結(jié)合注意力的3D卷積網(wǎng)絡(luò)腦膠質(zhì)瘤分割算法

胡 睿，何小海，滕奇志，卿粼波，廖浚斌

四川大學(xué) 電子信息學(xué)院，成都610065

1 引言

由大腦和脊髓膠質(zhì)細(xì)胞癌變所產(chǎn)生的腦膠質(zhì)瘤（glioblastoma multiforme，GBM）是一種最常見(jiàn)的、原發(fā)性顱腦腫瘤，它是一種死亡率最高的腦腫瘤。根據(jù)腦膠質(zhì)瘤的危害程度，可以分為高級(jí)神經(jīng)膠質(zhì)瘤（High-Grade Gliomas，HGG）和低級(jí)神經(jīng)膠質(zhì)瘤（Low-Grade Gliomas，LGG）[1]。核磁共振成像（Magnetic Resonance Imaging，MRI）相比電子計(jì)算機(jī)斷層掃描（Computed Tomography，CT），有著軟組織對(duì)比更好、參數(shù)更多、成像方向任意、無(wú)骨像偽影和無(wú)損傷性等優(yōu)勢(shì)，成為了診斷和治療腦腫瘤的主要成像方式[2]。在MRI中，腦膠質(zhì)瘤是一片異質(zhì)腫瘤區(qū)域，通常包括壞死區(qū)域（necrosis）、水腫區(qū)域（edema）、非增強(qiáng)區(qū)域（non-enhancing tumor）以及增強(qiáng)區(qū)域（enhancing tumor）四部分。由于腦膠質(zhì)瘤的不同模態(tài)成像差別很大，所以使用多模態(tài)MRI對(duì)腦膠質(zhì)瘤及其內(nèi)部結(jié)構(gòu)可以進(jìn)行更加準(zhǔn)確的分割，常用4種模態(tài)包括Flair（液體衰減反轉(zhuǎn)成像）、T1、T1c（T1加權(quán)）、T2[3]。圖1顯示了不同模態(tài)MRI的腦腫瘤圖像。

圖1 多模態(tài)MRI圖像

傳統(tǒng)的腦腫瘤圖像分割方法一般有基于模糊聚類(lèi)的腦瘤分割[4]、基于閾值的分割[5]、基于區(qū)域生長(zhǎng)的分割[6]、基于形變的分割方法[7]等多種方法，但大多數(shù)傳統(tǒng)的腦瘤分割方法無(wú)法很好地提取特征。與傳統(tǒng)的腦腫瘤分割方法需要人工提取特征不同，基于深度學(xué)習(xí)的腦腫瘤分割方法可以自動(dòng)提取最合適的特征，因此可以達(dá)到更好的預(yù)測(cè)效果。Zikic等使用一個(gè)只有5層的卷積神經(jīng)網(wǎng)絡(luò)對(duì)腦膠質(zhì)瘤圖像塊進(jìn)行分割[8]，該網(wǎng)絡(luò)對(duì)多通道2D卷積神經(jīng)網(wǎng)絡(luò)調(diào)整，使其可以對(duì)3D腦腫瘤圖像塊進(jìn)行分割，證明了使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行3D腫瘤圖像塊的分割方法的，但沒(méi)有對(duì)簡(jiǎn)單的CNN網(wǎng)絡(luò)進(jìn)行任何優(yōu)化，因此分割效果一般。de Brebisson等通過(guò)將全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)結(jié)合對(duì)腦膠質(zhì)瘤進(jìn)行分割[9]，第一次使用深度神經(jīng)網(wǎng)絡(luò)解決腦腫瘤分割的問(wèn)題，并且在圖像分割后使用條件隨機(jī)場(chǎng)提升分割準(zhǔn)確率。但該網(wǎng)絡(luò)比較復(fù)雜，容易過(guò)擬合，而且網(wǎng)絡(luò)對(duì)于腫瘤邊界的分割準(zhǔn)確率較低。Saouli等通過(guò)集成學(xué)習(xí)聚合兩個(gè)基于增量深度神經(jīng)網(wǎng)絡(luò)模型的結(jié)果，提出了一種全新的用于腦腫瘤分割的端對(duì)端的深度學(xué)習(xí)網(wǎng)絡(luò)[10]，在一定程度提升了分割腦膠質(zhì)瘤整體的準(zhǔn)確率，但是該網(wǎng)絡(luò)誤分類(lèi)率較高，容易將非腦瘤區(qū)域分割為腦瘤區(qū)域。

