基于浅层网络的图像分割算法研究
基于浅层网络的图像分割算法研究
图像分割是一项关键的计算机视觉任务，旨在将数字图像分割
成不同的区域，每个区域代表一组相似的像素。
图像分割可以用
于许多应用程序，例如医学图像分析，自动驾驶和环境监测。
在
新的图像分割方法中，浅层网络越来越受欢迎，因为它们可以在
不牺牲准确性的情况下加快处理速度。
在浅层网络中，卷积神经网络（CNN）是最流行的类型之一。
CNN可以从图像中提取有效的特征，并用这些特征进行分类和分割。
CNN也可以自适应地学习像素之间的依赖关系，因此它们在
图像分割中具有很高的准确性。
最常用的基于CNN的图像分割架构是U-Net。
U-Net由一个编
码器和一个解码器组成。
编码器由堆叠的卷积和池化层组成，可
以逐步减小图像的空间尺寸并提取有用的特征。
解码器由堆叠的
卷积和上采样层组成，可以逐步增加图像的空间尺寸并还原图像
的细节。
U-Net可以将低级特征和高级特征相结合，以获得更好的分割结果。
虽然U-Net具有良好的性能，但它存在一些缺点。
首先，U-
Net在分割具有复杂结构或小目标的图像时可能会出现失灵。
其次，U-Net需要大量的训练数据来提高分割的准确性。
最后，U-Net在
分割不同的对象时可能会出现混淆，因为它不能识别它们之间的关系。
近年来，研究人员开发了许多基于U-Net的改进算法来克服这些限制。
例如，Attention U-Net使用注意力机制来表示不同区域之间的关系。
此外，U^2-Net使用多个级别的编码器和解码器来提高分割的精度和效率。
最新的算法还包括基于边缘的分割和分层分割，这些算法可以使分割更加连续和准确。
总的来说，基于浅层网络的图像分割算法是计算机视觉中非常重要的领域。
随着技术的飞速发展，我们可以期待更多更准确的图像分割方法的出现，这些方法将有助于推动相关领域的发展和应用。
基于U-net++卷积神经网络的CT图像肺实质分割方法
outputsegmentation map128 128256 128▼ 256 256U L I5125121024512512 256 ■1024♦c o n v 3x 3, R eLU .copy and crop f max pool 2x2♦ up-conv 2x2♦ conv l x l基于U _net ++卷积神经网络的C T 图像肺实质分割方法姜旭恒常宗强丁英杰(威海市中心医院山东省威海市264400 )摘要：本文介绍了随着人工智能技术的不断发展，计算机辅助诊断在肺癌、肺结节和新型冠状病毒肺炎等肺部疾病诊断领域取得了 广泛的应用。
为了提高神经网络检测的准确性，需要通过大量肺部CT 图像进行训练。
因此，获取干扰信息更少、病灶更加明显的肺实质 断层图像可以显著提高神经网络的准确率。
使用U -net ++卷积神经网络对L U N A 16肺部CT 数据集进行训练，将训练好的模型用于肺实质分 割。
肺实质分割网络输出平均D ice 系数为0.9925，实现了较为精准的肺实质分割。
通过U -net —卷积神经网络实现了对肺实质快速、准确的分割，对肺部疾病的计算机辅助诊断的发展具有一定的推动作用。
关键词：计算机辅助诊断；卷积神经网络；肺实质分割1引言肺部疾病一直是威胁人类健康的主要疾病。
近年来，肺癌的发病率和死亡率迅速增长，己经成为对人类生命威胁最大的恶性肿瘤之一 [11。
作为肺部疾病最有效的无创检测技术，C T 以其分层薄、分辨率高、低噪声等特点，被广泛应用到肺部疾病筛查和诊断当中[2]〇近年来，随着人工智能的不断发展，计算机辅助诊断（computeraided diagnosis ，CAD )在医学影像领域得到了广泛的应用⑴，特 别是在肺癌、肺结节等肺部疾病诊断方面己取得了重要进展。
现阶 段，计算机辅助诊断系统主要利用深度学习算法训练灵敏度较高的 卷积神经网络来实现对病灶的快速自动检测。
基于通道注意力机制和U-net的医学图像分割方法
2.1 数据集
通道。
集进行验证实验，以检测本文提出的模型在不同数据
终通过公式(4)得出输出特征 f 3，其中 c 表示 f 3 的第 c 个
f 3 [ c,:,: ] = atte [ c ] *f 2 [ c,:,: ]
1.3 整体框架
⑷
本次实验将使用两个不同器官的医学图像数据
集上的表现效果。第一个数据集是 3D-IRCADb-01
show that the Dice coefficient is increased by 2.7% and 1.8% respectively compared with the original U-net network, which
verifies the feasibility and effectiveness of the method.
