采用DoubleUNet網絡的結直腸息肉分割算法

徐昌佳，易見兵，曹 鋒，方旺盛

（江西理工大學 信息工程學院，江西 贛州 341000）

1 引 言

結直腸癌（Colorectal Cancer，CRC）發病率多年來位居癌癥發病率的世界第三［1］。因此，如何預防結直腸癌已成為世界范圍內的公共衛生問題。有研究指出，95%的結直腸癌是由結直腸息肉病變引起的，及時發現并切除結直腸息肉可大大降低結直腸癌的發病率，當前預防結直腸癌最有效的方式就是定期進行結腸鏡檢查并及時進行息肉切除手術。隨著無痛結腸鏡的出現和普及，人們對這項檢查的接受度越來越高。然而，過去息肉的檢測都是通過內窺鏡醫生人工觀察判斷的，很大程度上依賴于醫生的經驗和能力并且需要大量時間和精力，且許多腸道息肉在結腸鏡檢查時因醫生長時間工作時視覺疲勞導致誤診或漏診。計算機輔助檢測系統可以實時地在結腸鏡視頻中顯示息肉的位置，輔助內窺鏡醫師進行判斷［2］，從而可以減少息肉被漏診或誤診的概率。

傳統的分割方法是通過提取顏色、形狀和紋理等特征，然后使用分類器將息肉與其周圍非息肉區域進行區分。2014年，Mamonov等人［3］提出依據從結腸鏡視頻幀中提取到的形狀和紋理特征，使用二值分類器將視頻幀標記為包含或不包含息肉，并假定息肉的特征是突出且大部分為圓形的，再選擇合適的球半徑作為分類器的決策參數。2015年，Tajbakhsh等人［4］提出一種利用上下文信息來移除非息肉結構信息從而定位息肉的方法，該方法首先采用Canny邊緣檢測算法獲得粗糙的邊緣特征，再通過特殊的特征提取和邊緣分類方法去除其中不是息肉的邊緣，然后定位息肉。但是息肉的形狀、大小、顏色和紋理各異，所以使用傳統方法仍然有很高的漏檢率，難以準確地將息肉分割出來。

近年來，利用深度學習進行醫學圖像分割［5］和語義分割任務［6-7］取得很大進展，其中基于深度學習的結直腸息肉分割方法也屢見不鮮［8-9］。雖然這些方法已經取得了優于傳統方法的效果，但它們大多使用邊界框來檢測息肉，因此不能準確定位息肉的邊界。為了解決這個問題，Brandao等人［10］使用帶有預訓練模型的全卷積網絡［11］來檢測和分割息肉。Ronneberger等人［12］提出一種完全對稱的編碼器-解碼器結構的UNet網絡，受UNet網絡成功應用于生物醫學圖像分割的啟發，越來越多人使用UNet的變體結構來進行息肉分割。Zhang等人［13］提出了深度殘差結構的U型網絡ResUNet，將殘差連接引入UNet的每一個卷積模塊，可以提取到更深層次的圖像特征，從而輸出更精準的分割結果。Zhou等人［14］提出了UNet++，通過減少未知的網絡深度，重新設計跳躍連接，并且設計了一個對網絡進行剪枝的方案來提高UNet++的性能。Fan等人［15］提出了一種平行反向注意力網絡PraNet用于息肉的精確分割。Jha等人［16］提出了DoubleUNet網絡，通過將兩個變體UNet結構級聯組成雙網結構，使整個網絡具有更強的特征提取能力，更大的接收域，并將squeeze-and-excite（SE）、空間卷積池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）等附加模塊插入到網絡中以產生邊界更加清晰的息肉分割結果。

