1、李净阳，等：基于多尺度空洞残差的U-Net模型用于乳腺肿块分割收稿日期：2022-07-13基金项目：吉林省科技发展计划项目（20200404219YY）作者简介：李净阳（1996-），女，硕士研究生，E-mail：通讯作者：宁春玉（1976-），女，硕士，副教授，E-mail：基于多尺度空洞残差的U-Net 模型用于乳腺肿块分割李净阳，宁春玉（长春理工大学生命科学技术学院，长春130022）摘要：乳腺肿块是乳腺癌常见征象，实现乳腺肿块的自动分割可极大减轻医生工作负担，有利于乳腺癌的早诊断早治疗。为进一步提升分割性能，提出了一种基于多尺度空洞卷积残差的网络模型。在 U-Net 经典结构基础上，
2、将多尺度空洞卷积特征提取模块嵌入到残差模块，并通过添加批量归一化层、引入乘以权重的二元交叉熵损失函数的方式，在保证空间信息的前提下，增大感知范围，增强模型对乳腺肿块区域特征的提取能力。提出的分割模型在CBIS-DDSM数据库上进行验证，得到的 Dice 系数为 82.93%，灵敏度为 84.72%，较 U-Net 模型分别提高了 0.75%、1.36%。关键词：乳腺肿块；分割；U-Net；空洞卷积；残差模块中图分类号：TP751文献标志码：A文章编号：1672-9870（2023）01-0108-06U-Net Model Based on Multi-scale Dilated Residu
3、alfor Breast Mass SegmentationLI Jingyang，NING Chunyu（School of Life Science and Technology，Changchun University of Science and Technology，Changchun 130022）Abstract：Breast mass is a common sign of breast cancer.The automatic segmentation of breast mass can reduce the work-load of doctors，which is co
4、nducive to the early diagnosis and treatment of breast cancer.In order to further improve thesegmentation performance，a network model based on multi-scale dilated convolution residual was proposed.Based on theclassical structure of U-Net，the feature extraction module based on multi-scale dilated con
5、volution was embedded into theresidual module，the batch normalization layer was added，and the binary cross entropy loss function multiplied by weightwas introduced into the proposed network model.Therefore，the model increased the sensing range and enhanced the abilityto extract the regional features
6、 of breast mass on the premise of ensuring spatial information.The proposed segmentationmodel was verified on CBIS-DDSM database，and the Dice coefficient and sensitivity obtained were 82.93%and 84.72%，which were increased by 0.75%and 1.36%compared with U-Net model，respectively.Key words：breast mass；
7、segmentation；U-Net；dilated convolution；residual module乳腺癌现已成为严重威胁女性健康的最常见的恶性肿瘤疾病1，早诊断、早治疗能够降低死亡率。乳腺肿块是乳腺癌中常见的基本征象，对其早期诊断有重要临床意义。在乳腺疾病诊断中，乳腺 X 线检查技术因有效无创、简单可靠，已成为一种常规的乳腺检查技术。传统长春理工大学学报（自然科学版）Journal of Changchun University of Science and Technology（Natural Science Edition）Vol.46No.1Feb.2023第46卷第1期202
8、3年2月的医生人工阅片方式耗时耗力，且易出现漏诊、误诊，因此乳腺肿块的自动分割可以减轻医生负担，在临床上有很大的应用价值。2015 年，Long 等人2提出全卷积神经网络并将其应用在语义分割中后，U-Net 作为其改进和延伸网络，被广泛应用在医学图像分割领域。Sun 等人3提出了一种注意力引导的密集上采样网络（AUNet）以准确分割乳腺肿块。该网络设计了非对称的编码器-解码器结构，利用 AU模块更有效地融合高级和低级特征，并利用通道注意力功能突出丰富的通道信息。Arora 等人4提出了一个基于深度学习的端到端乳腺肿块分割架构（RGU-Net）。该架构将残差连接和组卷积嵌入到 U-Net 中，利