本文提出了一種結(jié)合注意力機(jī)制的3D卷積神經(jīng)網(wǎng)絡(luò)，考慮到不同尺度輸入得到的特征映射關(guān)注的重點(diǎn)不同，利用注意力機(jī)制學(xué)習(xí)不同尺度之間的軟權(quán)重，最后對(duì)不同尺度輸出特征進(jìn)行加權(quán)和得到模型的輸出，提升了分割效果。此外，為了得到更好的效果，本實(shí)驗(yàn)還利用了一種將Dice損失函數(shù)和Focal損失函數(shù)相結(jié)合的超參數(shù)損失函數(shù)。實(shí)驗(yàn)證明，分割精度得到了進(jìn)一步提升。

2 卷積網(wǎng)絡(luò)與注意力

2.1 卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的圖像分類(lèi)方法，主要是根據(jù)經(jīng)驗(yàn)和人工設(shè)計(jì)方法計(jì)算圖像特征并根據(jù)特征人工選擇恰當(dāng)?shù)乃惴ǎ渲杏糜诜诸?lèi)器訓(xùn)練的特征集是集合一些有鑒別力的特征，最終完成分類(lèi)。但是傳統(tǒng)方法只能處理簡(jiǎn)單的分類(lèi)問(wèn)題，而且人工設(shè)計(jì)特征的方法不夠科學(xué)。由LeCun等人提出的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[11]是一種監(jiān)督學(xué)習(xí)方式，應(yīng)用于圖像識(shí)別[12]、自然語(yǔ)言處理[13]、語(yǔ)音識(shí)別[14]等多個(gè)領(lǐng)域并且取得了成功。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)輸入與輸出間的映射關(guān)系，從而進(jìn)行自動(dòng)特征提取，達(dá)到分類(lèi)的目的。由于可以學(xué)到多個(gè)層次特征，包括了局部信息以及一些抽象的特征，所以卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法相比傳統(tǒng)圖像分類(lèi)方法效果更好。

最早使用全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）[15]通過(guò)對(duì)圖像進(jìn)行像素級(jí)的分類(lèi)進(jìn)行圖像語(yǔ)義分割。經(jīng)典的CNN網(wǎng)絡(luò)使用全連接層得到特征向量然后進(jìn)行分類(lèi)，它的一個(gè)弊端是只能輸入固定尺寸的圖像，但FCN的輸入圖像可以是任意尺寸的圖像。通過(guò)反卷積層對(duì)學(xué)習(xí)到的特征映射進(jìn)行上采樣，對(duì)每一個(gè)像素產(chǎn)生預(yù)測(cè)，這種方法還可以同時(shí)保留輸入圖像中的空間信息，像素分類(lèi)是在上采樣產(chǎn)生的特征映射中進(jìn)行的。目前，基于深度學(xué)習(xí)的方法在圖像分割領(lǐng)域已經(jīng)取得了顯著成就，分割準(zhǔn)確率已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)的分割方法。

Ronneberger等在2015年提出的U-Net[16]在分割生物醫(yī)學(xué)圖像方面達(dá)到了非常好的效果，U-Net是基于FCN進(jìn)行改進(jìn)的，它是由相等數(shù)量的下采樣層和上采樣層組成的網(wǎng)絡(luò)框架。現(xiàn)有很多醫(yī)學(xué)圖像分割網(wǎng)絡(luò)都是基于U-Net來(lái)實(shí)現(xiàn)的。U-Net之所以適用于醫(yī)學(xué)圖像分割，是因?yàn)閁-Net融合了不同尺度的特征，經(jīng)過(guò)多次下采樣后的低分辨率信息，可以提供分割目標(biāo)在整個(gè)圖像中的上下文信息，這個(gè)特征有助于物體的類(lèi)別判斷，而高分辨率的信息能夠?yàn)榉指钐峁└泳?xì)的特征，為精準(zhǔn)分割提供了定位依據(jù)。