與傳統方法比較，利用深度學習進行息肉分割的效果有了大幅提升，但是針對實際應用場景還存在一些問題：醫療圖像的獲取相對比較困難，訓練時的數據量偏小導致訓練得到的模型過擬合，分割效果欠佳；在通過結腸鏡檢查拍攝息肉圖片時，息肉周圍的粘膜及腸道粘液會形成反光從而影響最后的分割結果［17］；息肉圖像背景復雜，息肉很容易受其它正常區域影響，導致因編碼器提取特征能力不夠，無法提取出有效的特征；部分息肉圖像類別不均衡，息肉區域像素在圖像中比例較小，網絡訓練較為困難導致出現漏檢的情況。針對以上問題，本文提出了一種改進的DoubleUNet網絡的結直腸息肉分割算法，主要包括以下幾點工作：

（1）在數據預處理和后處理階段，首先對結直腸息肉圖像進行去反光處理，消除圖像反光區域對分割結果產生的影響；并通過數據擴增方法將訓練數據集進行擴大，以解決本算法中訓練圖片數據量小的問題；最后采用條件隨機場方法和測試時數據擴增的推理方式精細化最后的分割結果。

（2）通過在DoubleUNet網絡兩個子網的解碼器部分引入注意力模塊，使網絡在提取特征時更集中關注于息肉區域，并將低層次的信息與高層次的信息進行有效融合；將網絡中的ASPP模塊替換為DenseASPP模塊并移除擴張率為24的空洞卷積層，以提高網絡提取圖像特征的能力。

（3）針對本文分割的目標在圖像中比例較小的問題，提出利用Focal Tversky Loss作為算法的損失函數以降低簡單樣本的權重，提高小目標樣本的分割精度。

2 基于DoubleUNet網絡的結直腸息肉分割算法

2.1 DoubleUNet網絡

醫學圖像分割是對醫學圖像中感興趣的目標部分進行像素級分類，大量基于深度學習的圖像分割算法已被證明其有效性，其中基于編碼器-解碼器的方法，例如Unet及其變體是解決當前醫療圖像分割問題的流行策略。DoubleUNet是近期提出的用于醫療圖像分割任務的網絡，也屬于Unet網絡的一種變體，它是一個雙網結構，由兩個U型結構相互疊加組合而成，具有兩個編碼器和兩個解碼器。如圖1所示，DoubleUNet的第一個子網以帶預訓練的VGG19作為編碼器提取圖像的特征，然后通過ASPP模塊中不同擴張率的并行空洞卷積捕獲該特征空間信息，最后通過解碼器得到第一個子網的輸出。然后將輸入圖像與第一個子網產生的掩模（Output1）相乘，作為第二個子網的輸入產生另一個掩模（Output2），第二個子網和UNet的區別僅僅在于使用了ASPP和SE模塊，所有其它組成部分保持不變，其中SE模塊［18］添加在第一個子網的編碼器和第二個子網的編碼器和解碼器的卷積操作之后。

圖1 DoubleUNet算法網絡結構Fig.1 Network architecture of DoubleUNet algorithm

2.2 本文算法的網絡結構

本文提出了一種改進的DoubleUNet網絡的結直腸息肉分割算法，該算法的網絡結構如圖2所示，算法在網絡結構中引入DenseASPP模塊，以密集連接的方式連接一組不同擴張率的空洞卷積，從而獲得了更大范圍的感受野，上述工作在沒有顯著增加模型大小的情況下提高了網絡提取特征的能力。在子網1和子網2的解碼階段引入注意力機制，并且結合UNet結構的跳躍連接，將腸道息肉圖像的淺層特征與深層特征進行特征融合，降低了噪聲帶來的影響，使網絡在進行特征提取時更關注于病變的息肉區域，提升了結直腸息肉分割精度。

圖2 改進的DoubleUNet算法網絡結構Fig.2 Network architecture of improved DoubleUNet algorithm