学图像处理模型对上一步骤生成的结果进行分类，剔
除假阳性的候选，保留真正的结节，实现对输入的胸
图 1 所示。首先输入网络提取的图像特征 f ∈ R c × h × w，
然 后 经 全 局 特 征 提 取 后 ，将 特 征 的 形 状 转 换 为
直肠癌 CT 影像进行智能分割，同时加入图像增强、批
f 1 ∈ R c × 1 × 1，其次经过通道权值计算模块计算 f 1 中每个
数据库[5]，
包含20例肝脏三维CT扫描图像男女各10例），
图 2 显示的即为本文所设计的网络结构图，将 U-
其中 75% 为患有肝肿瘤的患者。部分患者病例的相
net 的每一层提取的特征，送入通道注意力模块，得出
医生做出更加准确的诊断和治疗方案[1]。由于医学图
像具有不均匀、模糊、差异性等特点，对医学图像分割
基于U-Dense-net网络的DSA图像冠状动脉血管分割
浙江理工大学学报，2021，45(3):390-399J o u r n a l o f Z h e jia n g S c i-T e c h U n iv e r s ityD O I：10. 3969/j.i s s n.l673-3851(n).2021. 03.013基于U-Dense-n e t网络的D S A图像冠状动脉血管分割王卓英1，童基均1，蒋路茸1，潘哲毅2(1.浙江理工大学信息学院，杭州310018;2.武警海警总队医院信息科，浙江嘉兴314000)摘要：冠状动脉血管是研究心血管疾病的重要基础.为准确分割D S A(D ig ita l subtraction angiography)图像 冠状动脉血管，提高训练过程中血管特征的有效利用率，提出了一种基于U-D e n s e n e t网络的分割方法。
该方法首先对数据集进行限制对比度直方图均衡化预处理；然后对预处理结果进行图像粗分割，基于U-D e n se n e t网络，在解码器部分融合密集残差块和注意力机制实现深度神经网络模型，加强特征映射，充分提取局部特征，实现血管与背景的分类；最后利用形态学处理、阈值分割、基于多点区域生长的连通域分析进行图像细分割，实现血管的提取。
将 测试结果和3位专家手工标注的标准图进行对比分析，结果表明：该数据集的分割结果精确率、召回率、F,分数分别为83. 22%、89. 81%、86. 04%,3种特性曲线下的平均面积为0.9923。
与其他方法比较，该方法提取到的血管信息较为完整，为精确分割冠状动脉血管提供了一种解决方案。
关键词：冠状动脉血管；图像分割；U-Dense~ne t;密集残差块；注意力机制；深度神经网络；DSA中图分类号：TS391.4 文献标志码：A 文章编号：1673-3851 (2021) O5-O39(M0Coronary artery segmentation of DSA images basedon U-Dense-net networkWANG Zhuoyi?jg], TONG Jiju n1 •,JIA N G Lurong], PA N Zheyi2(1. S c h o o l o f In fo r m a tio n S c ie n c e an d T e c h n o lo g y, Z h e jia n g S c i-T e c h U n iv e r s ity,H a n g z h o u310018, C h in a；2. In fo rm a tio n O ffic e, H o s p ita l o f C o a s t G u a r d C o rp s o fC h in e se P e o p le’s A r m e d P o lic e F o r c e s, J ia x in g314000，C h in a)Abstract：C o r o n a r y a r te r y is an im p o rta n t b a s is fo r th e s tu d y o f c a r d io v a sc u la r d ise a se s. In o rd e r to s e g m e n t c o ro n a ry a r te r ie s a c c u r a te ly in D S A(d ig ita l s u b tr a c tio n a n g io g r a p h y)im a g e an d im p ro v e th e e ffe c tiv e u tiliz a tio n o f vavscular fe a tu r e s in th e tra in in g p r o c e s s, th is p a p e r p r o p o s e s a se