,C h e n g d u,S i c h u a n6 1 0 5 0 0,C h i n a;2.C o l-l e g eo f I n f o r m a t i o nS c i e n c e a n dT e c h n o l o g y,T i b e tU n i v e r s i t y,L h a s a,X i z a n g8 5 0 0 0 0,C h i n a)A b s t r a c t:A c c u r a t e s e g m e n t a t i o no f p o l y p s i n c o l o n o s c o p y i m a g e s h a s b e c o m e ak e y a s p e c t i n t h e d i a g n o-s i so f c o l o n c a n c e r.Ac o l o np o l y p s e g m e n t a t i o n a l g o r i t h mw i t h i m p r o v e d c a s c a d eU-N e t s t r u c t u r e i s p r o-p o s e d t oa d d r e s s t h ep r o b l e m so f h o l e s,r o u g hs e g m e n t a t i o na n d i n c o m p l e t es e g m e n t a t i o n i n t h ec u r r e n tc o l o np o l y ps e g m e n t a t i o na l g o r i t h m.U s i n gt h e i d e ao f f e a t u r e f u s i o n,am u l t i-s c a l es e m a n t i ce m b e d d i n gm o d u l e a n d a r e s i d u a lm o d u l e a r e d e s i g n e d t om a k e f u l l u s e o f t h e s e m a n t i c i n f o r m a t i o n o f d e e p a n d s h a l-l o wf e a t u r e s.A na t t e n t i o nm e c h a n i s mi s i n t r o d u c e da n da n i m p r o v e dn u l l c o n v o l u t i o nm o d u l e i sb u i l t a tt h e c a s c a d e o f t h em o d e l t o e x p a n d t h e c o n v o l u t i o n a l f i e l d o f p e r c e p t i o n a n d e n h a n c e f e a t u r e c a p t u r e.T h ec o n v o l u t i o n a l l a y e rm o d u l ea n ds e g m e n t a t i o nl o s sf u n c t i o na r e i m p r o v e dt op r o m o t et h eg e n e r a l i z a t i o na n d r o b u s t n e s so f t h em o d e l.T h ee x p e r i m e n t a l a n a l y s i so nt h eK v a s i r-S E Gd a t a s e ta c h i e v e s9 0.3 9%,8 8.3 4%,8 3.6 2%a n d9 5.1 2%f o r s i m i l a r i t yc o e f f i c i e n t,a v e r a g e i n t e r s e c t i o n r a t i o,r e c a l l a n da c c u r a c y,r e s p e c t i v e l y.