本文提出的算法由兩個級聯的變體UNet結構子網絡1和子網絡2組成，兩個子網絡又分別包含編碼階段、DenseASPP和解碼階段。將經過數據預處理后的結直腸息肉數據輸入子網1的編碼部分（該部分是在ImageNet數據集上預訓練的VGG19），該部分的架構和UNet類似；上述步驟提取到深層次結直腸息肉特征之后接入一個DenseASPP模塊，該模塊以密集連接一組擴張率分別為3、6、12、18的空洞卷積，從而獲取多尺度信息并進行融合，在增大感受野的同時不損失信息，使網絡能夠提取更多目標和更小的息肉特征。解碼部分由注意力機制、上采樣層、卷積層和SE模塊組成，其結構如圖3所示。

圖3 解碼器結構Fig.3 Architecture of the decoder

為了恢復在編碼階段丟失的特征并使網絡特征提取時更關注于息肉區域，本文在上采樣操作前引入注意力機制，上采樣層是一個2×2雙線性上采樣模塊，能夠使輸入特征映射的維數加倍，再通過跳躍連接與編碼部分的特征進行連接，不僅保持了空間分辨率而且還提高了輸出特征映射的質量，連接后再進行2次3×3的卷積操作，每次卷積后都進行批處理歸一化且連接Re-LU激活函數，之后使用SE模塊顯式建模通道之間的關系以增強重要特征，最后應用一個具有sigmoid激活函數的1×1卷積層生成相應的掩模。子網1的輸出與原始輸入逐元素相乘作為子網2的輸入，子網2與子網1的區別僅僅在于編碼器部分，經過級聯的子網2后輸出最終結直腸息肉的分割結果。

2.3 注意力機制

注意力機制［19］最早在自然語言處理領域中廣泛應用，隨后在計算機視覺領域中進一步發展，當前在圖像分類和語義分割任務中應用較多，在語義分割任務中可以對圖像進行像素級預測［20］。注意力機制決定了在神經網絡中哪些部分需要更多的關注則分配更大的權重，降低將每個結直腸息肉圖像中的信息編碼為一個固定維數向量所需要的計算成本，其結構簡單，可以應用于任何大小的輸入，并能提高網絡特征提取性能。計算機視覺中的注意力機制包括空間注意力和通道注意力，SE模塊能夠顯示各建模通道之間的關系，增強重要特征，抑制無用的特征。在基礎網絡中SE模塊已經應用于第一個子網的編碼器和第二個子網的編碼器與解碼器。為使網絡在提取特征時更集中關注于息肉區域，并將低層次的信息與高層次的信息進行有效融合，減少在編碼階段連續下采樣所導致的息肉信息丟失，同時抑制上采樣帶來的噪聲影響，提升最后腸道息肉分割的準確率，本文在兩個子網的解碼器部分都加入了注意力模塊［21］。

本文提出的注意力機制內部結構如圖4所示，圖中g表示與解碼器對應的同級編碼器輸出的低層次信息，x表示上一層解碼器的輸出信息。g信號首先進行批處理歸一化且連接ReLU激活函數，然后經過一個3×3的卷積操作，之后連接一個大小為2×2，步長為2的最大池化層并輸出gpool信號，以上操作的目的是將結直腸息肉的特征圖縮小一半的尺寸，從而匹配x信號經過相同卷積操作得到的特征圖大小。之后gpool再與xconv逐元素相加，輸出的gxsum信號融合了淺層和深層特征。最后，gxsum信號再通過一個與之前相同的3×3的卷積層，得到的特征圖與初始x信號逐元素相乘得到特征圖f。

圖4 注意力機制內部結構Fig.4 Internal architecture of attention mechanism

2.4 DenseASPP模塊

谷歌團隊在DeepLab［22］系列工作中結合多尺度信息和擴張卷積的特點提出了ASPP模塊，該模塊將不同擴張率的空洞卷積特征結合到一起。在DoubleUNet網絡中引入ASPP結構連接兩個子網絡的編碼器和解碼器來獲取多尺度的卷積特征，但是息肉圖片背景復雜，ASPP模塊在尺度軸上特征分辨率還不夠密集，獲取的感受野還不夠大，因此本文引入DenseASPP模塊［23］來代替ASPP模塊。該模塊的網絡結構如圖5所示，其能夠以更密集的方式連接一組空洞卷積，獲得更大范圍的擴張率，在沒有顯著增加模型大小的情況下提高了網絡提取特征的能力。由于使用擴張率過大的空洞卷積會導致卷積退化，造成特征提取性能的降低，因此本文移除了擴張率為24的空洞卷積層。