g m e n ta tio n m e th o d b a se d on U-D e n se-n e t. F i r s t l y, th e d a ta s e t is p r e p ro c e sse d b y lim itin g c o n tr a s t an d e q u alizin g h is to g r a m s. S e c o n d ly, th e p r e p r o c e s s e d r e s u lt s a re r o u g h ly se g m e n te d. B a se d o n U-D e n s e-n e t, o u r stu d y im p le m e n ts a d e e p n e u ra l n e tw o rk m o d e l b y fu s in g th e d e n se re sid u a l b lo c k an d a tte n tio n m e c h a n ism in th e d e c o d e r to s tr e n g th e n fe a tu r e m a p p in g, fu lly e x tr a c t lo c al fe a tu r e s an d re aliz e th e c la s s ific a tio n o f b lo o d v e s s e ls an d b a c k g r o u n d s. In th e e n d, m o r p h o lo g ic a l p r o c e s s in g, th re sh o ld s e g m e n ta tio n an d co n n e cte d c o m p o n e n t a n a ly s is b a s e d on m u lti-p o in t r e g io n g ro w th a re u se d to se g m e n t th e im a g e s fin e ly an d e x tr a c t v e s s e ls. T h e te s t r e s u lt s a re c o m p a re d w ith th e sta n d a r d d ra w in g s a n n o ta te d b y th re e e x p e r ts m a n u a lly, a n d it is fo u n d th a t th e a c c u ra c y r a t e, re c all r a te an d F i sc o r e o f the se g m e n ta tio n r e s u lt o f th is d a ta s e t a re83. 22%, 89. 81%an d86. 04%r e s p e c tiv e ly, an d th e m e an are a u n d er th re e R O C c u r v e s is 0. 9923. T h e c o m p a riso n收稿日期：2020 — 09—02 网络出版日期：2021—02 — 04基金项目：国家自然科学基金项目（61602417);浙江理工大学基础研究项目（2019Q042);浙江理工大学“521人才培养计划”作者简介:王卓英（1996 —），女，山西吕梁人，硕士研究生，主要从事智能医学图像处理方面的研究。
基于卷积神经网络的脑肿瘤分割方法综述
脑组织是人体的核心器官之一，对人类健康起着至关重要的作用，而脑肿瘤严重影响了生命安全。
脑肿瘤分为原发性和继发性，即原本生长在颅内的肿瘤和由其他部位转移到脑组织的肿瘤。
其中，神经胶质瘤是最常见的原发性肿瘤，共分为4个等级；1和2级为低级胶质瘤（Low Grade Gliomas，LGG）；3和4级为高级胶质瘤（High Grade Gliomas，HGG），约占所有脑肿瘤的70%~ 80%[1]。
现有很多治疗方案，如手术切除、放疗、化疗和免疫治疗等，手术治疗是目前最有效的治疗方法。
然而，脑瘤部位和正常组织没有明显的界限，切除不完全，则复发很快，而切除掉正常的脑组织，会对人体造成二次损伤，导致准确切除脑肿瘤的难度非常大。
影响脑瘤基于卷积神经网络的脑肿瘤分割方法综述梁芳烜1，杨锋1，2，卢丽云1，尹梦晓1，21.广西大学计算机与电子信息学院，南宁5300042.广西多媒体通信与网络技术重点实验室，南宁530004摘要：脑肿瘤自动分割对脑肿瘤诊断、手术规划和治疗评估中起着重要的作用。