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h ep r o p o s e da l g o r i t h mi m p r o v e s t h ep r o b l e m so f i n-t e r n a l h o l e s,r o u g h e d g e s a n d i n c o m p l e t e s e g m e n t a t i o no f s e g m e n t e d i m a g e s a n d o u t p e r f o r m s o t h e r p o l y ps e g m e n t a t i o na l g o r i t h m s.K e yw o r d s:c o l o np o l y p s;i m a g es e g m e n t a t i o n;a t r o u sc o n v o l u t i o n;c a s c a d e dU-N e t;s e g m e n t a t i o nl o s sf u n c t i o n0 引 言 结 直 肠 癌 是 临 床 上 死 亡 率 最 高 的 癌 症 之一1,其病变过程较长,最初是结肠息肉引起的良性息肉,但如果检查和治疗不及时,随着时间的发展,良性息肉会逐步发展成腺瘤,而腺瘤则是癌前光 电 子 激 光第3 4卷 第2期 2 0 2 3年2月 J o u r n a l o fO p t o e l e c t r o n i c sL a s e r V o l.3 4N o.2 F e b r u a r y2 0 2 3*E-m a i l:2 8 3 9 9 6 6 9 5 4 q q.c o m收稿日期:2 0 2 2-0 3-0 9 修订日期:2 0 2 2-0 4-0 6基金项目:国家自然科学基金(6 1 5 6 1 0 4 5)和四川省科技计划项目(2 0 1 9 J D R C 0 0 1 2)资助项目病变2。因此,早筛查、早诊治结肠息肉是预防结肠癌发生的有效手段。由于传统息肉检测主要依赖临床医师的手动操作,长时间工作会造 成极高的漏检率3,故结合人工智能 的辅助诊断 手段已经被广泛关注和研究。2 0 0 9年,G R O S S等4将多尺度滤波用于息肉分割,虽然可以实现息肉的简单分割,但分割区域粗糙。2 0 1 2年,B E R NA L等5提出了一种扇形堆积深 度(s e c t o ra c c u m u l a t i o nd e p t ho fv a l l e y sa c c u-m u l a t i o n,S A-D OVA)能量 图 方 法,可 以 实 现 对 息肉区域定位,但误定位率较高。2 0 1 5年,B E R NA L等6为解决误定位问题,采用 窗谷堆积中 值深度(w i n d o w m e d i a n d e p t h o fv a l l e y sa c c u m u l a t i o n,WM-D OVA)能量图检测肠道息肉,从而获取息肉边界。以上方法虽然可以实现息肉的简单分 割,但均只考虑部分特征信息,没有综合考虑息 肉的纹理形状和背景信息等特征,致使分割结果 存在边缘粗糙、空洞等问题。近年随 着深度学习 技术的发展,结 肠 息 肉 分 割 算 法 被 深 入 研 究。2 0 1 8年,WANG等7使用S e g N e t实现息肉的像素级分割,虽分割速 度 较 快,但 精 度 不 高。TA S HK等8基于U-N e t网络进行息肉分割,虽取得较好 的分割效果,但网络的特征融合方式过于简单,信息损失量过大。为解决以上问题,Z HOU等9以U-N e t的编码器和解码器为基础,提出了U-N e t+网络,增加了跳跃连接数量。U-N e t+虽然能提 取不同层次的特征并相互整合,减小低级和高级 特征之间的差距,但其卷积感受野固定,只能提取较少多尺度信息。2 0 1 9年,J HA等1 0提出了R e s UN e t+网络,虽然通过添加压缩激励模块(s q u e e z e-a n d-e x c i t a t i o n,S E)1 1和空间金字塔池化(a t r o u ss p a-t i a l p y r a m i dp o o l i n g,A S P P)1 2实现多尺度的特征融合和特征通道信息的提取,但并未充分 利用多尺 度 原 始 特 征,丢 失 了 特 征 的 空 间 信 息。HUANG等1 3在U-N e t和U-N e t+的基础上提出了U-N e t 3+,它利用了全尺度的跳跃连接和深度监督,将不同尺度的低级和高级语义结合,从多尺度聚合特征中学习深层表示,然而模型 存在泛化性不足的问题。2 0 2 0年,J HA等1 4打破了传统单一编码器解码器结构的常见设计思路,基于级联模式 的双编码器和双解码器结构,提出了级联形式的双U型结构模型D o u b l e U-N e t。