基于BEDU-Net 算法的皮膚病灶分割研究

呂義付， 張 乾， 徐 艷

（1 貴州民族大學數據科學與信息工程學院， 貴陽 550025； 2 貴州民族大學貴州省模式識別與智能系統重點實驗室，貴陽 550025； 3 貴州民族大學教務處， 貴陽 550025）

0 引 言

皮膚細胞病變是指人體皮膚細胞發生形態、結構或功能上的異常變化，可能是惡性或良性的。 常見的皮膚細胞病變包括色素性皮膚病變、非色素性皮膚病變、皮膚癌以及前癌性皮膚病變等。 其中，皮膚細胞病變是導致皮膚癌的因素，惡性黑色素瘤是最為常見的皮膚癌類型［1］。 黑色素癌的擴散速度非常快，然而若在5 年內及早發現，患者的存活率可高達98%，而晚期診斷的存活率僅為17%［2］。 因此，對皮膚早期病變的診斷至關重要。 皮膚病變的診斷需要專業醫生對皮膚病變圖像進行仔細分析。但由于皮膚病變的多樣性，人工診斷是非常有挑戰性的。 因此，計算機輔助診斷（Computer Aided Diagnostic，CAD）皮膚病變就顯得尤為重要。

皮膚病變分割是指將人體皮膚圖像中的病變區域準確地分離出來的過程。 通過皮膚病變分割，可以從皮膚病變圖像中提取有關病變的信息，為皮膚病變的診斷和治療提供重要的依據。 早期的皮膚病灶圖像分割算法主要基于邊緣［3］、閾值［4］、區域［5］和機器學習［6］等算法。 這些早期算法雖然設計簡單、且速度快，但由于容易受到毛發噪聲的干擾，因此無法準確地分割出病變區域的特征，從而導致皮膚病變的診斷存在一定的局限性。

由于深度學習技術的快速發展，卷積神經網絡（Convolutional Neural Network，CNN）在皮膚病灶圖像分割領域中得到了廣泛應用。 CNN 可以自動學習來自原始皮膚病灶圖像數據的多種特征，因此成為皮膚病變分割的主流算法。 全卷積神經網絡（Fully Convolution Network，FCN）［7］從編碼到解碼的提出為后期的網絡分割奠定了基本框架，實現了圖像像素級的分割，但所提取圖像特征的能力較弱。Li 等學者［8］提出了FCRN-88（Full Convolution Residual Network）［9］和病灶指數計算單元LICU（Lesion Index Calclation Unit）的皮損分割網絡，準確率達到了0.922。 ResNet（Residual Network）［10］模型的出現讓CNN 取得了未有的突破，從網絡深度入手在前后之間使用跳躍連接（Skin Connection［11-13］）。2015 年，Ronneberger 等學者［14］提出了具有編碼與解碼結構的U-Net，對圖像分割具有良好的效果，生物醫學圖像分割領域得到了廣泛的應用。 JHA 等學者［15］提出了DoubleUnet，融合2 個U-Net 網絡結構，一個U-Net 網絡用來提取皮膚病灶區域的特征，另一個用于細化皮膚病灶圖像的邊緣區域。Azad 等學者［16］提出了一種密集卷積網絡（BCDUNet），此網絡堆疊了多個密集塊來提高網絡學習特征的能力，但只在最后一個卷積層進行了密集連接，從而對于皮膚病灶區域的邊緣特征提取欠佳。Asadi-Aghbolaghi 等學者［17］改進BCDU-Net 提出密集門控卷積網絡（MCGU-Net），該網絡在解碼階段運用了壓縮激勵模塊，更好地處理全局特征，但只加在解碼部分，并不能解決編碼部分特征圖分辨率逐漸減小導致細節信息遺失的情況。

針對以上算法中存在的問題，提出一種改進UNet 網絡的皮膚病灶分割算法，設計了融合雙向循環特征增強殘差（Bicircular feature enhancement residual）、密集連接（Dense connection）［18］和高效注意力機制（Efficient channel attention mechanism）模塊的BEDU-Net 算法，此算法對病變區域的全局定位與局部細節的分割任務相融合，捕捉全局信息的同時進行邊緣細節的強化。 所提算法的貢獻如下：

（1）提出注意力機制與雙向循環特征增強殘差模塊融合，使用注意力機制強化網絡提取皮膚病灶區域的特征，同時利用雙向循環特征增強殘差模塊消除過度擬合與梯度消失的現象，進而提高分割任務的準確率與靈敏度。

