改進U-Net的超聲乳腺腫瘤分割網絡

陳 曦，劉 奇，鄧小波，何柯辰，全美霖

1.四川大學 電氣工程學院，成都 610065

2.四川大學 生物醫學工程學院，成都 610065

乳腺癌是女性最常見的癌癥。2019年美國新增患乳腺癌女性約268 600名，約41 760名女性死于乳腺癌[1]。在中國，女性新增乳腺癌病例占全世界新增乳腺癌病例的12.2%，乳腺癌死亡病例占全世界乳腺癌死亡病例的9.6%[2]。臨床經驗表明，雖然造成乳腺癌的病因尚未完全清楚，但乳腺癌的早期診斷對治療尤為重要[3]。

在臨床階段，乳腺癌的診斷方法主要分為侵入式診斷、非侵入式診斷[4]。侵入式診斷也稱活體組織檢查?；铙w組織檢查結果是乳腺癌確診的最終依據，但會給患者帶來一定生理創傷，除了惡性腫瘤以外的大部分情況下是不必要的[3]。非侵入式診斷是利用X光成像、超聲成像、核磁共振成像等方式對乳腺病變區域進行醫學影像檢查。X光檢查產生的電離輻射對患者及醫生身體有害。核磁共振成像雖然成像質量較好，但成本較高。超聲成像則具有無創、成本低等特點，因而在許多國家被廣泛用于乳腺癌的早期診斷。

乳腺癌前期診斷中的超聲篩查依賴于醫生的細致評估，這要求醫生有豐富的臨床診斷經驗[5]，而滿足這一條件的醫生數量在一些醫院十分受限。另外，由于中國新增乳腺癌患者數量逐年增長，醫生每天需要評估大量乳腺超聲圖，疲勞可能導致醫生注意力下降，造成診斷差錯。為了解決以上問題，計算機輔助診斷系統（computer aided diagnosis，CAD）[6]被用于乳腺超聲圖像的診斷中。

CAD系統工作流程一般分為如下步驟：（1）對乳腺腫瘤區域進行精確分割。（2）對分割結果進行特征提取。（3）基于所提取特征使用分類器對乳腺腫瘤進行等級分類，判斷腫瘤是否為惡性。圖像分割是CAD系統的關鍵一步，特征提取步驟基于圖像分割結果，而提取到的特征將直接影響診斷結果。

圖像分割方法總體上分為兩大類：傳統圖像分割方法、基于深度學習的分割方法。傳統圖像分割方法包括基于閾值、區域生長、活動輪廓模型等方法。Yeh等[7]首先使用閾值法對圖像進行二值化得到初步目標區域，再利用形態學算法和碟盤擴張算法確定候選腫瘤目標，最終基于修正規則經過多次迭代的方法得到分割結果。Yu等[8]提出一種基于區域生長的方法，超聲圖像最開始被分成九部分，然后進行去噪處理并設置種子點以及臨近像素，最后用區域生長算法分割腫瘤區域。Zhang等[9]提出一種基于改進Snake模型的超聲乳腺腫瘤分割方法。其針對超聲圖像特點，在內部能量中加入對輪廓平均長度項的控制，外部能量則改進為由圖像統計特征的區域能量以及梯度方向勢能決定，由此實現對腫瘤的分割。以上方法雖能對乳腺腫瘤進行分割，但需要人工介入。例如閾值分割方法需要根據灰度值分布人工選取閾值，區域生長方法則需要人工設置種子點，基于活動輪廓的方法則需要人為勾畫初始輪廓。有些傳統方法即便不需要人工介入而能對腫瘤實現全自動分割，但也需要前期對圖像進行十分復雜的預處理，而預處理多為各種算法組合而成，這導致結果依賴于具體數據集，算法的廣泛性較差。

近年來，深度學習技術獲得極大發展，其在醫學領域的作用也逐漸顯現出來。在超聲乳腺腫瘤分割任務中，鑒于傳統算法的缺陷，許多學者開始研究使用深度學習的方法。Yap等[5]嘗試使用基于LeNet的卷積神經網絡對超聲乳腺腫瘤進行分割。該方法雖能成功對腫瘤實現分割，但需要將圖片切成固定大小的小塊后才能放入網絡進行訓練，且分成小塊的方式會損失較多的位置信息，嚴重影響網絡對圖像全局信息的提取。該作者在文獻[10]中采用全卷積神經網絡（fully convolutional networks，FCN）對乳腺腫瘤進行分割。但該方法不能很好地解決腫瘤尺寸形狀多變問題，導致結果并不十分理想。另外，對上述模型進行訓練需要較多數據，而目前公開的超聲腫瘤分割數據十分有限。