虽然 该网络采取 了迁移学习的策略,并使用VG G-1 91 5预训练网 络作 为编码器提升模型的分割精度和泛化性,但 提取上下文空间特征信息较少。2 0 2 1年,L I U等1 6提出了改 进 的MAD o u b l e U-N e t,利 用 空 间 注 意 力 模块,克服 了D o u b l e U-N e t不 能 对 空 间 维 度 信 息 进行相关性计算的问题,并且使用的传统空 洞卷积丢失了大量细节。为解决上述问题,2 0 2 2年,S H I等1 7提出了利用K r o n e c k e r空洞卷积的阶梯型U-N e t,弥补了传统空洞卷积丢失 的细节特征,但仍存在低级和高级特征融合效率低的问题。虽 然U-N e t、U-N e t+、R e s UN e t+、U-N e t 3+和D o u b l e U-N e t等基础编解码结构的分割方法,可以对高光区域较小、形状规则、边 缘清晰的息肉实现较好的分割,但仍存在肠道高光1 8区域影响、特征融合效率低、模型泛化性不 足、信息损失量大、息肉漏分割、分割图像粗糙问题。针对上述问题,本文提出一种改 进级联结构U-N e t的结肠息肉分割算法,与现有的结肠息肉分 割算法相比,主要在以下3个方面进行了创新改进:1)数据预处理:利用模糊逻辑和对抗生成网络对息肉图像进行去高光处理,来减弱结 肠息肉图像中高光区域对息肉分割结果的影响,并通过数据增强的方式增加数据集的数量,增强 网络对细腻特征的学习。2)网络模型结构:在编解码部分为了提升网络的表征能力及空间和通道特征提取效 率,加入了卷 积 层 重 构 模 块(r e pc o n v o l u t i o nb l o c k,R e p-C o n v-b l o c k)和注意力模块(c o n v o l u t i o n a lb l o c ka t-t e n t i o nm o d u l e,C B AM)1 9;在多尺度特征 融合部分为了减 小 高 级 特 征 与 低 级 特 征 之 间 语 义 的 差距,设计了多尺度语义嵌入模块(m u l t i-s c a l er e s o-l u t i o ns e m a n t i ce m b e d d i n gb r a n c hb l o c k,M-b l o c k)和 瓶 颈 残 差 模 块(b o t t l e n e c kr e s i d u a l sp a t h,R e s-P a t h);在改进空洞卷积部分为了扩大卷积感受野和增强特征捕获能力,设计了多尺度池化 空洞卷积模块(m u l t i-s c a l ep o o l i n ga t r o u s c o n v o l u t i o nm o d-u l e s,A-b l o c k)。3)损失函数:针对结肠息肉数据集中存在数据不平衡问题,改进了分割损失函数,提出了交叉熵损失和对数余 弦L损失结 合的非对称 损失函数,提升了模型的泛化能力和鲁棒性。512第2期 王龙业等:一种改进级联U-N e t网络的结肠息肉分割算法 1 级联结构的U-N e t图像分割算法1.1 M A C U-N e t网络总体结构 为了解决结肠息肉分割图像中存在的图像内部孔洞、边缘粗糙和分割不完全等问题,本文提出了一种多尺度空洞注意力级联网络(m u l t i s c a l ea t r o u sa t-t e n t i o nc a s c a d eu-n e t w o r k,MA C U-N e t),其主要包括编解码部分、多尺度特征融合部分和改进空洞卷积部分,整体结构如图1所示。MA C U-N e t网络结构主要特点如下:1)在级联网络的两个U型结构桥接处加入C B AM,提升网络空间和通道特征提取效率;2)在编码器和解码器中加入了改进的R e p C o n v-b l o c k,增强了网络的表征能力;3)在网络两个U型结构的跳跃连接处分别加入了M-b l o c k和R e s P a t h,减小了高级特征与低级特征之间语义的差距,提升了多尺度特征融合性能;4)在网络的级联处加入了A-b l o c k,扩大了卷积感受野并增强了特征捕获能力。1.2 编解码部分 在第一个U型结构的编码部分,输入了不同尺度的图像来避免网络深层纹理细节丢失的问题;在第二个U型结构的解码部分,通过转置卷积将每层的特征图进行上采样,并进行拼接操作,实现了特征图的多尺度融合输出。在两个U型结构编码到解码的桥接处加入了C B AM模块,增强了对空间和通道特征提取效率。