基于ResUnet對抗網絡的腦瘤圖像分割方法

羅耀

(廣東機電職業技術學院 計算機與設計學院，廣東 廣州 510550)

0 引言

將腦瘤從圖像中分離出來是圖像醫學和人工智能醫學的重要分支。腦瘤可以分布在大腦的任意區域，幾乎可以變成任意大小和形狀，使得人工分割的時候容易產生誤差。同時，由于病人人數激增，產生大量亟待處理的磁共振成像MRI(Magnetic Resonance Imaging)等影像資料。為提高效率和準確率，同時減輕工作人員的工作負擔和工作壓力，使用計算機技術設計一款輔助軟件分擔他們的工作是非常必要的。

隨著計算機科學的發展，機器學習成為醫學圖像分割的重要研究方向。從監督的角度看，這些機器學習分割方法可分為：非監督學習方法、半監督學習方法和監督學習方法。非監督學習方法屬于傳統方法，按照原理大致分為：基于閾值的方法、基于區域的方法、基于像素的方法和基于形態學的方法。優點是簡單，計算速度快，對算力要求不高，對樣本數的要求也不高。缺點是不太準確。監督學習方法的方法眾多，從復雜性和可解釋性來分，有比較簡單并容易解釋的svm，rf和crf等方法，也有較復雜的不易解釋神經網絡[1]等方法。較非監督學習方法來說，監督學習方法較準確，缺點是所用樣本較多，對算力的要求較高，計算速度也較慢。半監督學習方法則需要在以上二者之間進行權衡，努力尋找優缺點間的平衡點。

基于ResUnet對抗網絡的腦瘤圖像分割方法(以下簡稱對抗法)為了保證準確率采用監督學習的方法，融合了ResUnet和對抗網絡的技術，為進一步提高準確率使用混合濾波器對輸入圖像進行預處理。

1 方法描述

對抗法由兩部分組成，一部分是預處理部分，另一部分是對抗網絡。其中對抗網絡分為生成器和判別器[2-3]，生成器中內嵌ResUnet。

1.1 預處理

通過預處理可以對圖像起到去噪、去冗余以及增強的作用。通過對比度受限的自適應直方圖均衡化(CLAHE)、高斯濾波與Gabor濾波相結合進行預處理可以獲得比較好的預處理效果。直方圖均衡化能比較好地突出圖像的細節，但是可能使得圖像對比度嚴重失真。通過使用CLAHE，提高圖像的局部對比度，起到了增強圖像的作用，同時避免因過度調整對比度造成的圖像失真。為盡可能去除更多的噪音，采用二維旋轉高斯濾波的方法，以水平方向為起點，每旋轉10度做一次高斯濾波。高斯濾波器在去除噪音的同時也使得圖像變得模糊，特別是圖像的邊界變得模糊。為了使得圖像中的邊界變得清晰，使用了Gabor濾波器。Gabor濾波器利用Gabor小波對紋理和邊緣較高敏感性，突出圖像中的邊緣。具體細節如圖1所示。

圖1 預處理圖

1.2 網絡結構

對抗法目標是實現像素到像素的直接輸出。腦部磁共振圖像MRI經預處理后進入生成器。內嵌于生成器的ResUnet分成編碼器(encoder)和解碼器(decoder)，如圖2所示。

圖2 對抗法結構圖

編碼器各模塊處理過程中，首先使用自然分布的方法對輸入數據進行歸一化處理(BN)，在激活層中使用relu函數抑制或激活部分信號。在卷積層中，使用VGGNet卷積網絡處理圖像，一張磁共振圖像有 512×512 個像素點，在dicom文件中每個像素由2字節表示，圖像中每個像素都是整數，由于圖片為單通道，畫圖渲染出來為黑白圖。按照VGGNet的思想使用多個較小卷積核(3×3)的卷積層代替一個卷積核較大的卷積層，一方面可以減少參數，另一方面可以增加網絡的擬合能力。編碼器各模塊結構，按從上至下編號,如表1所示。

表1 編碼器結構表

在解碼器中，反卷積層是stride為2的卷積的逆運算，它可以將圖像擴大一倍。連接層將對應層的圖像連接融合在一起，起到降低計算量的作用。解碼器各模塊結構,按從下至上編號,如表2所示。

表2 解碼器結構表

由解碼器輸出的圖像和按金標準分割的圖像在判別器中進行比較，當判別器不能分辨金標準分割圖與編碼器輸出圖的區別時訓練結束，否則不斷優化生成器，同時判別器不斷進化提高自己的判別能力。

ResUnet是Unet和殘缺網絡的結合體。對于一個給定的圖像Imagei,經過網絡模塊處理后得到目標值為Yi，設網絡參數為Net，圖像Imagei經過網絡后的實際值為F(Imagei;Net)。由此可以給出網絡的損失函數如式(1)。

(1)

1.3 網絡訓練

對抗法屬于監督式學習，以金標準作為標簽來調整整個網絡的參數，以便網絡在訓練過程中快速收斂，從而達到獲得病灶圖像的目的。網絡主體采用GAN模型，訓練網絡的過程是一個對抗博弈的過程。