圖5 DenseASPP網絡結構Fig.5 Network architecture of DenseASPP

2.5 損失函數

在研究基于深度學習的圖像分割問題時，常采用交叉熵損失函數來刻畫該類問題，但在醫學領域中，檢測和分割目標通常只占據整個圖像中的很小一部分病變區域，這種不平衡的數據可能導致訓練效果不佳，而Focal Tversky Loss函數［24］在小目標的檢測中效果較好，因此本文采用Focal Tversky Loss代替交叉熵損失函數，該函數表達式如式（1）：

其中：TIc表示tversky指數，γ的取值范圍是［1，3］。TIc的計算公式如式（2）：

其中：pic為像素i屬于病變類別c的概率，為像素i屬于非病變類別的概率，gic為標簽中像素i對應的值，為標簽中像素i對應1-gic的值，在二分類任務中gic只有0和1兩種取值，0表示像素i屬于非病變類別，1表示像素i屬于病變類別c，ε為光滑因子。通過調節超參數α和β，可以在類別不均衡的情況下改變權重以提高召回率，本文分別設置α=0.7，β=0.3，γ=1.33。

3 數據預處理及后處理

3.1 數據集

為驗證算法的有效性、泛化性和普適性，本文算法在五個公共數據集上進行了相關實驗，第一個數據集是Kvasir-SEG數據集［25］，由挪威奧斯陸大學醫院的內窺鏡專家采集并標注，該數據集包含1 000張息肉圖片和其對應的標簽，圖片像素大小為256×256；第二個數據集是CVC-ClinicDB數據集［26］，由醫學圖像計算與計算機輔助干預國際會議（MedicalImage Computing and Computer-Assisted Intervention，MICCAI）于2015年發布，該數據集包含31個結腸鏡序列的612張圖片和其對應的標簽，圖片像素大小為384×288；第三個數據集是ETIS-Larib數據集［27］，由MICCAI息肉自動檢測子挑戰賽［28］在2017年發布，該數據集包含196張從結腸鏡視頻中提取的息肉圖片和其對應的標簽，圖片像素大小為1 255×966；第四個數據集ISIC數據集［29］是由國際皮膚成像協作組織（International Skin Imaging Collaboration，ISIC）提供的皮膚鏡圖像數據集，該數據集包括2 594張圖片，圖片有多種不同尺寸；第五個數據集是DSB數據集，由數據科學碗（Data Science Bowl）挑戰賽在2018年發布，該數據集包含670張細胞核圖片及其對應的標簽，圖片有多種不同尺寸。

3.2 數據預處理

在進行結腸鏡檢查拍攝息肉圖片的過程中，由于光源被反射，息肉周圍的粘膜以及腸道的黏液處在圖片中會顯示出高光，這些圖像特征會對感知圖像質量產生負面影響［30］。此外，對于進行圖像分割任務的算法來說，息肉表面的高光會影響從息肉表面獲得的紋理特征，嚴重干擾算法的有效性。為降低圖片高光區域對算法的影響，本文在數據預處理階段對原息肉圖像進行去反光處理。首先對圖片進行反光檢測：第一步使用顏色平衡自適應閾值來確定圖片中很明顯的高光區域，若某部分顯示強度過強，則屬于高光。然而顏色通道可能因顏色平衡而產生強度偏移，同時高光的實際強度可能高于所有三個顏色通道的飽和點，因此將圖像的綠色和藍色通道cG和cB進行歸一化，計算灰度強度cE，具體為cE=0.2989·cR+0.5870·cG+0.1140·cB，其中cR為 紅色通道。之所以使用灰度強度作為參考，而不是主要的紅色通道，是因為在結腸鏡圖像中，接近飽和的紅色通道強度不僅出現在反光區域，圖像大部分區域都顯示為較強的紅色。按如下方法計算顏色平衡比：