在A-b l o c k模块的输出和输入图像做乘积操作(M u l t i p l y),丰富了语义信息。整个网络的编解码部分中,除第五层使用1组33卷积操作(c o n v 33)外,其余各层均采用本文提出的R e p-C o n v-b l o c k。在网络编码部分的特征图进行了最大池化层(M a x P o o l i n g)的下采样操作,并在多尺度特征融合部分和解码部分进行特征融合,然后使用转置卷积进行上采样操作(U p s a m p l i n g),实现特征图的尺度变换。虽然分割网络性能会随着深度增加而增加,但是也伴随着网络退化问题,直到残差结构的出现2 0在一定程度上缓解了网络的退化。借鉴R e p VG G网络的相关思想2 1,本文提出了R e p C o n v-b l o c k,如图2所示,每个重构模块中采用两组33卷积操作(c o n v o l u t i o n,C o n v)和 残 差 结 构,加 上 批 归 一 化(b a t c hn o r m a l i z a t i o n,B N)、R e L U激活函数和D r o p-B l o c k。在模型的初始阶段,使用11卷积残差结构,如图2(a)和图2(b)所示。为了使网络在深层获得鲁棒性更好的特征表示,在图2(c)和图2(d)中使用了同时含有11卷积和I d e n t i t y的复杂残差结构。由于残差结构有多个分支,给网络增加了多条梯度流动路径,进一步提升了网络的表征能力。图1 MA C U-N e t网络整体结构F i g.1 O v e r a l l s t r u c t u r eo fMA C U-N e tn e t w o r k612 光 电 子 激 光 2 0 2 3年 第3 4卷图2 卷积层重构模块结构:(a)模块1;(b)模块2;(c)模块3;(d)模块4F i g.2 S t r u c t u r eo fR e p C o n v-b l o c k:(a)R e p C o n v-b l o c k 1;(b)R e p C o n v-b l o c k 2;(c)R e p C o n v-b l o c k 3;(d)R e p C o n v-b l o c k 41.3 多尺度特征融合部分1.3.1 M-b l o c k 图像分割网络中融合不同尺度的特征表示是提高网络性能的重要课题2 2。本文提出 了一种M-b l o c k模块。M-b l o c k模块结构如图3(a)所示,其将具有高级语义信息的特征图进行一次33卷积后,再通过S E1 1模块进行处理得到特征图之间的相关性,经上采样后与低语义特征图进行相加操作(a d d i t i o n),最后得到融合后的特征。M-b l o c k模块在MA C U-N e t模型中的位置如图3(b)所 示,编 码 部 分 的 特 征 图 经 过M-b l o c k和C B AM模块后与解码部分进行拼接操作。多尺度语义信息的特征融合过程表示如式(1)所示:YL=yl+L-1i=lU p s a m p l e(yi+1S Ei+1)(1)式中,U p s a m p l e(yi+1S Ei+1)表示将高级语义特征经过S E模块后再进行上采样,YL表示语义融合后的特征,yl表示语义融合前的特征,L表示参与融合的层数,L 1,5,l表示具体层数,l 1,5。特别注意,Y1是经过C B AM模块后的特征,Y5-Y2均为经过M-b l o c k模块的融合特征。1.3.2 R e s P a t h U-N e t系列网络中的跳跃连接将池化操作期间丢失的特征,由编码器传递到解码器之中,但这样的连接会造成语义上的差距2 3,本文提出了一种R e s-P a t h模块,如图4所示。在图4模块中,跳跃连接结构上合并了卷积层,可以减小语义差距。瓶颈部分使用33卷积,升维和降维使用11卷积,并使用11卷积进行残差连接。随着网络的变深,在编码和解码特征之间语义差异逐渐减小的同时,也会逐渐减少跳跃连接上的瓶颈模块数量。在网络结构中,沿着第二个U型结构的4条 跳 跃 连 接 路 径 分 别 使 用4,3,2,1个 瓶颈块。图3 M-b l o c k位置结构图:(a)结构图;(b)位置图F i g.3 L o c a t i o ns t r u c t u r em a po fM-b l o c km o d u l e:(a)S t r u c t u r em a p;(b)L o c a t i o nm a p712第2期 王龙业等:一种改进级联U-N e t网络的结肠息肉分割算法 图4 R e s P a t h模块结构F i g.4 S t r u c t u r eo fR e s P a t hm o d u l e1.4 改进空洞卷积部分 采取密集方式连接空洞卷积(d e n s ea t r o u ss p a-t i a lp y r a m i dp o o l i n g,D e n s e A S P P)2 4,在获取大感受野的同时,多次使用池化层,降低了特征的分辨率,丢失了大量的细节信息。