FCN[11]開創了端對端全卷積神經網絡的先河，此后PSPNet[12]、SegNet[13]、U-Net[14]、Deeplab系列[15-17]等語義分割網絡陸續涌現出來。醫學圖像分割數據較少，而U-Net在數據量受到限制時依舊表現較好，因此被廣泛用于醫學圖像分割任務。U-Net網絡是一個對稱的網絡，它包括收縮路徑以及擴張路徑。收縮路徑不斷減小特征層的空間尺寸，而擴張路徑則將特征層不斷還原至原圖大小，最終輸出分割結果。由于超聲圖像具有陰影較多、邊界模糊等問題，U-Net表現也不理想。

許多學者致力于使用或改進U-Net結構相關研究。Amiri等[18]將超聲乳腺腫瘤分割分為兩個階段，第一階段使用U-Net進行較大范圍的分割，第二階段再使用第一階段的分割結果用U-Net進行進一步分割，最終得到較為精確的腫瘤分割結果。但該方法需要額外進行第一階段的掩碼制作，且兩個U-Net網絡需要分別訓練。Zhuang等[19]提出一種用于超聲乳腺腫瘤分割的改進U-Net分割網絡RDAU-Unet。在U-Net的收縮路徑中引入空洞卷積（atrous convolution）[16]增大網絡感受野，并用Attention Gate模塊[20]代替原來的剪裁以及復制操作。該方法雖然比U-Net結果更好，但在多尺度特征提取方面尚有不足。雖然上述方法有一定不足，但給本文提供了寶貴的改進思路，即引入空洞卷積。

MultiResUNet[21]是Ibtehaz等提出的基于U-Net的改進網絡，為了提取更多尺度目標的特征信息，其所提出的MultiRes block中采用了級聯各卷積層輸出的方法，不僅可以提取到多尺度信息，還使網絡更加輕量化。超聲乳腺腫瘤分割要求網絡不僅有提取多尺度目標能力，由于超聲圖像存在陰影，還要求網絡有較強的區分背景以及腫瘤目標的能力。MultiResUNet雖然能夠提取多尺度的特征信息且相對輕量化，但其區分背景以及腫瘤目標的能力有限。

鑒于上述網絡存在的優缺點，本文針對超聲乳腺腫瘤分割任務特點提出一種改進U-Net結構的網絡MultiMix U-Net。其主要優勢有：

（1）MultiMix block特征提取模塊同時兼具更強的多尺度特征提取能力以及更強的區分目標和背景能力。

（2）改進部署后的Respath使收縮路徑與擴張路徑之間對應特征信息的傳遞更加有效。

（3）對乳腺腫瘤的分割精度優于經典分割網絡，且參數量較少。

1 MultiMixU-Net

本文基于U-Net，提出MultiMixU-Net，網絡結構具體如圖1所示。MultiMixU-Net參考了U-Net的編碼器-解碼器結構，由收縮路徑和擴張路徑組成，收縮路徑與擴張路徑之間有4條特征融合通道。

1.1 MultiMixU-Net總體結構

網絡總體結構如圖1所示，圖中粉色、藍色方塊分別代表收縮路徑、擴張路徑上的特征層。

收縮路徑由若干個MultiMix block以及2×2最大池化層組成。除第一個MultiMix block外，每經過一個MultiMix block，特征層的通道數加倍，空間尺寸保持不變。每經過一個2×2最大池化層，特征層的空間尺寸大小減半，通道數保持不變。

擴張路徑由若干個2×2轉置卷積、普通3×3卷積塊以及一層1×1卷積層構成。橙色箭頭表示2×2轉置卷積，它將特征層空間尺寸擴大的同時將通道數減半。綠色箭頭代表普通3×3卷積，用于減半特征層通道數。紫色箭頭代表1×1卷積，它將特征層通道數最終降為2，因為目前只需區分出腫瘤目標和背景。