其中，P95（·）表示顏色強度值超過95%的數值。當息肉圖像中像素x0滿足以下條件時，則被標記為高光：

其中，T1=240，表示灰度閾值。第二步對這些高光區域用其周圍一圈半徑為2和4像素的圓形區域像素平均值進行填充，得到填充圖像；第三步對填充后的圖像做中值濾波（中值濾波器窗口大小w=30），得到“平滑非反光區域顏色像素”，中值濾波后的圖像稱為“平滑非反光區域顏色圖像”，將圖片中的每個像素與之進行比較，得到反光區域。確定圖片中被判定為反光的區域后，立即對其進行反光修復，即用反光檢測中的填充方法將反光區域進行填充，然后對填充圖片進行高斯模糊（高斯核σ=8）得到一副非反光強平滑的圖像，最后結合原圖和高斯模糊的圖像進行修復得到去反光圖像，如圖6所示去反光前后圖像。由于醫學數據集的獲取和標注比較困難，現有數據集包含的樣本數較少，這使得在該數據集上訓練出來的模型容易過擬合且效果欠佳。針對訓練樣本較少的問題，本文提出利用數據擴增的方法來增加樣本數量。首先分別將Kvasir-SEG、CVC-ClinicDB、ISIC和DSB四個數據集進行訓練集、驗證集、測試集的劃分，在數據集中的所有數據中隨機選取80%的數據作為訓練集，10%的數據作為驗證集，10%的數據作為測試集，ETIS-Larib數據集僅作為測試集不參與數據集劃分；接著對訓練集數據采用數據擴增的方法增加樣本數量，包括中心裁剪、隨機旋轉、高斯模糊、彈性變換和RGB平移等，單張圖片可以擴增成26張不同的圖片，Kvasir-SEG、CVC-ClinicDB、ISIC和DSB四個數據集的訓練集擴增后樣本數依次為20 800、12 740、53 976和13 936張圖片；最后對數據集中的所有圖片，包括擴增圖片進行尺寸調整，將ETIS-Larib數據集中的圖片調整為384×288，ISIC和DSB數據集中的圖片調整為256×256，Kvasir-SEG和CVC-ClinicDB數據集中的圖片保持不變。

圖6 去反光前后圖像Fig.6 Image before and after de-reflective

3.3 后處理

經過分割模型預測得到的分割息肉圖片經常會包含一些噪聲，比如邊緣不夠光滑和病變息肉區域不連通等問題。本文采取了兩種后處理方法：一是條件隨機場（CRF）模型方法［31］，條件隨機場為基于概率的無向圖模型，常用于像素級的圖像分割中，具有相似位置和顏色特征的兩個像素，其大概率被賦予相同類別標簽，其被分割的可能性小，對應了條件隨機場中的概率模型。目標圖像的像素為圖的頂點，頂點作為狀態特征，將圖中頂點進行連接作為邊，邊作為轉移特征，求解像素標簽時考慮圖像中其余像素對該像素的影響，精細化分割和標記，使分割結果在邊緣處更加準確平滑［32］；二是測試時數據擴增的推理預測方法，該方法在進行推理預測時首先將輸入圖片進行水平翻轉和垂直翻轉的數據擴增，再將三張圖片一起進行預測，得到的中間結果進行翻轉逆處理后輸出最后的預測結果，最后取三個預測結果的平均值作為分割的最終結果。

