一种改进级联U-Net网络的结肠息肉分割算法_王龙业.pdf
《一种改进级联U-Net网络的结肠息肉分割算法_王龙业.pdf》由会员分享,可在线阅读,更多相关《一种改进级联U-Net网络的结肠息肉分割算法_王龙业.pdf(11页珍藏版)》请在咨信网上搜索。
1、D O I:1 0.1 6 1 3 6/j.j o e l.2 0 2 3.0 2.0 1 4 4一种改进级联U-N e t网络的结肠息肉分割算法王龙业1,张凯信1*,曾晓莉2,肖 舒1,肖 越1,敬 梁1(1.西南石油大学 电气信息学院,四川 成都6 1 0 5 0 0;2.西藏大学 信息科学技术学院,西藏 拉萨8 5 0 0 0 0)摘要:结肠镜图像中息肉的精确分割是诊断结肠癌 的 关 键 环 节,针 对 目 前 结 肠 息 肉 分 割 算 法 存 在孔洞、分割粗糙以及分割不完全 的 问 题,提 出 了 一 种 改 进 级 联U-N e t结 构 的 结 肠 息 肉 分 割 算 法。运用特
2、征融合思想,设计了多尺度语义嵌入模块和残差 模 块,充 分 利 用 深、浅 层 特 征 的 语 义 信 息。引入注意力机制,在模型的级联处构建了改进空洞 卷 积 模 块,扩 大 卷 积 感 受 野 并 增 强 特 征 捕 获 能力。改进了卷积层模块和分割 损 失 函 数,提 升 模 型 的 泛 化 性 和 鲁 棒 性。在K v a s i r-S E G数 据 集 上进行实验分析,相似系数、平均 交 并 比、召 回 率 和 准 确 率 分 别 达 到 了9 0.3 9%、8 8.3 4%、8 3.6 2%和9 5.1 2%。实验结果表明,该文所提算法改善了分割图像内部孔洞、边缘粗糙及分割不完全
3、的问题,优于其他息肉分割算法。关键词:结肠息肉;图像分割;空洞卷积;级联U-N e t;分割损失函数中图分类号:T P 3 9 1 文献标识码:A 文章编号:1 0 0 5-0 0 8 6(2 0 2 3)0 2-0 2 1 4-1 1Ac o l o np o l y p s e g m e n t a t i o na l g o r i t h mb a s e do n i m p r o v e d c a s c a d e dU-N e t n e t w o r kW A N G L o n g y e1,Z H A N GK a i x i n1*,Z E N GX i a
4、o l i2,X I A OS h u1,X I A OY u e1,J I N GL i a n g1(1.C o l l e g eo fE l e c t r i c a l I n f o r m a t i o n,S o u t h w e s tP e t r o l e u mU n i v e r s i t y,C h e n g d u,S i c h u a n6 1 0 5 0 0,C h i n a;2.C o l-l e g eo f I n f o r m a t i o nS c i e n c e a n dT e c h n o l o g y,T i b
5、 e tU n i v e r s i t y,L h a s a,X i z a n g8 5 0 0 0 0,C h i n a)A b s t r a c t:A c c u r a t e s e g m e n t a t i o no f p o l y p s i n c o l o n o s c o p y i m a g e s h a s b e c o m e ak e y a s p e c t i n t h e d i a g n o-s i so f c o l o n c a n c e r.Ac o l o np o l y p s e g m e n t
6、a t i o n a l g o r i t h mw i t h i m p r o v e d c a s c a d eU-N e t s t r u c t u r e i s p r o-p o s e d t oa d d r e s s t h ep r o b l e m so f h o l e s,r o u g hs e g m e n t a t i o na n d i n c o m p l e t es e g m e n t a t i o n i n t h ec u r r e n tc o l o np o l y ps e g m e n t a t
7、i o na l g o r i t h m.U s i n gt h e i d e ao f f e a t u r e f u s i o n,am u l t i-s c a l es e m a n t i ce m b e d d i n gm o d u l e a n d a r e s i d u a lm o d u l e a r e d e s i g n e d t om a k e f u l l u s e o f t h e s e m a n t i c i n f o r m a t i o n o f d e e p a n d s h a l-l o w
8、f e a t u r e s.A na t t e n t i o nm e c h a n i s mi s i n t r o d u c e da n da n i m p r o v e dn u l l c o n v o l u t i o nm o d u l e i sb u i l t a tt h e c a s c a d e o f t h em o d e l t o e x p a n d t h e c o n v o l u t i o n a l f i e l d o f p e r c e p t i o n a n d e n h a n c e f