由于醫(yī)學(xué)圖像的相鄰層還具有序列信息，使用2D CNN進(jìn)行分類(lèi)或者分割會(huì)丟棄掉這些信息。通過(guò)對(duì)2D CNN進(jìn)行改進(jìn)，出現(xiàn)了3D CNN。與2D CNN相比，3D CNN可以更好地捕獲序列信息和空間維度特征，主要運(yùn)用在視頻分類(lèi)、動(dòng)作識(shí)別以及醫(yī)學(xué)圖像識(shí)別與分割等領(lǐng)域。Kamnitsas等人提出的deepmedic[17]就是使用3D CNN進(jìn)行腦瘤分割，采用兩路CNN并行處理不同分辨率的圖像，因此可以進(jìn)行準(zhǔn)確的分割和定位。

2.2 注意力機(jī)制

注意力機(jī)制（Attention Model）[18]是由Bahdanau等人提出的。其實(shí)，深度學(xué)習(xí)里的注意力機(jī)制模擬的是人腦的注意力模型。當(dāng)看到一幅圖片時(shí)，眼睛只會(huì)關(guān)注圖中某個(gè)圖案而不是整張圖片，此時(shí)人腦也只會(huì)關(guān)注某一個(gè)部分，即人腦對(duì)整幅圖每個(gè)部分的注意力并不是完全相同的，這就是注意力機(jī)制的核心思想。注意力機(jī)制從作用角度一般分為兩類(lèi)：空間注意力和時(shí)間注意力。在實(shí)際應(yīng)用中，一般將注意力分為軟注意力和硬注意力，其中軟注意力是學(xué)習(xí)所有的數(shù)據(jù)并且計(jì)算每個(gè)數(shù)據(jù)相對(duì)應(yīng)的權(quán)值，硬注意力中學(xué)習(xí)到的每個(gè)數(shù)據(jù)對(duì)應(yīng)的權(quán)值只能是0或1，其中符合條件的部分的權(quán)值為1，其余部分的權(quán)值均為0。

目前，注意力機(jī)制應(yīng)用于很多方面，例如細(xì)粒度分類(lèi)[19]、圖像分割[20]、圖像描述[21]等。現(xiàn)有的大多數(shù)使用注意力機(jī)制的方法都是在2D CNN中，也可將注意力機(jī)制用于3D CNN。2018年提出的attention U-Net[22]就是一種用于醫(yī)學(xué)成像的注意力模型，該模型可自動(dòng)聚焦不同形狀和大小的目標(biāo)結(jié)果。通過(guò)注意力門(mén)控可抑制輸入圖像中的不相關(guān)區(qū)域，同時(shí)突出顯示對(duì)特定任務(wù)有用的顯著特征，相比傳統(tǒng)的U-Net同時(shí)提高了模型的靈敏度和準(zhǔn)確率。

本實(shí)驗(yàn)則是通過(guò)聯(lián)合學(xué)習(xí)一種注意力模型，該模型在預(yù)測(cè)像素的語(yǔ)義標(biāo)簽時(shí)對(duì)來(lái)自不同輸入尺度的特征進(jìn)行軟加權(quán)。因此最終輸出是由多尺度輸出的特征映射的加權(quán)和所產(chǎn)生。

3 結(jié)合注意力的3D卷積神經(jīng)網(wǎng)絡(luò)