在原始U-Net網絡中，收縮路徑位于網絡較淺部分，其路徑中的特征層擁有較多空間信息，較少語義信息。擴張路徑則位于網絡較深部分，其路徑中的特征層擁有較多語義信息，由于經過多次的下采樣操作，缺乏空間信息，為了獲得更好語義分割結果，常采取特征融合的方式來提升結果。U-Net收縮路徑與擴張路徑之間的特征融合采用對應特征層復制級聯的方式。復制級聯方式雖然簡單，但收縮路徑與擴張路徑的各對應特征層之間可能存在語義間隔，直接復制級聯不利于網絡性能的提升。為了減輕兩部分特征層之間的語義間隔，本文在通道數為64、128的特征融合通道上引入了Respath，如圖1藍色箭頭所示，來自收縮路徑的特征層在經過了Respath后才與擴張路徑的特征層進行級聯。其余特征融合通道上保留原有復制操作，如圖1虛線箭頭所示。

1.2 MultiMix block

1.2.1 空洞卷積

空洞卷積又名膨脹卷積，其本質是在普通卷積核中插入參數值為0的空洞，使卷積核尺寸擴大。在不增加卷積核訓練參數的同時增大網絡的感受野是空洞卷積最大的優勢，其讓網絡能夠提取范圍更廣的特征信息?？斩淳矸e核膨脹的尺寸大小與膨脹率D有關。插入空洞后的卷積核尺寸與原始卷積核尺寸以及膨脹率D對應的關系可表示為：

其中，K表示插入空洞后的卷積核尺寸，k表示原始卷積核尺寸，D表示膨脹率。普通卷積就是膨脹率為1的空洞卷積。尺寸為3的原始卷積核，使用不同膨脹率（1，2，3）的空洞卷積如圖2所示。隨著膨脹率的增大，卷積核的尺寸也增大，網絡也就越能提取更大范圍的特征信息。

當前在各種網絡中使用空洞卷積的方式大致有串行連接方式、并行連接方式。串行連接方式是指對空洞卷積進行級聯，這可顯著增加網絡感受野，讓網絡更能區分背景與目標。并行連接方式將模塊的單條卷積通路改成多條卷積通路，每個通路上的空洞卷積設定不同的膨脹率以提取不同尺度的特征信息，最后將各支路特征信息進行融合。

1.2.2 MultiMix block結構

在超聲乳腺腫瘤分割任務中，同時存在腫瘤區域與背景難以區分、腫瘤形狀大小多變兩個問題。采用串行連接方式可能會導致多尺度特征信息提取不足。并行連接方式可能會導致網絡區分目標與背景能力受限，且會消耗大量計算資源。

為了同時解決這兩類問題，MultiMix block在MultiRes block的基礎上以串行連接空洞卷積的方式引入空洞卷積通路。當卷積層的卷積核尺寸固定，不同數量卷積層級聯可以得到不同的感受野，而級聯一個通路上各個卷積層的輸出即可獲得多尺度的融合特征信息。因此MultiMix block將各通路上各個卷積層的輸出進行級聯，并將普通卷積通路的輸出與空洞卷積通路的輸出進行相加融合。這樣不僅可以增強網絡區分背景以及目標的能力，還能提取更多尺度特征信息。

MultiMix block的結構如圖3所示。圖3中最上面一條通路標識普通卷積通路，卷積核用藍色標識。中間通路代表空洞卷積通路，卷積核用綠色標識。底部殘差連接的卷積核則用橙色標識。MultiMix block模塊最后將包括殘差連接在內的所有通路的輸出進行相加輸出。

普通卷積通路以及空洞卷積通路均包含3個卷積層，且每層卷積層后都加了BN（batch normalization）[22]層。兩個通路均采用3×3卷積，但空洞卷積通路上的卷積需要設定卷積膨脹率這一參數，如圖3中D1、D2、D3所示。另外，兩通路中每層卷積的卷積核數量也并非保持一致，而是按照一定比例進行分配，這樣有利于網絡的輕量化。兩個通路中的虛線表示對各卷積層的輸出進行復制，虛線方框則代表級聯操作。橙色方塊表示殘差連接中的1×1卷積。

在該結構中，特征層輸入的通道數以及特征層輸出的通道數可自主設置，但規定為8的倍數。特征層在普通卷積通路和空洞卷積通路中傳遞的通道數由輸出通道數以及提前設置的分配比例共同決定，圖中的1、3、4表示分配比例。當輸出特征層通道數為128時，普通卷積通路與空洞卷積通路的卷積核個數則分別是16、48、64。為了應對乳腺腫瘤尺寸大小多變的特點，本文將空洞卷積通路中的各卷積層膨脹率D1、D2、D3分別設置為3、15、31。