9、e a t u r e c a p t u r e.T h ec o n v o l u t i o n a l l a y e rm o d u l ea n ds e g m e n t a t i o nl o s sf u n c t i o na r e i m p r o v e dt op r o m o t et h eg e n e r a l i z a t i o na n d r o b u s t n e s so f t h em o d e l.T h ee x p e r i m e n t a l a n a l y s i so nt h eK v a s
10、i r-S E Gd a t a s e ta c h i e v e s9 0.3 9%,8 8.3 4%,8 3.6 2%a n d9 5.1 2%f o r s i m i l a r i t yc o e f f i c i e n t,a v e r a g e i n t e r s e c t i o n r a t i o,r e c a l l a n da c c u r a c y,r e s p e c t i v e l y.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h ep r o p
11、o s e da l g o r i t h mi m p r o v e s t h ep r o b l e m so f i n-t e r n a l h o l e s,r o u g h e d g e s a n d i n c o m p l e t e s e g m e n t a t i o no f s e g m e n t e d i m a g e s a n d o u t p e r f o r m s o t h e r p o l y ps e g m e n t a t i o na l g o r i t h m s.K e yw o r d s:c
12、o l o np o l y p s;i m a g es e g m e n t a t i o n;a t r o u sc o n v o l u t i o n;c a s c a d e dU-N e t;s e g m e n t a t i o nl o s sf u n c t i o n0 引 言 结 直 肠 癌 是 临 床 上 死 亡 率 最 高 的 癌 症 之一1,其病变过程较长,最初是结肠息肉引起的良性息肉,但如果检查和治疗不及时,随着时间的发展,良性息肉会逐步发展成腺瘤,而腺瘤则是癌前光 电 子 激 光第3 4卷 第2期 2 0 2 3年2月 J o u r n a
13、l o fO p t o e l e c t r o n i c sL a s e r V o l.3 4N o.2 F e b r u a r y2 0 2 3*E-m a i l:2 8 3 9 9 6 6 9 5 4 q q.c o m收稿日期:2 0 2 2-0 3-0 9 修订日期:2 0 2 2-0 4-0 6基金项目:国家自然科学基金(6 1 5 6 1 0 4 5)和四川省科技计划项目(2 0 1 9 J D R C 0 0 1 2)资助项目病变2。因此,早筛查、早诊治结肠息肉是预防结肠癌发生的有效手段。由于传统息肉检测主要依赖临床医师的手动操作,长时间工作会造 成极高的漏检率
14、3,故结合人工智能 的辅助诊断 手段已经被广泛关注和研究。2 0 0 9年,G R O S S等4将多尺度滤波用于息肉分割,虽然可以实现息肉的简单分割,但分割区域粗糙。2 0 1 2年,B E R NA L等5提出了一种扇形堆积深 度(s e c t o ra c c u m u l a t i o nd e p t ho fv a l l e y sa c c u-m u l a t i o n,S A-D OVA)能量 图 方 法,可 以 实 现 对 息肉区域定位,但误定位率较高。2 0 1 5年,B E R NA L等6为解决误定位问题,采用 窗谷堆积中 值深度(w i n d o w
15、m e d i a n d e p t h o fv a l l e y sa c c u m u l a t i o n,WM-D OVA)能量图检测肠道息肉,从而获取息肉边界。以上方法虽然可以实现息肉的简单分 割,但均只考虑部分特征信息,没有综合考虑息 肉的纹理形状和背景信息等特征,致使分割结果 存在边缘粗糙、空洞等问题。近年随 着深度学习 技术的发展,结 肠 息 肉 分 割 算 法 被 深 入 研 究。2 0 1 8年,WANG等7使用S e g N e t实现息肉的像素级分割,虽分割速 度 较 快,但 精 度 不 高。TA S HK等8基于U-N e t网络进行息肉分割,虽取得较好 的
16、分割效果,但网络的特征融合方式过于简单,信息损失量过大。为解决以上问题,Z HOU等9以U-N e t的编码器和解码器为基础,提出了U-N e t+网络,增加了跳跃连接数量。U-N e t+虽然能提 取不同层次的特征并相互整合,减小低级和高级 特征之间的差距,但其卷积感受野固定,只能提取较少多尺度信息。2 0 1 9年,J HA等1 0提出了R e s UN e t+网络,虽然通过添加压缩激励模块(s q u e e z e-a n d-e x c i t a t i o n,S E)1 1和空间金字塔池化(a t r o u ss p a-t i a l p y r a m i dp o o
17、 l i n g,A S P P)1 2实现多尺度的特征融合和特征通道信息的提取,但并未充分 利用多尺 度 原 始 特 征,丢 失 了 特 征 的 空 间 信 息。HUANG等1 3在U-N e t和U-N e t+的基础上提出了U-N e t 3+,它利用了全尺度的跳跃连接和深度监督,将不同尺度的低级和高级语义结合,从多尺度聚合特征中学习深层表示,然而模型 存在泛化性不足的问题。2 0 2 0年,J HA等1 4打破了传统单一编码器解码器结构的常见设计思路,基于级联模式 的双编码器和双解码器结构,提出了级联形式的双U型结构模型D o u b l e U-N e t。虽然 该网络采取 了迁移学