本文提出了一個(gè)結(jié)合注意力機(jī)制的3D卷積神經(jīng)網(wǎng)絡(luò)分割腦膠質(zhì)瘤，并將該網(wǎng)絡(luò)命名為att-deep。att-deep主要分為兩部分，首先利用3D卷積網(wǎng)絡(luò)對(duì)不同尺度塊進(jìn)行分類(lèi)，然后利用注意力機(jī)制學(xué)習(xí)不同尺度塊對(duì)應(yīng)的權(quán)重，最后將兩部分的輸出相乘并逐體素相加得到最終的分割結(jié)果。

3.1 分類(lèi)網(wǎng)絡(luò)

對(duì)于卷積神經(jīng)網(wǎng)絡(luò)而言，不同分辨率的圖像塊包含的圖像信息是不同的，一般來(lái)說(shuō)分辨率越高的圖像，顯示的部位越精細(xì)，因此關(guān)注圖像局部的細(xì)節(jié)信息，具有更強(qiáng)的語(yǔ)義信息，學(xué)習(xí)這些深層特征有助于對(duì)體素進(jìn)行更精確的分類(lèi)。而低分辨率的圖像包含了更多的空間位置信息，學(xué)習(xí)這些淺層特征有助于分割時(shí)進(jìn)行更精確地定位。因此使用多通路的CNN網(wǎng)絡(luò)不僅可以學(xué)習(xí)高分辨率圖像中的細(xì)節(jié)信息進(jìn)行更精確地分割，而且可以學(xué)習(xí)低分辨率圖像中的空間信息對(duì)體素進(jìn)行精確定位，使得分割結(jié)果有明顯提升。

首先，以deepmedic網(wǎng)絡(luò)為基礎(chǔ)，將原來(lái)的兩路3D CNN擴(kuò)展成一個(gè)三通路的3D CNN，其中每個(gè)通路的輸入是不同尺度s的圖像塊。每一路CNN均具有9個(gè)卷積層，前面8個(gè)卷積層的卷積核大小均為3×3×3，最后1個(gè)卷積層的卷積核大小為1×1×1。為了使較深層學(xué)習(xí)到的特征信息更加完整，在網(wǎng)絡(luò)中還使用了殘差模塊[23]。經(jīng)過(guò)9層卷積以后，將低分辨率的圖像塊經(jīng)過(guò)上采樣恢復(fù)到正常分辨率圖像塊大小，然后經(jīng)過(guò)1個(gè)softmax層，每一個(gè)不同尺度的圖像塊都會(huì)產(chǎn)生不同的特征映射，將其定義為，其中i表示所有空間位置，c∈{1 ,2,…,C}，其中C表示所有的類(lèi)別。圖2是一個(gè)二分類(lèi)的3D卷積神經(jīng)網(wǎng)絡(luò)示意圖。

3.2 學(xué)習(xí)權(quán)重

將多尺度輸入的輸出特征合并，兩種常見(jiàn)的方法是：求所有輸出的平均池化或者最大化池化。這兩種方式意味著不同尺度的輸入所得到的輸出對(duì)最后的體素預(yù)測(cè)而言，貢獻(xiàn)程度是相同的，然而不同尺度的圖像塊所包含的重點(diǎn)信息往往不同，不同尺度圖像塊的輸出對(duì)整個(gè)網(wǎng)絡(luò)最終的體素預(yù)測(cè)結(jié)果的貢獻(xiàn)程度應(yīng)該不等，因此采用前兩種合并特征的方法可能會(huì)導(dǎo)致分割精度下降。為了使最后的分割結(jié)果更加精確，本文引入了一種注意力模塊來(lái)學(xué)習(xí)不同尺度的特征向量對(duì)應(yīng)的不同權(quán)重，將不同尺度輸出的特征向量與其對(duì)應(yīng)的權(quán)重相乘再相加即得到對(duì)應(yīng)空間位置的體素的預(yù)測(cè)結(jié)果。

圖2 二分類(lèi)的卷積網(wǎng)絡(luò)