本文提出了一种A-b l o c k模块,如图5所示。解码部分的输出特征在经过池化整合模块与级联的空洞卷积 后,再次与输 出特征进行 相加操作(A d d),将相加后的特征图通过U p s a m p l i n g进行拼接操作(C o n c a t e n a t i o n),再利用11卷积和B N进行特征降维,最终得到输出特征图(o u t p u t)。空洞卷积能够增加感受野,感受野如式(2)所示,两个空洞卷积的叠加会得到更大的感受野,卷积核大小分别为K1和K2,新的感受野如式(3)所示:R=d-1()K-1()+K,(2)K=K1+K2-1。(3)A S P P(3,6,1 2,1 8,2 4)中最大感受野如式(4)所示,本文A-b l o c k(3,6,1 2,1 8,2 4)上的感受野如式(5)所示:Rm a x=m a xR3,3,R3,6,R3,1 2,R3,1 8,R3,2 4=R3,2 4=5 1,(4)Rm a x=R3,3+R3,6+R3,1 2+R3,1 8+R3,2 4-3=1 2 8,(5)式中,Rm a x表示金字塔结构的最大感受野,Rk,d表示卷积 核 大 小K和 空 洞 率d的 感 受 野,可 以看出使用级联方法叠加的空洞卷积具有更大的感受野。A-b l o c k中的多尺度池化模块如图6所示,其中图5 A-b l o c k的结构F i g.5 S t r u c t u r eo fA-b l o c k图6 多尺度池化模块结构F i g.6 S t r u c t u r eo fm u l t i-s c a l ep o o lm o d u l e812 光 电 子 激 光 2 0 2 3年 第3 4卷f为特征数,n为输出特征图的尺寸。该模块依靠解码部分的不同尺度特征,首先进行U p s a m p l i n g和M a x P o o l i n g对特征信息进行尺度变化,然后将特征图进行C o n c a t e n a t i o n,最后引入11卷积和B N进行特征降维,最后得到输出特征图。2 损失函数 在传统图像分割任务中,常使用交叉熵损失函数,虽利用了正确标签预测的信息,却忽略了非正确预测的信息,交叉熵损失函数定义如式(6)所示:LC E=-1NNi=1gil o gpi()+gil o gpi(),(6)式中,N代表了所有像素值,pi 0,1 表示的是像素i属于息肉部分的预测概率,pi表示的是像素i属于背景的预测概率,gi 0,1 表示的是像素i属于息肉部分的真实标签值,gi表示的像素i属于背景的真实标签值。在医学图像分割任务中,数据的不均衡问题具有一定挑战性,在结肠息肉的数据集中,息肉区域往往小于背景区域,目前的许多工作是通过分配更多权重来惩罚错误预测,在T v e r s k y损失函数2 5中,通过分配不同的权重,来对假阳性和假阴性进行更多惩罚,T v e r s k y损失函数定义如式(7)所示:LT v e r s k y=1-Ni=1pigiNi=1pigi+Ni=1pigi+Ni=1pigi。(7)在T v e r s k y损失函数中,L损失函数2 6是一个特例,表达式如式(8)所示:L=1-Ni=1pigiNi=1pigi+-1()Ni=1pigi+Ni=1pigi,(8)式中,=1+2,仅具有超参数的非对称L损失函数可以推广为相似性系数和交并比指标。为了防止分母为零,在L第二项分子分母同时加上了一个极小的常数S,将S设置为1 0-8。改进后的损失函数LS如式(9)所示:LS=1-Ni=1pigi+SNi=1pigi+-1()Ni=1pigi+1Ni=1pigi+S,(9)式中,-1()和1分别用于控制假阳性和假阴性的权重。由于T v e r s k y系数的非凸性,会导致一定程度的次优梯度,所以本文在L损失函数前加上了对数双曲余弦函数,利用对数双曲余弦函数充当了凸代理,在一定程度上减少了非凸性,使曲线变得更加平滑,从而优化了梯度。改进的Ll o g c o s h损失函数如式(1 0)所示:Ll o g c o s h=l o gc o s hLS()()。