在表1和表2中，方法a表示完成圖像預處理后的改進DoubleUNet網絡方法；方法b表示同時采用方法a與條件隨機場方法；方法c表示同時采用方法a與測試時數據擴增推理方法；方法d表示同時采用方法a與兩種后處理方法。表1展示了在Kvasir-SEG數據集上各種方法的實驗結果，可以看出采用條件隨機場模型方法和測試時數據擴增的推理預測方法都能夠進一步提高分割精度。表2展示了在DSB數據集上各方法的實驗結果，可以看出采用條件隨機場模型方法會降低在該數據集上的分割精度，這是由于該數據集的圖片樣本分割目標較多且分割目標間有堆疊情況，加入條件隨機場方法進行后處理會將多個堆疊的分割目標連通為一個整體，從而影響分割精度；而測試時數據擴增的推理預測方法能夠進一步提高分割精度。

表1 Kvasir-SEG數據集上各處理方法性能Tab.1 Performance of different processing methods on the Kvasir-SEG dataset

表2 DSB數據集上各處理方法性能Tab.2 Performance of different processing methods on the DSB dataset

圖7和圖8分別為Kvasir-SEG數據集無后處理分割結果和進行后處理操作，圖9和圖10分別為DSB數據集無后處理分割結果和進行后處理操作。在圖7和圖9中，金標準表示專家標注的分割結果，輸出圖為無后處理結果。在圖8和圖10中，（a）圖表示單獨采用條件隨機場后處理方法的輸出結果，（b）圖表示單獨采用測試時數據擴增方法的輸出結果，（c）圖表示同時采用條件隨機場和測試時數據擴增方法的輸出結果。如圖8所示，加入條件隨機場方法進行后處理將原始輸出圖中一些不連通的區域和邊緣部分被錯誤預測的像素進行修正，精細化了分割結果；而采用測試時數據擴增的推理預測方法將原始圖及其經過多種變換后的圖共同輸入模型進行預測，可以避免因原始圖中的某些重要特征被忽略而導致錯誤分割，提高了算法的魯棒性和防止過擬合的能力，但可能會略微增加模型推理的時間，降低算法的實時性。如圖10所示，在細胞核這類分割目標較多且分割目標間有堆疊情況的數據集上，加入條件隨機場方法進行后處理會將多個堆疊的細胞核連通為一個整體，從而影響分割的準確性；而采用測試時數據擴增的推理預測方法依然能夠提高分割精度，因此針對該數據集本文僅采用測試時數據擴增的后處理方法。

圖7 Kvasir-SEG無后處理分割結果Fig.7 Segmentation results without post-processing on Kvasir-SEG dataset

圖8 Kvasir-SEG數據集上進行后處理操作Fig.8 Post-processing on Kvasir-SEG dataset

圖10 DSB數據集上進行后處理操作Fig.10 Post-processing on DSB dataset

4 實驗結果與分析

4.1 參數設置

本文算法運行環境的硬件設備參數為：CPU主頻為3.6 GHz，顯卡為英偉達2080ti，內存為32 GHz；軟件環境為：操作系統為Windows 10，深度學習框架為TensorFlow+Keras。為方便與DoubleUNet［16］原始算法模型性能進行對比，本文采用的實驗參數基本與DoubleUNet算法相同：所有實驗采用的初始學習率均為0.000 01，連續20個批次驗證集損失不再上升時把學習率降低到原來的0.1倍，采用Nadam優化器，其中ISIC數據集和DSB數據集使用Adam優化器。開始訓練時的批處理大?。╞atch size）設置為4，訓練總輪次為300，當驗證集精度連續50輪不再變好，則提前終止訓練。

4.2 評價指標

本文采用四個評價指標對息肉分割的性能進行評估，分別是Dice系數（Dice）、平均交并比（MIoU）、召回率（Recall）、準確率（Precision）。

其中：X為預測得到的分割結果中息肉區域的像素集合，Y為原息肉圖片金標準息肉區域的像素集合，TP為分割結果中被正確分割的像素數目，FP為分割結果中被錯誤分割的背景像素數目，FN為分割結果中被錯誤預測為背景的息肉像素數目。