該注意力模塊首先將原來(lái)的三路CNN產(chǎn)生的特征映射級(jí)聯(lián)，然后經(jīng)過(guò)1個(gè)卷積層，其卷積核大小為1×1×1，得到一個(gè)特征映射。該特征映射實(shí)際為三個(gè)不同尺度塊對(duì)應(yīng)的權(quán)重，此時(shí)的權(quán)重是三個(gè)不同尺度塊共享的，對(duì)不同的尺度塊而言對(duì)應(yīng)不同的權(quán)重wsi，因此不同尺度的權(quán)值計(jì)算公式為式（1）：

這個(gè)權(quán)值反映的是當(dāng)分辨率為s時(shí)，位于位置i的體素在整個(gè)網(wǎng)絡(luò)中的重要程度。利用注意力機(jī)制學(xué)習(xí)不同尺度塊對(duì)應(yīng)的權(quán)值圖如圖3所示。

最后將三路CNN得到的不同的特征映射與其相對(duì)應(yīng)的權(quán)值映射相乘，然后將對(duì)應(yīng)位置的體素結(jié)果相加，得到最終分割結(jié)果，如式（2）所示：

這種聯(lián)合訓(xùn)練，使模型能夠自適應(yīng)地找到不同尺度的最佳權(quán)重，從而得到更好的模型，分割結(jié)果也會(huì)提升。

3.3 超參數(shù)損失函數(shù)

因?yàn)閳D像分割是逐像素標(biāo)記的，而且體積較大的部位對(duì)損失的影響更大。因此為了使分割效果更好，采用了一種新的超參數(shù)損失函數(shù)[24]，將Dice損失函數(shù)與Focal損失函數(shù)[25]相結(jié)合。Dice損失函數(shù)，即1減去Dice系數(shù)得到的值，它通過(guò)將體素級(jí)標(biāo)記問(wèn)題轉(zhuǎn)化為最小化類(lèi)間距離問(wèn)題，學(xué)習(xí)了類(lèi)的分布，在一定程度上解決了類(lèi)不平衡的問(wèn)題，而Focal損失函數(shù)通過(guò)更改樣本權(quán)重，讓模型在訓(xùn)練時(shí)更傾向于關(guān)注難分類(lèi)的樣本，以便更好地學(xué)習(xí)分類(lèi)錯(cuò)誤的體素。公式（3）～（5）分別為第c類(lèi)真陽(yáng)性、假陰性以及假陽(yáng)性的概率：

其中，pn是體素n屬于第c類(lèi)的概率，gn是由專(zhuān)家勾畫(huà)出的體素n屬于第c類(lèi)的概率，TPp(c )FNp(c)和FPp(c)分別是通過(guò)概率計(jì)算得到的第c類(lèi)真陽(yáng)性、假陰性以及假陽(yáng)性的概率，C是包含背景在內(nèi)的類(lèi)別數(shù)。

本文所采用的的新的超損失函數(shù)如式（6）所示：

其中，α和β是用來(lái)平衡假陰性和假陽(yáng)性的權(quán)值，本實(shí)驗(yàn)將它們均設(shè)置為0.5。λ是用來(lái)平衡Dice損失和Focal損失的權(quán)值，本實(shí)驗(yàn)中將其設(shè)置為1。N則是實(shí)驗(yàn)中CT圖像塊的體素?cái)?shù)目。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采用了MICCAI提供的含專(zhuān)家標(biāo)注的腦膠質(zhì)瘤的公共數(shù)據(jù)集BraTS（multimodal brain tumor segmentation challenge）[26]，每個(gè)病人的圖像都包括4種MRI模態(tài)和專(zhuān)家標(biāo)注的腦膠質(zhì)瘤區(qū)域，圖像大小均為240×240×155,分辨率重采樣為1 mm×1 mm×1 mm。從BraTS數(shù)據(jù)庫(kù)選取了220例病人的腦膠質(zhì)瘤圖像，將其分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，樣本數(shù)分別為132例、44例、44例。此外為了更好的分割，對(duì)每一個(gè)樣本均勾畫(huà)了感興趣（Region of Interest，ROI）區(qū)域。