然而，由于脑病变结构的高可变性，组织边界模糊，以及数据有限和类不平衡等问题，导致其仍面临巨大的挑战。
目前，大部分分割依赖手工，耗时耗力，易受主观影响，寻求一种高效的自动分割方法非常具有研究意义。
介绍了脑肿瘤分割的研究背景、意义和难点，并概述了其发展历程；从数据和结构优化两方面详细描述基于脑肿瘤分割的卷积神经网络，简介脑分割常用的数据集和性能指标；分析了2017至2019年的BraTs挑战赛中排名靠前的算法性能，并讨论分析卷积神经网络应用于脑肿瘤分割的发展趋势。
关键词：卷积神经网络；脑肿瘤；多尺度；多任务；多视图文献标志码：A中图分类号：TP183doi：10.3778/j.issn.1002-8331.2011-0408Review of Brain Tumor Segmentation Methods Based on Convolutional Neural Networks LIANG Fangxuan1,YANG Feng1，2,LU Liyun1,YIN Mengxiao1，21.School of Computer and Electronics and Information,Guangxi University,Nanning530004,China2.Guangxi Key Laboratory of Multimedia Communications Network Technology（Guangxi University）,Nanning530004,ChinaAbstract：The automatic segmentation of brain tumors plays an important role in brain tumor diagnosis,surgical planning and treatment evaluation.However,it still faces huge challenges due to the high variability and fuzzy boundaries of tumors, as well as limited data and class imbalance.At present,most methods rely on manual work,which leads to time-consuming, labor-intensive and subjective influence.It is of great research significance to seek an efficient automatic segmentation method.In order to understand such methods,the research background,significance and difficulties of brain tumor segmentation are introduced,and its development process is summarized.Then the Convolutional Neural Network（CNN）based on brain tumor segmentation is described in detail from two aspects of data and structure optimization,as well as commonly used data set and indicators are introduced.Finally,the performance of the top-ranked algorithms in the BraTs challenge from2017to2019are analyzed,and the development trend of convolutional neural networks in brain tumor segmentation is discussed.Key words：Convolutional Neural Network（CNN）;brain tumor;multi-scale;multi-task;multi-view基金项目：国家自然科学基金（61861004，61762007）；广西自然科学基金（2017GXNSFAA198267，2017GXNSFAA198269）。
基于人类视觉系统区域分裂的图割遥感图像分割算法研究