（2）提出在編碼路徑與解碼路徑中融入注意力機制和使用空洞空間金字塔池化，消除收縮路徑中細節特征丟失和噪聲干擾問題同時捕捉全局信息，從而提高分割精度。

（3）在ISIC2018 與PH2 兩個公開數據集上證明了所提算法的有效性，首先使用密集塊與雙向循環特征增強殘差模塊有效提取皮膚病灶區域的特征，其次在全局融入注意力機制和使用空洞空間金字塔池化增強全局特征，提高網絡的分割性能。

1 本文算法

本文算法的基礎框架是U-Net 架構，總體框架如圖1 所示。 本文算法在編碼器部分使用密集塊連接和注意力機制捕捉病變圖像的多尺度信息并提取圖像特征，在此過程中，由于網絡深度的增加會使得特征圖的分辨率降低，故在編碼器最后一層使用空洞空間金字塔結構獲取多樣性分辨率特征。 解碼上采樣逐漸恢復特征分辨率并使用注意力機制模塊來增加全局信息，同時使用雙向循環特征增強殘差模塊進行融合，消除了冗余信息與干擾信息，提高了路徑中的抗干擾能力，進而提高了網絡分割的性能。

圖1 皮膚病灶圖像分割網絡模型結構圖Fig. 1 Structure diagram of skin lesion image segmentation network model

1.1 高效通道注意力機制模塊

基于避免降維和適當的跨通道交互觀點，Wang等學者［19］提出了超輕量化的高效通道注意力機制，如圖2 所示，模塊中yi的權重為：

其中，表示yi的k個相鄰通道的集合，每個通道的注意力模塊有k×C個參數，同時共享相同的學習參數：

故模塊可以使用大小為k的一維卷積實現：

其中，C1DK表示大小為k的卷積核，由于手動調節k的值需大量的計算資源，因此提出卷積核大小自適應選擇方法，k與通道數C是相關的。 且一般認為通道數越大，長期交互作用越強；通道數越小，短期交互作用越強，故存在某種映射?使得：

上述分析所得，k與C成非線性關系，因此指數函數是一種可行的選擇，同時指數函數（如高斯函數）作為核函數被廣泛地應用于處理未知映射的問題中，故：

另外，通道數C通常為2 整數次冪，因此用2γ*k-b代替exp（γ*k-b）。 給定通道數C，自適應確定k為：

1.2 雙向循環特征增強殘差模塊

卷積網絡層的加深在訓練過程中會導致梯度消失與過擬合，使得皮膚病灶圖像分割的準確率和靈敏度降低。 故將淺層特征與深層特征映射融合的殘差模塊加入網絡模型中，而淺層特征中缺乏語義信息，存在特征冗余，因此本文在殘差層中引入雙向循環網絡（Bi-LSTM）［20］模塊，捕捉特征的全局語義信息，提高皮膚病灶圖像分割的準確率與靈敏度。 綜合殘差模塊和雙向循環網絡模塊的優點，設計了特征增強殘差模塊［21］（Feature Enhancement Resnet Module），其運算原理如圖3 所示，融合雙向循環網絡層、DenseNet 層（Dense Block，DB）、卷積層［22］、BN［23-24］層、Rule［25］層和DropBlock 層，避免了過擬合和梯度消失同時強化了網絡獲取圖像特征的能力。 公式如下：

圖3 雙向循環特征增強殘差模塊Fig. 3 Bidirectional loop feature enhancement residual module

其中，h（xi） 為直接映射部分，F（xi，wi） 為殘差映射部分。

1.3 空洞空間金字塔池化

圖像分割中通常用下采樣的調控來擴大感受野的大小，運用減少特征維度去除冗雜信息，但易導致局部信息丟失，使精準度下降，故使用空洞卷積［26］來增加感受野并通過設置空洞卷積不同的擴張率來進行皮膚病灶區域多樣性的特征提取。 首先，用1×1 卷積對輸入特征進行映射；其次，分別使用4 個不同擴張率（2、6、10、14）的空洞卷積捕捉不同感受野和不同尺度的特征信息，同時使用滑動步長為1 的最大池化來整合上下文信息，維持底層的信息特征；最后，使用1×1 卷積融合所有信息特征，達到了降維和消除特征冗余的效果。 其結構如圖4 所示。

圖4 空洞空間金字塔池化Fig. 4 Pyramid pooling of empty spaces

2 實驗與分析

2.1 數據集

本文采用ISIC2018 和PH2 兩個公開數據集對所提出算法的分割性能進行驗證。 ISIC2018 中有2 594張訓練集圖像、259 張驗證圖像和520 張測試圖像；PH2 有原圖與分割圖各200 張，160 張訓練圖像、20 張驗證圖像，20 張測試圖像。 圖5 展示了ISIC2018 與PH2 的部分皮膚病灶圖像，從圖5 中可以看到圖像在形態、大小、顏色等方面均有不同程度的差異。