9、用不同分辨率和特征尺寸的编码器和解码器块来捕获多层次特征，并利用空洞卷积改善滤波器的感受野。实验结果证明了其有效性。Wang 等人5提出了一种使用堆叠空洞卷积的 U-Net 变体（SDU-Net），用于医学图像分割。SDU-Net 采用了 vanilla U-Net 的架构，但对编码器和解码器的操作进行了修改。先进行一个标准卷积，再用多个空洞卷积，并将所有空洞卷积输出聚合作为下一次操作的输入。颜丙宝等人6提出了一种基于空洞卷积的多尺度特征提取模块用于脑肿瘤的自动分割。上述研究显示：增大感受野，充分利用空间信息，能够使像素级的细节和空间信息被更好捕捉，从而有效改善医学图像的分割效果。基于此，本文
10、提出了基于多尺度空洞残差的 U-Net乳腺肿块分割模型。在 U-Net 框架的基础上进行改进，将不同尺度的空洞卷积与残差结构结合，添加 Batch Normalization 层，并引入加权二元交叉熵损失函数，以扩大感受野，避免网络退化，增强模型对乳腺肿块区域特征的提取能力，提高模型的分割性能。在公开数据集 CBIS-DDSM进行相关实验，证明了该方法对乳腺肿瘤的分割是有效的。1数据集及预处理本 文 使 用 CBIS-DDSM 数 据 集 进 行 实 验。CBIS-DDSM 数 据 集 是 DDSM 的 最 新 和 规 范 版。该数据集包含 753 例钙化病例和 891 例肿块病例，每个病例包
11、含左右乳房的头尾位与内外斜位 4 个视角，分别为 LEFT CC、LEFT MLO、RIGHTCC 和 RIGHT MLO。本文对所使用的图像采用零均值归一化处理，以加快网络模型收敛性，提升其泛化能力。与目前大部分基于医学影像的深度学习研究类似，本文采用随机剪裁和翻转的方法对数据集进行扩增，以克服标签数据不足，进而改善网络模型泛化性能。2基于多尺度空洞残差的 U-Net 乳腺肿块分割模型本文构建的基于 U-Net 的乳腺肿块分割网络由卷积层、批量归一化层、池化层、多尺度空洞残差模块、上采样层和输出层构成，如图 1 所示。其中，设计的多尺度空洞残差模块的主要作用是提高分割模型对感兴趣肿块区域的特
12、征提取能力，获得更多细节特征，并避免出现梯度消失，以提高网络分割性能。图 1基于多尺度空洞残差的 U-Net 乳腺肿块分割模型2.1多尺度空洞残差模块2.1.1 基于多尺度空洞卷积的特征提取模块在利用 U-Net 网络对乳腺肿块进行分割时，下采样过程会造成乳腺肿块图像的某些细节信息丢失，从而导致图像的边缘区域分割不理想。针对此问题，本文设计了多尺度空洞卷积特征提取模块，其结构如图 3 左侧所示。该模块采用三个不同的空洞卷积，膨胀率分别为D=1、D=2、李净阳，等：基于多尺度空洞残差的U-Net模型用于乳腺肿块分割第1期109长春理工大学学报（自然科学版）2023年D=3，将其融合成模块的输出。
13、由于感受野的大小不同，神经元能够触及的原始乳腺肿块图像的范围是不同的。小膨胀率的空洞卷积可以获得乳腺肿块的局部区域的细节信息，大膨胀率的空洞卷积则可以获得更多的全貌特征。因此，该模块能放大卷积的感知域，获得乳腺肿块图像的多尺度特征，既能较好地复原乳腺肿瘤图像的细节及空间定位信息，也能适应乳腺肿块尺寸的多样变化。2.1.2 残差块随着网络层数不断加深，梯度消失也随之出现。为避免网络退化，提取更多细节特征，本文对残差块进行改进，引入 U-Net 模型。残差块的两个相邻卷积层通过 Shortcut 连接，结构如图 2所示。x表示输入，F（x）表示残差映射。图 2残差块7残差块的使用能提高网络的非线性
14、，并能很好地克服梯度消失和过度拟合的问题，可以提高神经网络的训练效率及收敛性，改善模型的识别精度。2.1.3 多尺度空洞残差模块本文将设计的多尺度空洞卷积特征提取模块嵌入到残差网络中，构成多尺度空洞残差模块，其结构如图 3 所示。该模块利用了空洞卷积和残差网络的双重优势，既扩大了感受野，使提取到的乳腺肿块的特征更丰富、全面，又缓解了网络层数加深导致的梯度消失、性能退化情况，可使分割结果更准确。图 3多尺度空洞残差模块2.2Batch Normalization 层在网络较深的情况下，每一层的数据运算都会引起输出数据的分布变化，从而影响到后面的网络参数学习，导致输出结果的变化，发生较为明显的偏差
15、。为了克服网络陷入局部最优值和过度拟合的问题，本文分割模型引入了 BatchNormalization8（BN）层。BN 层能够在一定程度上确保数据的稳定性，其操作公式如（1）所示：x?(k)=x(k)-E x(k)Var x(k)（1）式中，E x()k表示每批数据的平均值；Var x(k)表示每一批数据的标准差。但仅使用式（3）进行归一化处理，可能会对已经学习到的特征信息产生影响，故引入可学习参数与来避免该问题。具体如公式（2）所示：y(k)=(k)x?(k)+(k)（2）为进一步优化网络模型，加速训练收敛速度，本文分割模型在每一层的卷积层后均采用了 BN 层进行归一化。2.3损失函数在乳
16、腺肿瘤图像中，与背景类相比，肿瘤类所占据的区域要小，造成了像素类别失衡问题较为严重。本文以二元交叉熵损失函数为基础，给乳腺肿块类与背景类分配不同的权重值，来提高网络特征学习的能力。其公式如下：LWBCE=m(0.95ymlog y?m+0.05(1-ym)log(1-y?m)（3）式 中，ymlogy?m部 分 对 应 乳 腺 肿 块 区 域；(1-110ym)log(1-y?m)部分对应背景区域。根据比例，对乳腺肿瘤和背景类型进行权重的调整，增强了网络对乳腺肿块部分特征的学习能力，减弱了背景类型的特征表示，增强了网络的分割精度。3实验结果及讨论3.1实验设置本文利用 TensorFlow 的深度学习框架对网络模型进行了训练和测试，采用的是 Python3.8 编程语言，GPU 为 NVIDIA TeslaK40m。网络模型进行训练时设置的超参数如下：迭代次数为 30，批次大小为 4，学习率为 0.000 1，优化器为 Adam。实验所用 800 张乳腺钼靶影像按照 811 的比例划分出训练集、验证集和测试集。3.2评价指标为了对分割效果进行评估，本文采用的评价指标是准确率（Accur