1.3 Respath

Respath[21]在MultiResUNet中用來減小收縮路徑特征層與擴張路徑特征層之間存在的語義間隔。來自收縮路徑的特征層經過Respath后才與對應擴張路徑的特征層進行級聯，且經過Respath后的特征層空間尺寸、通道數均保持不變。單條Respath由若干個殘差卷積塊組成。圖4中展示的是由4個殘差卷積塊組成的Respath。MultiResUNet網絡中總共包含4條特征層融合通道，因此該作者在MultiResUNet中引入了4條Respath。從上到下4條Respath的殘差卷積塊數量依次設置為4、3、2、1。

為達到減小語義間隔的目的，本文嘗試引入Respath。但在實驗中發現，完全引入在MultiResUNet中的4條Respath的結果不但沒有提升反而變得更差。對此，本文在不改變MultiResUNet中Respath結構只改變Respath部署的條件下進行了對比實驗，具體實驗信息見第2.4.1小節。最終本文將Respath僅用在了通道數為64、128的特征層融合通道上，如圖1中Respath1、Respath2所示[21]。各Respath中殘差塊的數量與MultiResUNet中對應位置Respath中的殘差塊數量一致。對于通道數為256、512的特征層融合通道，則直接采用復制方式，不使用Respath。

2 實驗及結果分析

2.1 數據集

為對本文所提網絡進行評估對比，本文使用Yap等公開的超聲乳腺腫瘤數據集[5]。該數據集在西門子ACUSON Sequoia C512系統上收集，總共163張，來自163位女性。該數據集包含110例良性腫瘤以及53例惡性腫瘤。在該數據集的163張超聲圖中，有浸潤性導管癌40例，腫瘤腫塊圖像中小葉癌2例，原位冠狀動脈癌4例，不明惡性病變7例，有良性影像中纖維腺瘤39例，不明囊腫65例，其他類型6例。該超聲數據集的平均尺寸大小為454×537，在本文實驗中，圖片尺寸統一設置為512×512。該數據集的標簽均由經驗豐富的醫生標注，原圖以及標簽圖示例如圖5所示。

2.2 評價指標

為了量化對比本文所提出模型以及對比模型，本文將使用如下經典的量化評價指標：交并比（intersection over union，IoU）、Dice相似系數（Dice similarity coefficient，DSC）、全局準確率（global accuracy，GA）、特異度（Specificity）、靈敏度（Sensitivity）、精確率（Precision）、負正類率（false positive rate，FPR）。

IoU是語義分割中重要的評價指標，其計算分割網絡所預測腫瘤區域與標簽中腫瘤區域的交集部分所占并集部分的比例。DSC是用于不平衡數據集的重要評價指標，本文所使用數據集在一定程度上存在種類不平衡問題，因此也將DSC作為評價指標。由于語義分割本質上是對像素點進行分類，本文也使用了像素點分類預測準確度相關的評價指標如GA、Precision、Sensitivity、Specificity、FPR等指標。各指標的計算方式如下：

2.3 實驗平臺及參數設置

2.3.1 實驗軟硬件環境

本文進行實驗的設備是一臺工作站，其軟硬件環境如表1所示。本文所提出的模型基于PyTorch[23]深度學習框架進行搭建、訓練以及測試。

表1 實驗軟硬件環境信息Table 1 Hardware and software environment settings

2.3.2 實驗及參數設置

由于數據集僅有163例，本文采用五折交叉驗證方法對所有模型進行評估。163例數據中隨機抽取33例作為測試集，再將剩下的數據分為訓練集以及驗證集。驗證集用來保存模型表現最好的參數。每個模型在最后會保存5個權重參數，加載所保存的5個權重參數分別在測試集上進行測試，對測試結果取平均值即得到每個模型的最終評價結果。

在圖片輸入網絡之前進行標準化。標準化的參數如均值、標準差均由各訓練集計算得到。本文在實驗訓練過程中使用隨機梯度下降優化器（stochastic gradient descent，SGD），使用Kaiming初始化[24]進行參數初始化。由于數據集中腫瘤區域僅占整個超聲圖像的較小比例，選擇帶權重的交叉熵損失函數作為目標函數。初始學習率設為0.000 1，Momentum設置為0.4，Batch size設置為5，Epoch設置為1 000。每100個Epoch將學習率設置為原來的一半。