18、习的策略,并使用VG G-1 91 5预训练网 络作 为编码器提升模型的分割精度和泛化性,但 提取上下文空间特征信息较少。2 0 2 1年,L I U等1 6提出了改 进 的MAD o u b l e U-N e t,利 用 空 间 注 意 力 模块,克服 了D o u b l e U-N e t不 能 对 空 间 维 度 信 息 进行相关性计算的问题,并且使用的传统空 洞卷积丢失了大量细节。为解决上述问题,2 0 2 2年,S H I等1 7提出了利用K r o n e c k e r空洞卷积的阶梯型U-N e t,弥补了传统空洞卷积丢失 的细节特征,但仍存在低级和高级特征融合效率低的问题。
19、虽 然U-N e t、U-N e t+、R e s UN e t+、U-N e t 3+和D o u b l e U-N e t等基础编解码结构的分割方法,可以对高光区域较小、形状规则、边 缘清晰的息肉实现较好的分割,但仍存在肠道高光1 8区域影响、特征融合效率低、模型泛化性不 足、信息损失量大、息肉漏分割、分割图像粗糙问题。针对上述问题,本文提出一种改 进级联结构U-N e t的结肠息肉分割算法,与现有的结肠息肉分 割算法相比,主要在以下3个方面进行了创新改进:1)数据预处理:利用模糊逻辑和对抗生成网络对息肉图像进行去高光处理,来减弱结 肠息肉图像中高光区域对息肉分割结果的影响,并通过数据增
20、强的方式增加数据集的数量,增强 网络对细腻特征的学习。2)网络模型结构:在编解码部分为了提升网络的表征能力及空间和通道特征提取效 率,加入了卷 积 层 重 构 模 块(r e pc o n v o l u t i o nb l o c k,R e p-C o n v-b l o c k)和注意力模块(c o n v o l u t i o n a lb l o c ka t-t e n t i o nm o d u l e,C B AM)1 9;在多尺度特征 融合部分为了减 小 高 级 特 征 与 低 级 特 征 之 间 语 义 的 差距,设计了多尺度语义嵌入模块(m u l t i-s c
21、a l er e s o-l u t i o ns e m a n t i ce m b e d d i n gb r a n c hb l o c k,M-b l o c k)和 瓶 颈 残 差 模 块(b o t t l e n e c kr e s i d u a l sp a t h,R e s-P a t h);在改进空洞卷积部分为了扩大卷积感受野和增强特征捕获能力,设计了多尺度池化 空洞卷积模块(m u l t i-s c a l ep o o l i n ga t r o u s c o n v o l u t i o nm o d-u l e s,A-b l o c k)。3)
22、损失函数:针对结肠息肉数据集中存在数据不平衡问题,改进了分割损失函数,提出了交叉熵损失和对数余 弦L损失结 合的非对称 损失函数,提升了模型的泛化能力和鲁棒性。512第2期 王龙业等:一种改进级联U-N e t网络的结肠息肉分割算法 1 级联结构的U-N e t图像分割算法1.1 M A C U-N e t网络总体结构 为了解决结肠息肉分割图像中存在的图像内部孔洞、边缘粗糙和分割不完全等问题,本文提出了一种多尺度空洞注意力级联网络(m u l t i s c a l ea t r o u sa t-t e n t i o nc a s c a d eu-n e t w o r k,MA C U
23、-N e t),其主要包括编解码部分、多尺度特征融合部分和改进空洞卷积部分,整体结构如图1所示。MA C U-N e t网络结构主要特点如下:1)在级联网络的两个U型结构桥接处加入C B AM,提升网络空间和通道特征提取效率;2)在编码器和解码器中加入了改进的R e p C o n v-b l o c k,增强了网络的表征能力;3)在网络两个U型结构的跳跃连接处分别加入了M-b l o c k和R e s P a t h,减小了高级特征与低级特征之间语义的差距,提升了多尺度特征融合性能;4)在网络的级联处加入了A-b l o c k,扩大了卷积感受野并增强了特征捕获能力。1.2 编解码部分 在
24、第一个U型结构的编码部分,输入了不同尺度的图像来避免网络深层纹理细节丢失的问题;在第二个U型结构的解码部分,通过转置卷积将每层的特征图进行上采样,并进行拼接操作,实现了特征图的多尺度融合输出。在两个U型结构编码到解码的桥接处加入了C B AM模块,增强了对空间和通道特征提取效率。在A-b l o c k模块的输出和输入图像做乘积操作(M u l t i p l y),丰富了语义信息。整个网络的编解码部分中,除第五层使用1组33卷积操作(c o n v 33)外,其余各层均采用本文提出的R e p-C o n v-b l o c k。在网络编码部分的特征图进行了最大池化层(M a x P o o
25、 l i n g)的下采样操作,并在多尺度特征融合部分和解码部分进行特征融合,然后使用转置卷积进行上采样操作(U p s a m p l i n g),实现特征图的尺度变换。虽然分割网络性能会随着深度增加而增加,但是也伴随着网络退化问题,直到残差结构的出现2 0在一定程度上缓解了网络的退化。借鉴R e p VG G网络的相关思想2 1,本文提出了R e p C o n v-b l o c k,如图2所示,每个重构模块中采用两组33卷积操作(c o n v o l u t i o n,C o n v)和 残 差 结 构,加 上 批 归 一 化(b a t c hn o r m a l i z a
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 改进 级联 Net 网络 结肠 息肉 分割 算法 王龙业
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。