實(shí)驗(yàn)輸入Flair和T1c兩個(gè)模態(tài)的圖像塊，因此輸入前要對(duì)這兩個(gè)模態(tài)的圖像進(jìn)行歸一化處理，使得輸入圖像符合正態(tài)分布，即圖像均值為0，標(biāo)準(zhǔn)差為1。歸一化后的圖像穩(wěn)定性更強(qiáng)并且可加快網(wǎng)絡(luò)收斂。此外由于醫(yī)學(xué)圖像會(huì)受到光線的干擾，歸一化后的圖像可減小這種干擾。歸一化方法如式（7）所示：

其中，xi為位置i的體素值，mean(X)和std(X)分別為整個(gè)圖像塊的均值與標(biāo)準(zhǔn)差。

4.2 實(shí)驗(yàn)環(huán)境及設(shè)置

圖3 權(quán)值映射圖

實(shí)驗(yàn)環(huán)境為：Ubuntu18.04 LST64位操作系統(tǒng)，32 GB內(nèi)存，顯卡NVIDIA GeForce GTX1070，CPU i5-7400。

網(wǎng)絡(luò)訓(xùn)練模型時(shí)，輸入的圖像包括Flair和T1c兩個(gè)MRI模態(tài)的圖像，以及ROI圖像和已經(jīng)由專(zhuān)家分割好的腦膠質(zhì)瘤區(qū)域的圖像。為了進(jìn)行對(duì)比實(shí)驗(yàn)，使用完全相同的樣本分別在U-Net網(wǎng)絡(luò)、deepmedic網(wǎng)絡(luò)，以及本文提出的att-deep網(wǎng)絡(luò)里進(jìn)行了實(shí)驗(yàn)。一個(gè)訓(xùn)練循環(huán)次數(shù)為20次，總共有40次這樣的循環(huán)，訓(xùn)練集樣本、驗(yàn)證集樣本還有測(cè)試集樣本的批處理數(shù)分別為10、50、10。激活函數(shù)使用PreLu（Parametric rectified Linear unit），在卷積層里使用了dropout防止過(guò)擬合并且提高泛化能力，設(shè)為0.5。0.001為初始的學(xué)習(xí)率，并且在實(shí)驗(yàn)中使用RMSProm梯度下降方法動(dòng)態(tài)調(diào)整學(xué)習(xí)率。最后，使用相同的測(cè)試樣本對(duì)訓(xùn)練好的3D CNN模型進(jìn)行測(cè)試，實(shí)現(xiàn)了對(duì)于腦膠質(zhì)瘤的分割。

4.3 實(shí)驗(yàn)結(jié)果

腦腫瘤分割結(jié)果的評(píng)估針對(duì)3種不同的亞腫瘤區(qū)，分別為整體腫瘤區(qū)、核心腫瘤區(qū)以及增強(qiáng)腫瘤區(qū)，其中核心腫瘤區(qū)包括壞死區(qū)域、非增強(qiáng)區(qū)域和增強(qiáng)區(qū)域。為了評(píng)估實(shí)驗(yàn)得到的分割結(jié)果，引入3個(gè)評(píng)價(jià)指標(biāo)，即召回率（Recall）、精確率（Precision）以及Dice相似度系數(shù)（Dice Similarity Coefficient，DSC）。

召回率是指分割正確的腫瘤區(qū)域占真實(shí)腫瘤區(qū)域的比例，評(píng)價(jià)的是分割算法分割出腦膠質(zhì)瘤的能力；精確率是指分割正確的腫瘤區(qū)域占訓(xùn)練模型分割的腫瘤區(qū)域的比例，評(píng)價(jià)的是分割算法正確分割腦膠質(zhì)瘤的能力；Dice相似度系數(shù)表示對(duì)象間的相似程度，主要用于衡量分割出的腫瘤區(qū)域與由專(zhuān)家標(biāo)記好的實(shí)際腫瘤區(qū)域的重合度。一般情況下，召回率和精確率是互相制約，此消彼長(zhǎng)的，很難兼得。計(jì)算方式分別如式（8）～（10）所示：