4.3 算法在結直腸息肉數據集上的實驗

4.3.1 算法中每個改進步驟的作用

為了驗證算法中每個改進步驟的有效性，本文分別在Kvasir-SEG和CVC-ClinicDB數據集上對每個改進步驟的性能效果進行了測試。分別驗證本文算法在DoubleUNet算法基礎上完成改進網絡結構、替換損失函數、完成圖像預處理及后處理時對分割結果的影響。表3為在Kvasir-SEG數據集上的測試結果，表4為在CVCClinicDB數據集上的測試結果。在表3和4中，“改進網絡”步驟是在“DoubleUNet”算法的基礎上完成的相應操作；“損失函數”步驟是在“改進網絡”步驟基礎上完成的相應操作；“圖像預處理”步驟是在“損失函數”步驟基礎上完成的相應操作；本文方法即“后處理”步驟，是在“圖像預處理”步驟基礎上完成的后處理過程。從表3和4中可以發現，在DoubleUNet算法基礎上，每個改進步驟對算法的Dice系數，平均交并比，召回率的性能都有一定程度的提升；且算法模型改進（包括“改進網絡”和“損失函數”步驟）和“后處理”步驟對準確率的提升明顯。

表3 Kvasir-SEG數據集上各改進步驟的分割結果Tab.3 Segmentation results of each improvd step on the Kvasir-SEG dataset

表4 CVC-ClinicDB數據集上各改進步驟的分割結果Tab.4 Segmentation results of each improved step on the CVC-ClinicDB dataset

圖11為CVC-ClinicDB數據集和Kvasir-SEG數據集的驗證集部分息肉圖片的分割結果，其中第1、2行為CVC-ClinicDB數據集的分割結果，第3、4行為Kvasir-SEG數據集的分割結果。從分割結果來看，本文算法能夠在背景復雜的息肉圖片中提取到重要特征，并且對于圖片中的小目標分割結果也十分理想，極少出現漏分割和錯誤分割的情況。

圖11 CVC-ClinicDB和Kvasir-SEG數據集上的分割結果Fig.11 Segmentation results on CVC-ClinicDB and Kvasir-SEG datasets

4.3.2 不同算法分割性能對比實驗

為了檢驗本文算法在Kvasir-SEG、CVCClinicDB數據集上的分割性能，本文在兩個數據集上分別和五個經典算法進行了對比實驗，具體為UNet［11］、ResUNet［12］、ResUNet-Mod［12］、UNet++［13］、ParNet［14］算法。實驗結果分別如表5和表6所示。

表5 Kvasir-SEG數據集上不同算法分割結果Tab.5 Segmentation results of different algorithms on the Kvasir-SEG dataset

表6 CVC-Clinic DB數據集上不同算法分割結果Tab.6 Segmentation results of different algorithms on the CVC-ClinicDB dataset

由表5和表6可以發現，本文算法在Kvasir-SEG數據集的測試中Dice系數、平均交并比、召回率和準確率分別為0.919 6、0.853 8、0.853 7、0.953 0；在CVC-ClinicDB數據集的測試中Dice系數、平均交并比、召回率、準確率分別為0.954 3、0.913 0、0.899 0、0.964 2；并且從表中可以看出本文算法在四個評價指標上相對于其它5個算法都有較大提高。實驗結果表明本文算法的分割效果較好，準確率較高，在醫學影像方面，對腸道息肉圖像處理有一定的應用價值。

4.3.3 不同算法模型的泛化性能對比實驗

為進一步驗證本文算法模型的泛化性能，本文在CVC-ClinicDB和ETIS-Larib數據集上進行了相關實驗。在實驗中，本文將CVC-ClinicDB數據集按9∶1分成兩部分，分別作為訓練集和驗證集，ETIS-Larib數據集作為測試集，對網絡進行訓練并得到相應模型，并與FCN-VGG［10］、Mask RCNN［33］、UNet［11］、DoubleUNet［16］四 種 算法進行了對比。圖12為算法在ETIS-Larib數據集上的部分分割結果，從圖中可以看到，本文算法在小目標樣本上的分割效果較好，但在某些復雜場景下會出現小范圍誤分割。