2.4 實驗結果以及分析

本文用第2.1節所提超聲乳腺腫瘤分割數據集對模型進行訓練及測試，并將本文最終提出的MultiMixU-Net與各經典網絡進行對比。本文也利用消融實驗驗證了MultiMixU-Net網絡中MultiMix block和使用改進部署后Respath的有效性。

2.4.1 Respath部署方式的確定

將U-Net收縮路徑中每兩個連續的卷積層（包括最底部）替換為MultiMix block后，所得網絡命名為U-Net+MultiMix block。該網絡中收縮路徑特征層與擴張路徑特征層進行特征融合依舊采用復制級聯的方式，然而網絡的收縮路徑部分與擴張路徑部分本就位于網絡的不同深度，這導致收縮路徑特征層與擴張路徑特征層之間存在一定的語義間隔。為了減少兩部分特征層之間的語義間隔，本文嘗試在U-Net+MultiMix block特征融合通道上引入Respath。

U-Net+MultiMix block中總共包含4條特征融合通道，第一條特征融合通道（即通道數為64的特征融合通道）所對應收縮路徑特征層與擴張路徑特征層在網絡中相隔最遠，因此語義間隔也最大。本文將Respath首先在第一條特征融合通道上采用，對于Respath在其他特征融合通道上的使用均在此基礎上進行添置。為了確定使網絡表現最好的Respath部署情況，本文設置的模型如表2所示，各模型的指標結果和實例分割結果如表3、圖6所示。

表2 用于確定Respath部署方式的模型設置Table 2 Model settings for determining layout of Respath

如表3所示，在U-Net加入MultiMix block且不在特征融合通道中加入Respath可使DSC達到0.769 2，IoU可達到0.625 4，在像素分類指標Global Accuracy上也可達到0.979 9。當在通道數為64的特征融合通道上使用Respath時，模型U-Net+MultiMix block+Res path*1的結果中各項指標與U-Net+MultiMix block的結果大致相當，稍有下降。在通道數為64、128的特征融合通道上使用Respath時，U-Net+MultiMix block+Respath*2相較于U-Net+MultiMix block在多項指標上均有提升，其中DSC從0.769 2提升至0.775 7，IoU從0.625 4提升至0.634 1，Global Accuracy、Sensitivity、Precision也有對應小幅度提升。然而當繼續在通道數為256、512的特征層融合通道中添加使用Respath時，各項指標結果非但沒有提升反而有明顯的下降。

表3 各候選模型的指標結果Table 3 Result of different candidate models on metrics

在實例分割圖6中，也可以看出U-Net+MultiMix block+Respath*2相比較于其他網絡有更少的假陽區域，且最終的分割結果也更逼近標注圖。本文推測，這可能是由于U-Net+MultiMix block網絡中第一條、第二條特征融合通道所對應收縮路徑特征層與擴張路徑特征層之間語義間隔都較大，只把Respath加在第一條特征融合通道上作用不明顯。而對于第三條、第四條特征融合通道，其對應收縮路徑特征層與擴張路徑特征層在網絡中相隔較近，語義間隔較小，使用Respath反而會傳遞一些冗余信息從而影響網絡整體性能，因此保持復制的方式更為有效。

綜合以上評價指標結果以及實例分割結果，本文選擇U-Net+MultiMix block+Respath*2作為最終模型，并將其命名為MultiMixU-Net。

2.4.2 MultiMixU-Net與經典網絡的對比

本文將最終提出的MultiMixU-Net與經典分割網絡U-Net、SegNet、MultiResUNet、AttentionU-Net、CE-Net[25]、DC-UNet[26]進行對比，訓練過程中驗證集上的DSC上升曲線對比如圖7所示，各指標對比如表4所示，實際分割結果示例如圖8所示。

表4 各網絡的對比實驗指標比較Table 4 Comparation of result of different networks on metrics

圖7 表明MultiMixU-Net在驗證集上的DSC曲線不僅上升最快，且數值最高，這表示MultiMixU-Net具有較強的特征學習能力。

在語義分割任務中重要的衡量指標IoU、DSC分別達到0.634 1、0.775 7，相比于作為基礎模型的U-Net分別提升0.154 1、0.127 3。雖然MultiMixU-Net在Sensitivity指標上不如CE-Net，但如果同時考慮其他指標，尤其是關鍵的IoU以及DSC指標，MultiMixU-Net更能對乳腺腫瘤進行較精確的分割。DC-UNet是MultiResUNet的改進版本，從評價指標上也可看出，DC-Unet結果優于MultiResUNet。