Ａｂ ｔ ａ ｔ Ａｉ ｎ ｔｔ ｅ ｐ ｏ ｌｍ ｆｐ ｏ ｅ ｌ ｉ ｂ ｌ ｙ ｏ ｒ ｌ ｅ ｔ（ ｓｒ ｃ ： ｍｉ ｇ ａ ｈ ｒ ｂ ｅ ｏ ｏ ｒｒ ａ— ｍｅａ ｉ ｔ ｆ ｔ ｉ Ｎｏ ｍａｉ ｄ Ｃｕ ＮＣ） ｔ ｉ ｐ ｐ ｒｓ ｇ ｅ ｔ ｅ ｔ ｅ ｓｎ ｍ— ｚ ，ｈ ｓ ａ ｅ ｕ ｇ ｓ ｓ ａｒ ｍｏ ｅｓ ｎ ｉ ｇ ｉ ａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ａｇ ｒｔ ｍ ａ ｅ ｎ ｒ ｇ ｏ ｐ ｉ ｉ ｇ ａ ｄ ｇ ａ ｈ ｗｉｈ ｎ ｈ ｍａ ｉｕ ｌ ｙ ｔ ｍ（ ＶＳ） Ａｃ ｏ ｄ ｎ Ｏ ｔ ｅｆ ａ ｕ ｅ ｆ ｇ ｅ ｍｅ ｔ ｔ ｌ ｏ ｉ ｏ ｈ ｂ ｓ ｄ ｏ ｅ ｉｎ ｓ ｌ ｔ ｎ ｒ ｐ ｔ ｉ ｕ ｎ ｖｓ ａ ｓ ｅ Ｈ ｔｎ ｓ ． ｃ ｒ ｉ ｇ ｔ ｈ ｅ ｔ ｒ ｓｏ
该 算法在获得相近分 割质量 的同时， 分割速度有 了显著提高 ， 是一种有效的 图像分割方法 。
关 键 词 ： 感 图像 分 割 ； 遥 区域 分 裂 ； 割 ； ｏｍａｚｄＣ ｔ 图 Ｎ ｒ ｌ ｅ ｕ ｉ
ｄ ｉｌ ． ９ ９ ｊｉｓ ． Ｏ Ｏ １ ７ ２ １ ． ６ ０ ３ ｏ ： Ｏ ３ ６ ／．ｓｎ １ ０ 一３ ７ ． ０ １ ０ ． ０
ｗ ｈ ｃ ｔ ｉ ｌｓ ｇｍ ｅ ｔ ｄ ｍａ ａ ｎｅ ａ ｅ ｉｈ ｈｅ ｆｎａ ｅ ｎ ｅ ｉ ｇｅ ｃ ｎ ｂｅ ｇｅ ｒ ｔ ｄ．Ｅｘｐｅ ｉ ｅ ａ ｅ ｕ ｔｓ ｒｍ ｎｔ ｌｒ ｓ ｌ ｈｏｗｓ ｔ ｔｃ ｍ ｐ ｒ ｄ ｗ ｉｈ ｈｅ ｔａ ｔｏｎａ ｈａ ｏ ａ ｅ ｔ ｔ ｒ ｄｉｉ ｌＮＣ ， ｐｅ ａ ｉ ｏ ｒ ｔｎｇ
unet算法
unet算法
UNet算法（U-Net）是基于深度神经网络的图像分割算法。
它由O. Ronneberger，P. Fischer和T. Brox在2015年提出，并在图像分割
方面获得了不少好评。
UNet算法基于U型架构，而U型架构是一个深度卷积神经网络（DCNN），具有由上到下的下采样和由下到上的上采样的总结特点。
它通过反卷积（Deconvolution）层对卷积的特征图进行重建，以恢复
浅层特征的空间细节，从而获得高分辨率的输出图像。
另外，U-Net中
还涉及到跳跃连接（skip connections），它将缓解图像的梯度消失
问题，加快收敛，可以有效提高精度。
UNet拥有优越的特征提取能力，可以快速识别图像中精细细节，
即使是微小物体也会被准确检测出来。
因此，该算法可以被广泛应用
于影像分割、图像分割、图像去噪等诸多领域，且已经成为当今图像
分割的一种有效算法。
总的来说，UNet算法在众多图像分割算法中处于前沿，具有高效
稳定、计算效率高、表示能力强等优点，是图像分割中一种颇为常见
的算法。
基于卷积神经网络的图像识别综述
基于卷积神经网络的图像识别综述一、引言随着数字化时代的到来，图像数据在社会生活和工业生产中的应用越来越广泛，如人脸识别、自动驾驶、智能安防等。
图像识别技术的发展对于提高生产效率和生活品质具有重要意义。
卷积神经网络（Convolutional Neural Network，CNN）作为一种深度学习模型，在图像识别领域取得了显著的成果。
本文旨在对基于卷积神经网络的图像识别技术进行全面综述，并分析其挑战和未来发展方向。
二、卷积神经网络基础卷积神经网络（CNN）的基础理论是深度学习和计算机视觉领域的重要基石。
其核心概念包括卷积操作、激活函数、池化层以及全连接层等，这些组件共同构建了一个强大的特征提取和分类器。
以下是关于CNN基础的一些相似论述：1.局部感知与权重共享：卷积神经网络中的卷积操作利用了局部感知和权重共享的思想。
局部感知意味着每个神经元只关注输入数据的一小部分区域，这模拟了生物视觉系统中局部感受野的概念。
权重共享则是指在整个输入数据上共享相同的卷积核权重，这大大减少了模型的参数数量，并提高了计算效率。
2.层次化特征提取：CNN通过层次化的结构实现了从低级到高级的特征提取。
在网络的浅层，卷积层能够学习到图像的基础特征，如边缘、角点等；而在深层，网络能够组合这些基础特征形成更加抽象和复杂的特征表示，如物体的部件或整体结构。
3.非线性激活函数：在CNN中，非线性激活函数（如ReLU、sigmoid等）被用于增加网络的非线性表达能力。
这些激活函数能够将神经元的输出映射到一个非线性空间，使得网络能够学习和模拟复杂的非线性关系。
三、卷积神经网络的发展历程卷积神经网络的发展历程也体现了许多相似之处，以下是关于CNN发展历程的一些相似论述：1.从LeNet到现代CNN：Yann LeCun等人于1998年提出的LeNet-5是卷积神经网络的早期代表。
随着计算能力的提升和数据集的扩大，现代CNN模型如AlexNet、VGGNet、ResNet等逐渐出现并不断改进，取得了更高的性能和准确率。
基于深度学习的遥感图像分类与分割算法研究