圖12 ETIS-Larib數據集上的分割結果Fig.12 Segmentation results on ETIS-Larib datasets

表7為在ETIS-Larib數據集上的測試結果，與其它方法的對比，從中可以看到本文算法的平均交并比、召回率和準確率依次為0.632 7、0.723 5、0.815 7高于其它算法，而在Dice系數指標上與DoubleUNet算法基本相當。以上實驗表明本文算法的泛化性能較好，在未知數據集上的適應能力較強。

表7 ETIS-Larib數據集上不同算法分割結果對比Tab.7 Comparison of segmentation results of different algorithms on the ETIS-Larib dataset

4.4 算法在通用醫學圖像中的應用

為驗證本文算法在通用醫學圖像分割任務上的有效性，本文在ISIC和DSB數據集上分別做 了 相 應 實 驗 驗 證，并 與UNet［11］、Multi-ResUNet［34］、DoubleUNet［16］、UNet++［14］深 度 學 習 基準模型進行了對比實驗。由于ISIC和DSB數據集上的圖片沒有反光的影響，本文算法在上述數據集中沒有進行去反光處理。DSB數據集中圖片包含多個分割目標且分割目標有堆疊情況，采用條件隨機場的后處理方法時會導致分割精度下降，所以該數據集只采用測試時數據擴增的預測推理方法進行后處理，而在ISIC數據集上使用了兩種后處理方法。圖13和圖14分別表示在ISIC數據集和DSB數據集上的分割結果，從中可以看出本文算法在通用醫學圖像公開數據集的分割效果也較好。

圖13 ISIC數據集上的分割結果Fig.13 Segmentation results on ISIC datasets

圖14 DSB數據集上的分割結果Fig.14 Segmentation results on DSB datasets

表8表示在ISIC數據集上本文算法與其它算法的實驗結果，從表中可以看到本文算法的Dice系數、平均交并比、召回率和準確率分別為0.909 5、0.847 3、0.903 7、0.950 3，其中四個指標分別比DoubleUNet算法提高了0.013 3、0.026 1、0.025 7和0.004 4。表9表示在DSB數據集上本文算法與其它算法的實驗結果，本文算法的Dice系數、平均交并比、召回率和準確率分別為0.919 6、0.852 4、0.665 5、0.964 1，本文算法在Dice系數、召回率和準確率三個指標上達到對比算法中的最佳。

從表8和表9的實驗結果可以發現本文提出的算法在ISIC和DSB兩個數據集上的分割精度對比其它分割算法整體上都有一定的提升。以上實驗結果表明本文算法能夠較好地完成通用醫學圖像的分割任務，能夠適應較多的醫學應用場景。

表8 ISIC數據集上不同算法分割結果Tab.8 Segmentation results of different algorithms on the ISIC dataset

表9 DSB數據集上不同算法分割結果Tab.9 Segmentation results of different algorithms on the DSB dataset

5 結 論

本文針對結直腸息肉的大小、顏色和質地各異，息肉與周圍粘膜的邊界不清晰，且息肉區域像素在圖像中比例較小導致出現分割準確率低等問題，提出了一種改進的DoubleUNet網絡結直腸息肉分割算法。本文算法在Kvasir-SEG和CVC-ClinicDB數據集的測試中，Dice系數、平均交并比、召回率和準確率相對于其它經典算法都有較大提升，其中在CVC-ClinicDB數據集上的實驗結果相較于基準網絡，四個評價指標分別提升了0.030 4、0.051 9、0.053 3、0.005 0。表明本文算法在結直腸息肉圖像上分割精度較高，能夠輔助醫生對結直腸息肉進行診斷，減少臨床時的漏診和誤診，對結直腸息肉圖像的處理和分析具有借鑒意義。為驗證算法的泛化性和普適性，本文在ETIS-Larib、ISIC、DSB數據集上進行了相關實驗，實驗結果驗證了本文算法在未知數據集上的適應能力較強，且算法在通用醫學圖像上的分割效果也較好。