其中，P表示訓(xùn)練模型分割出的腫瘤區(qū)域，T表示由專(zhuān)家標(biāo)記好的實(shí)際腫瘤區(qū)域。

本次實(shí)驗(yàn)主要有兩組對(duì)比實(shí)驗(yàn)，一組是使用Dice損失函數(shù)作為損失函數(shù)訓(xùn)練，其結(jié)果如表1所示，另一組則使用修改以后的超參數(shù)損失函數(shù)為損失函數(shù)訓(xùn)練，結(jié)果如表2所示。

表1為損失函數(shù)為Dice損失函數(shù)的模型所得到的測(cè)試結(jié)果。從整體而言，att-deep網(wǎng)絡(luò)在召回率、精確率以及Dice系數(shù)均有一定的提升并且召回率和精確率都達(dá)到了相對(duì)平衡。整體的Dice系數(shù)更是達(dá)到91.81%，雖然在核心區(qū)域以及增強(qiáng)區(qū)域的Dice系數(shù)只有77.01%和78.35%，但是相對(duì)其他兩個(gè)網(wǎng)絡(luò)，att-deep得到的Dice系數(shù)仍然最高。

表2為損失函數(shù)為超參數(shù)損失函數(shù)的模型所得到的測(cè)試結(jié)果。從整體情況來(lái)看，所有的網(wǎng)絡(luò)不管是召回率、精確率還是Dice系數(shù)都得到了提升。deepmedic和att-deep網(wǎng)絡(luò)在整個(gè)腫瘤分割區(qū)域的召回率、精確率還有Dice系數(shù)甚至都超過(guò)了90%。雖然att-deep網(wǎng)絡(luò)分割核心區(qū)域的精確率略低于的deepmedic網(wǎng)絡(luò)，但是其他方面att-deep都達(dá)到了最好的效果，Dice系數(shù)更是達(dá)到

95.31 %。

圖4為兩個(gè)不同的測(cè)試樣本經(jīng)過(guò)att-deep模型分割出的結(jié)果，其中（a）為Flair模態(tài)的MRI圖像，（b）為專(zhuān)家標(biāo)記的Ground Truth，（c）為att-deep模型的分割結(jié)果。整個(gè)分割區(qū)域中黃色區(qū)域?yàn)樗[區(qū)域，白色區(qū)域?yàn)樵鰪?qiáng)區(qū)域，白色部分內(nèi)部的灰色區(qū)域?yàn)閴乃绤^(qū)域，灰色區(qū)域中一些白色小點(diǎn)區(qū)域則為非增強(qiáng)區(qū)域。從結(jié)果圖看，att-deep模型分割整個(gè)腫瘤區(qū)域的能力很強(qiáng)，分割出的結(jié)果與專(zhuān)家分割的Ground Truth的差別很小。

圖4 att-deep分割結(jié)果圖

表1 損失函數(shù)為Dice損失函數(shù)

表2 損失函數(shù)為超參數(shù)損失函數(shù)

5 結(jié)束語(yǔ)

為了準(zhǔn)確地分割腦部異質(zhì)腫瘤，提出了一種結(jié)合注意力機(jī)制的3D卷積神經(jīng)網(wǎng)絡(luò)分割算法，采用了一種將Dice損失函數(shù)與Focal損失函數(shù)相結(jié)合的超參數(shù)損失函數(shù)提升分割結(jié)果。通過(guò)實(shí)驗(yàn)證明，提出的結(jié)合注意力機(jī)制的3D卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以準(zhǔn)確地分割膠質(zhì)瘤整體。但是對(duì)于病變體素?cái)?shù)量很少的類(lèi)別分割結(jié)果不是很好，可能的原因是其病變體素?cái)?shù)太少，類(lèi)別不平衡導(dǎo)致分割結(jié)果不是很好。后續(xù)的研究中將重點(diǎn)解決類(lèi)不平衡問(wèn)題，以提高模型的分割準(zhǔn)確率。