(1 0)本文提出了一种非对称的混合损失函数,利用了非对称对数余弦T v e r s k y系数来处理不均衡问题,同时考虑了交叉熵的优点,将不对称对数余弦Ll o g c o s h损失函数和交叉熵相结合,如式(1 1)所示:LM=LC E+1-()Ll o g c o s h(),(1 1)式中,和1-分别用于控制交叉熵损失和Ll o g c o s h损失对混合损失函数的贡献程度。3 数据集预处理 结肠镜检查过程中,人体腹腔存在大量的黏液会造成图像的反光区域。在模型的训练过程中,反光区域会影响对息肉分割的精度,因此在训练之前对图像进行去反光处理是有必要的。传统去高光区域的方法是将超过某一阈值的像素点直接划分成高光区域,但由于高光区域是渐变的,阈值去高光方法会造成截断式划分的问题。本文选取了模糊数学2 7中的隶属度函数来划分高光区域,在完成高光区域的划分之后,将生成的高光区域划分及对应的二值掩码送入生成对抗模型进行去高光处理。本文引用的模糊逻辑方法和其他滤波方法相比,能更好地保留图像细节,更有利于分割模型的训练,预处理前后的图像如图7所示。为了减少因数据集数量不足导致的过拟合现象,使模型学习到更多的特征信息。本文将训练集部分进行去高光处理之后,再将图像和对应的掩模执 行 相 同 的 数 据 增 强,增 强 之 后 的 数 据 集 为8 0 0 0张。912第2期 王龙业等:一种改进级联U-N e t网络的结肠息肉分割算法 图7 图像去高光对比:(a)原始图像;(b)处理后图像F i g.7 C o m p a r i s o no f i m a g er e m o v e dh i g h l i g h t:(a)O r i g i n a l i m a g e;(b)P r o c e s s e d i m a g e4 实验结果与分析4.1 数据集划分 为了综合评估分割模型的性能,本实验使用了K v a s i r-S E G2 8数 据 集 来 进 行 训 练 和 测 试,将MA C U-N e t模 型 在C V C-C l i n i c D B2 9、C V C-C o l o n D B2 9和E T I S-L a r i b P o l y p D B数据集上进行泛化实验来测试模型的通用性及鲁棒性,表1展示了以上数据集的具体信息。将K v a s i r-S E G数据集中的图像按照811的比例划分为训练集、验证集表1 数据集基本信息T a b.1 B a s i c i n f o r m a t i o na b o u t t h ed a t a s e tM o d a l i t yD a t a s e tN o.o f i m a g e sO r i g i n a l r e s o l u t i o nI n p u t r e s o l u t i o nE n d o s c o p yK v a s i r-S E G1 0 0 0V a r i a b l e2 5 62 5 6E n d o s c o p yC V C-C l i n i c D B6 1 23 8 42 8 82 5 62 5 6E n d o s c o p yC V C-C o l o n D B3 8 05 7 45 0 02 5 62 5 6E n d o s c o p yE T I S-L a r i b P o l y p D B1 9 61 2 2 59 6 62 5 62 5 6和测试集3部分。4.2 参数设置和评价指标 实验部分,所有的模型都是在T e n s o r f l o w-g p u-2.4.1框架,AMD R y z e n53 6 0 0处理器,内存1 6G B,NV I D I A G e F o r c eR T X3 0 6 0,显存1 2G B的设备上训练了1 0 0个e p o c h。在训练过程中,模型使用了A d a m优化器优化模型参数,损失函数选择了本文提出的非对称混合损失函数,初始学习率设为11 0-3,b a t c hs i z e设置为8。