首先以判別器的損失函數為指引，采用動量隨機梯度下降算法和反饋算法先訓練判別器。訓練判別器時，先將生成器的權值參數固定，優化判別器D的過程就是最小化交叉熵的過程，其損失函數如式(2)。

(2)

其中，Pdata(x)為x的概率分布函數；Pz(z)(噪聲分布)為z的概率分布函數;E(·)為數學期望。將式(2)整理成連續空間上的表達式，如式(3)。

(3)

給定生成器G，最小化表達式(3)，目標函數LOSTD(θD,θG)在D(x)取以下的DG(x)值時得到最小值，如式(4)。

(4)

判別器的目標是，當數據來源于真實數據時，判別器的輸出值即D(x)趨近于1，當數據來源于生成器生成的數據G(z)時，判別器的輸出值即D(G(z))趨近于零。

判別器訓練好后固定判別器，訓練生成器。判別器和生成器之間是一個零合博弈的過程，他們的損失函數互為相反數。判別器內嵌了一個ResUnet,所以判別器的優化過程也是一個ResUnet的優化過程。優化過程通過采用梯度下降的方法使得式(1)中的損失函數值LOST(Net)達到最小值，并求得當損失函數達到最小值的時候網絡參數Net的值。

就整體而言，整個網絡的優化問題就是一個極小化生成器極大化判別器的問題，GAN網絡的目標函數為式(5)。

(5)

2 實驗

驗證對抗法可行性的程序用Python語言編寫完成。

2.1 數據集

驗證過程所使用的數據集是由廣東某大醫院提供的膠質腦損傷的MRI圖像。此數據集收錄了49個病患的病例，每個病例中包含若干個切片圖像，總共1 127個切片圖像。每個病例都由專業醫生對腫瘤部位進行了標注。為了進行精確標注，數據集使用二進制的mask圖形進行標注，每張切片圖像的大小為512×512個像素。

2.2 實驗過程

為驗證對抗法在MRI圖像上分割腦瘤的有效性，特將此方法與區域生長法(Region Growing，下文簡稱RG)和模糊C均值法(Fuzzy C Means，下文簡稱FCM)的結果進行比較。

在使用區域生長法得出分割圖像的時候，首先請醫生幫忙在最有可能出現腫瘤的地方設置種子點，然后運行算法得到分割圖像；在使用模糊C均值法分割圖像時，為方便實驗將聚類類別設置為2 ，收斂系數設置為0.000 1。

實驗結果如圖3所示。

圖3 3種方法分割腦瘤結果對比圖

其中,A列是醫院提供的原始MRI圖像;B列是由區域生長法產生的圖像;C列是由模糊C均值法生成的圖像;D列是對抗法生成的圖像;E列是由專家提供的金標準。

從圖3的結果來看使用區域生長法分割圖像時，當圖像灰度值變化不大時效果較好，一旦腫瘤質地不均勻效果就不好；使用模糊C均值法分割圖像時，當腫瘤與背景區別不大時效果欠佳。使用對抗法分割出來的圖像比前面兩種都要全，細節把握的也比較理想。

2.3 定量分析

經過上述的實驗后，發現單純使用傳統方式分割圖像，未必得到滿意的效果，究竟傳統方法和對抗法得到的分割圖與金標準誰更相似，特用以下幾個評價指標對這些圖像進行客觀評價，即將區域生長法RG[4]、模糊C均值法FCM[5]和對抗法(GAN)分割出來的圖像與金標準相比較。這幾個標準分別是：峰值性噪比PSNR(Peak Signal-to-Noise Ratio)、結構相似性SSIM(Structural Similarity Index)及COSIN相似度(余弦相似度)。評價結果如表3所示。

表3 三種方法結果評價表(廣東某大醫院提供數據)

其中，PSNR 是使用最廣泛最普遍的一種圖像客觀評價指標，它是基于對應像素點間的誤差，即基于誤差敏感的圖像質量評價。PSNR值越大，圖像越接近。第二個尺度是SSIM，它用于評估兩張圖片整體上的相似性。具體而言，SSIM分別從亮度、對比度和結構3方面度量圖像的相似性，取值范圍為[0，1]，值越大相似性越高。第三個尺度是COSIN，它通過測量兩個向量夾角的余弦值來度量不同圖像之間的相似性，取值范圍為[-1，1]，值越大相似性越高。從表3數據可以看出，對抗法優于區域生長法和模糊C均值法。

3 總結

預處理是對抗法重要的一步，它保證了圖像分割的質量。對抗法將GAN網絡與ResUnet網絡融合。GAN的特點可以保持圖像較高分辨率，ResUnet網絡具有跳過若干層再連接的特點，這一特點不僅簡化了訓練，而且簡化了整個神經網絡，大幅度減少了計算量。通過實驗和數據驗證，對抗法相對于傳統分割算法有一定的先進性。