圖5 原圖與金標準分割的示例圖Fig. 5 Example image of original image and gold standard segmentation

2.2 評價指標

為了皮膚病灶圖像分割時能客觀地評價本文所提出的算法，本文將采用準確率（Accuracy，ACC）、靈敏度（Sensitivity，SE）、 特異性（Specificity，SP）、AUC（Area Under the ROC Curve）、Jaccard Similarity score（JS） 以及Precision（PC） 和F1- score（F1）進行評估，推得的算法公式見表1。表1 中，TP、TN、FP、FN分別表示真陽性、真陰性、假陽性與假陰性的像素量。

2.3 實驗環境與網絡參數

本文實驗的仿真平臺為Pycharm，使用keras 及其TensorFlow 端口，運用python 語言編程，計算機配置為Intel（R）Core（TM）i5-10400F CPU ＠ 2.90 GHz，16.0 GB 內存，NVIDIA GeForce RTX3050，采用64 位操作系統Windows10。 在本文的實驗中，ISIC2018 數據集采取batch_size＝2，迭代次數為100，學習率為0.000 1，采用交叉熵損失函數，使用Adam 優化器優化。

2.4 結果分析

此算法在ISIC2018 和PH2 數據集上進行實驗，分割結果如圖6 與圖7 所示。

圖7 PH2 數據集上的分割結果Fig. 7 Segmentation results on the PH2 dataset

由圖6 和圖7 的分割結果可以看出，U-Net 網絡的分割精度低，是U-Net 算法對全局特征的獲取不充分所導致的。 BCDU-Net 用了密集連接塊充分提取特征，但只加在最后一層，從而獲取到的特征較少。 BUSU-Net 運用雙網絡的疊加使空間特征充分提取，但仍存在邊緣細化較差。 MCGU-Net 考慮到了使用壓縮激勵模塊提取圖像特征，但只加在解碼器部分，并沒解決編碼采樣中由于特征圖逐漸降低導致細節信息丟失的問題。 本文提出的BEDU-Net算法不僅考慮全局特征信息，而且強化國邊緣細節特征，對邊緣模糊、人工標注和毛發噪聲干擾等情況仍表現良好，更好地保留了病灶圖像的邊緣細節。

表2 和表3 顯示了本文算法與其他算法在ISIC2018 和PH2 數據集的分割性能對比，加粗字體表示最憂性能，本文算法在準確率、F1值、特異性、敏感性和相似系數上都顯示出了較好的結果。 在準確率與敏感性上表現最好，均優于對比的算法，證明了此算法具有較好的分割效果。 在ISIC2018 數據集上，F1值、特異性與相似系數上均高于與之對比的大部分算法，僅比MCGU-Net 算法上微低一點。在PH2 數據集上，本文算法在F1值與相似系數都比與之對比的大部分算法高，只在MCGU-Net 算法上稍低一點。 同時，本文算法在ISIC2018 和PH2 數據上的ROC與P-R曲線如圖8 與圖9 所示，從ROC與P-R曲線可以看出AUC值比較接近于1，說明此算法能準確分割皮膚病灶區域的邊緣，有較好的分割效果。

表2 本文算法與其他算法在ISIC2018 數據集上的分割性能對比Tab. 2 Comparison of segmentation performance between this algorithm and other algorithms on the ISIC2018 dataset

表3 本文算法與其他算法在PH2 數據集上的分割性能對比Tab. 3 Comparison of segmentation performance between this algorithm and other algorithms on the PH2 dataset

圖8 數據集ISIC2018 的ROC 與P-R 曲線圖Fig. 8 ROC and P-R curves of ISIC2018 dataset

圖9 數據集PH2 的ROC 與P-R 曲線圖Fig. 9 ROC and P-R curves of PH2 dataset

3 結束語

本文提出了一種融合雙向循環特征增強殘差（Bicircular Feature Enhancement Residual）、高效通道注意力機制 （ Efficient Channel Attention Mechanism）和密集連接（Dense Connection）的皮膚病灶分割網絡（BEDU-Net）。 在編碼-解碼結構中加入高效通道注意力機制模塊和密集連接，不但提取了病變部位的特征，而且增強了邊緣細節特征。此外，在編碼器與解碼器的跳躍連接過程中引入雙向循環網絡，既抑制了訓練過程中的梯度消失與過擬合現象，又減少了噪聲干擾，其次利用空洞空間金字塔池化提取多尺度皮膚病灶區域特征信息，保留邊緣細節。 實驗結果表明，本文算法具有較好的分割效果。 下一步將研究本文算法在其他醫學數據上的應用，提高網絡模型的泛化能力。