圖8展示MultiMixU-Net與參與對比的其他網絡在測試集上的分割結果。U-Net分割結果存在較多的假陽區域，其并不能夠很好地區分腫瘤區域以及背景區域。CE-Net、SegNet結果中的假陽區域較少，個別例子中可以找準腫瘤區域，但腫瘤分割結果形態與標注圖有較大差異。MultiResUNet能夠在目標與背景對比明顯的超聲圖片中找到腫瘤區域，且分割形狀也較接近于標簽圖，但存在較多假陽區域。MultiMixU-Net分割結果中的假陽區域相較于其他模型明顯減少，且分割結果形態更逼近標注圖。綜合對比來看，MultiMixU-Net無論在區分腫瘤及背景能力上還是在分割結果形態方面都好于其他對比網絡，且參數量較少。

2.4.3 消融實驗及分析

為了證實本文所提結構確實有效，做消融實驗進行驗證。消融實驗的基礎模型設置為U-Net。為了驗證MultiMix block的作用，本文將U-Net收縮路徑中包括最底部的每兩個連續卷積層替換為MultiMix block，特征融合通道采用簡單的復制操作而不使用Respath，該模型在消融實驗中被命名為U-Net+MultiMix block。在第2.4.1小節中的U-Net+MultiMix block+Respath*2在實驗中被用來驗證修改Respath部署的有效性。消融實驗中各模型評價指標如表5所示，實例分割結果如圖9所示。

從表5可看出，MultiMix block的引入使得每個評價指標都有提升，其中DSC從0.648 5提升至0.769 2，IoU從0.480 0上升至0.625 4，FPR則從0.021 1下降至0.012 0。在U-Net+MultiMix block的通道數為64、128的特征融合通道上引入Respath則使U-Net+MultiMix block結果進一步提升，DSC達到0.775 7，IoU達到0.634 1，Global Accuracy則達到0.980 3，雖然在Specificity以及FPR上稍有下降，但數值大致與U-Net+MultiMix block結果相同。

表5 消融實驗指標展示Table 5 Result of ablation experiments on metrics

從實際分割實例圖9可以看出，當超聲腫瘤圖片中背景存在較大面積陰影時候，U-Net網絡對于區分背景以及腫瘤目標的能力不足，分割結果中會出現較多假陽區域。即使在找準腫瘤位置的圖片中，其最后的分割結果也與標注圖有較大形態上的出入。引入MultiMix block后，分割結果中假陽部分相比較于U-Net有了明顯的減少，且在分割結果形態上也更逼近于標注圖。假陽區域明顯減少是由于MultiMix block中有一條空洞卷積通路，這讓網絡感受野更大，能提取更多上下文信息，增強了網絡區分腫瘤目標與背景的能力。分割結果在形態上的提升則是由于MultiMix block內部的特征信息級聯融合方式。U-Net+MultiMix block+Respath*2的分割結果表明，在通道數為64、128的特征融合通道上引入Respath不僅使假陽區域有了進一步減少，還使分割結果的形態更加逼近標注圖。以上實驗證明，MultiMix block以及Respath的改進部署的確在網絡中有效。

3 結束語

針對超聲乳腺腫瘤分割任務，本文提出一種基于U-Net改 進 的 網 絡MultiMixU-Net。MultiMixU-Net將U-Net收縮路徑中（包括底部）的每兩個連續卷積層替換為本文提出的MultiMix block，并在通道數為64、128的特征融合通道上引入Respath。本文使用Yap等公開的超聲乳腺腫瘤分割數據集對MultiMixU-Net進行了訓練以及測試，并與經典的SegNet、U-Net、MultiResUNet、AttentionU-Net、CE-Net等網絡進行對比。實驗無論是在指標上還是在實例分割結果上都表明，MultiMixU-Net分割結果優于其他對比網絡，且參數量較少。但本文網絡只在單一數據集上進行了驗證，缺乏對多站點數據的評估。模型訓練的超參數需要根據所處理的數據集進行調整，不能完全保證模型權重能在多站點數據集之間性能無損地遷移。