为了验证所提分割模型的有效性,实验使用了在医学图像分割中常用的评价指标,精确率(P r e c i-s i o n)、召回率(R e c a l l)、相似系数(d i c ec o e f f i c i e n t,D i c e)、前景交并比(I o U)、背景交并比(I o UB)、平均交并比(m I o U)和准确率(A c c u r a c y),具体定义如式(1 2)-(1 8)所示:P r e c i s i o n=T PT P+F P,(1 2)R e c a l l=T PT P+F N,(1 3)D i c e=2T PF P+2T P+F N,(1 4)I o U=T PF P+T P+F N,(1 5)I o UB=T NF P+T N+F N,(1 6)m I o U=I o U+I o UB2,(1 7)A c c u r a c y=T P+T NT P+T N+F N+F P,(1 8)式中,T P表示标签图像和预测图像的息肉区域的像素数量,F P表示在分割预测区域内而在标签分割区域外的像素数量,TN表示标签图像和预测图像的非022 光 电 子 激 光 2 0 2 3年 第3 4卷息肉公共区域的像素数量,FN表示在分割预测区域外而在标签分割区域内的像素数量。4.3 结果与分析4.3.1 损失函数对实验结果影响 由统计可知,本文用于训练和测试的结肠息肉数据集中的正负样本,存在严重失衡的问题,非对称混合损失函数对于FN和F P的检测权重是不同的,训练时可以根据训练数据的实际情况改变对应的权重,从而减少数据不均衡给分割结果带来的不良影响。本文测试并比较了交叉熵损失函数(见式(6)、T v e r s k y损失函数(见式(7)、l o g c o s h损失函数(见式(1 0)和非对称混合损失函数(见式(1 1)的性能。本文的MA C U-N e t模型在4种损失函数上的验证损失曲线如图8所示。从图中可以看出:非对称混合损失函数和其他3种损失函数相比,损失收敛速度更快,训练过程更加稳定且损失值最小,迭代收敛到接近0.0 8。图8 损失曲线F i g.8 C u r v eo f l o s s 4种损失函数对分割结果的性能比较如表2所示,从表中可看出,本文的非对称混合损失函数,对分割模型的性能有一定提升,其中和T v e r s k y损失函数相比提升最为明显,m I o U、D i c e和P r e c i s i o n分表2 损失函数性能对比T a b.2 C o m p a r i s o no f l o s s f u n c t i o np e r f o r m a n c eL o s s f u n c t i o nD i c eI o UI o UBm I o UR e c a l lP r e c i s i o nLC E0.8 9 9 80.8 0 7 10.9 5 0 30.8 7 8 70.8 3 2 80.9 4 0 8LT v e r s k y0.8 8 1 30.7 9 7 30.9 4 1 20.8 6 9 30.8 3 7 30.9 3 2 5Ll o g c o s h0.8 8 7 10.8 0 1 20.9 4 8 60.8 7 4 90.8 3 4 60.9 3 8 1LM(o u r s)0.9 0 3 90.8 1 0 80.9 5 6 00.8 8 3 40.8 3 6 20.9 4 1 7别上升了1.4 1%、2.2 6%和0.9 2%。4.3.2 性能比较与分析 MA C U-N e t模型的准确率在训练和验证集上的表现如图9所示,训练和验证精度在训练开始一段时间后便迅速改善,且随着迭代次数的增加,改善的速度逐渐减慢。经过1 0 0次迭代后,模型性能趋于稳定,最终准确率达到9 5.1 2%。图9 准确率曲线F i g.9 C u r v eo fa c c u r a c y 为了排除模型中各个单独组件的相互影响,通过消融实验对C B AM、M-b l o c k、A-b l o c k、R e s P a t h和R e p C o n v-b l o c k进行了测试。消融实验从只含有两个基础U型结构开始,逐渐过渡到MA C U-N e t模型,如表3所示。表3 消融实验T a b.3 A b l a t i o ne x p e r i m e n t sN u m b e rE x p e r i m e n t a l d e s c r i p t i o n1B a s i cc a s c a d em o d e l21+D e-r e f l e c t i o nd a t a s e t32+C B AM m o d e l43+M-b l o c km o d e l54+R e s P a t hm o d e l65+A-b l o c km o d e l76+R e p C o n v-b l o c km o d e l8MA C U-N e t 根据表3中的设置,分别构建出相应的分割模型,所有实验均在同一参数设置下对模型进行训练,消融 实 验 在K v a s i r-S E G数 据 集 上 的 结 果 如 表4所示。122第2期 王龙业等:一种改进级联U-N e t网络的结肠息肉分割算法 表4 消融实验