基于深度学习的遥感图像分类与分割算法研究深度学习技术在遥感图像分类与分割领域中具有广泛的应用前景。
遥感图像是通过遥感技术获取的大范围、高分辨率的地球表面图像，包含丰富的地物信息。
遥感图像的分类与分割对于地质勘探、环境监测、农业发展等领域具有重要作用。
本文将研究基于深度学习的遥感图像分类与分割算法，以提高遥感图像处理的精度和效率。
一、引言遥感图像是通过卫星、飞机等高空平台获取的图像，具有地理信息的广覆盖性和高分辨率特点。
传统的遥感图像分类与分割方法主要依赖于手工设计的特征提取算法，对于不同类型的遥感图像需要进行特征工程的设计。
然而，特征工程具有主观性和局限性，不能很好地适应各种不同的遥感图像场景。
深度学习技术具有自动学习和特征表示的能力，可以更好地适应复杂的遥感图像特征。
因此，基于深度学习的遥感图像分类与分割方法受到越来越多的关注。
二、深度学习在遥感图像分类与分割中的应用1. 卷积神经网络（CNN）在遥感图像分类中的应用卷积神经网络是深度学习中最常用的网络结构之一，具有良好的特征提取和分类能力。
在遥感图像分类中，CNN可以通过多层卷积和池化操作提取图像中的空间信息和语义信息，并通过全连接层进行分类预测。
通过训练大量的标注数据，CNN可以学习到遥感图像的特征表示，从而实现高精度的分类。
2. 循环神经网络（RNN）在遥感图像分割中的应用循环神经网络是一种能够处理序列数据的神经网络模型，对于遥感图像的像素级别分割具有优秀的性能。
通过引入长短期记忆（LSTM）单元，RNN可以学习到遥感图像中像素之间的空间相关性，从而实现精确的像素级别分割。
RNN在处理遥感图像时，可以考虑到像素的上下文信息，提高了分割算法的精度。
三、基于深度学习的遥感图像分类与分割算法研究1. 深度卷积神经网络（DCNN）算法深度卷积神经网络是一种具有多层卷积层和池化层的网络结构，可以通过多层的卷积和池化操作提取遥感图像中的特征。
DCNN算法通过端到端的训练方式，可以自动学习遥感图像的特征表示，并通过全连接层实现图像的分类。
基于图论的图像分割算法研究
理学硕士学位论文基于图论的图像分割算法研究刘建龙哈尔滨工业大学2006年6月图书分类号：O438U.D.C.: 535理学学硕士学位论文基于图论的图像分割算法研究硕士研究生：刘建龙导师：刘树田教授申请学位级别：理学硕士学科、专业：光学所在单位：理学院物理系答辩日期：2006年6月授予学位单位：哈尔滨工业大学Classified Index：O438U.D.C.: 535A Dissertation for the Master Degree in ScienceIMAGE SEGMENTATION ALGORITHM BASED ON GRAPH THEORYCandidate：Liu JianlongSupervisor：Prof. Liu ShutianAcademic Degree Applied for：Master of Science Specialty：OpticsAffiliation：Department of PhysicsDate of Defence：June, 2006Degree-Conferring-Institute：Harbin Institute of Technology哈尔滨工业大学理学硕士学位论文摘要基于图论的图像分割是近年来正处在发展中的一种新兴的图像分割技术。
本文介绍和阐述了整合图像分割和图割理论的基本框架。
一幅图像可以被映射成一个加权的无向图，其中像素点被当作图中的顶点，而相邻的像素之间的视觉性质(比如灰度级别，颜色或者纹理)的相似度当作相应的边的权值，于是图像的分割结果就可以通过对图的最小割方法来获得。
本文首先概述了图分割技术，介绍并比较了三种基本的图分割算法(最小割法，归一化最小割法和等周分割法)。
基于等周分割方法，我们提出了几种实用的分割算法：第一种是迭代2分方法，它通过迭代的方法将图像分割成各具特征的小区域；第二种是同时直接K分法，同时将图像分割成K 个部分；最后一种方法是交互分割法，它依赖人工输入来指定所要分割的感兴趣目标，将图像目标从背景中分离出来。
基于CAM_U-Net_的肺结节分割方法
第 43 卷第 1 期2024年 1 月Vol.43 No.1Jan. 2024中南民族大学学报（自然科学版）Journal of South-Central Minzu University（Natural Science Edition）基于CAM U-Net的肺结节分割方法王统1，徐胜舟1, 2，卢浩然1，吴福彬1，裴承丹3*（1 中南民族大学计算机科学学院，武汉430074；2 湖北省制造企业智能管理工程技术研究中心，武汉430074；3 武汉工程大学网络信息中心，武汉430205）摘要肺癌作为世界上死亡率最高的癌症之一，严重威胁人类的生命安全，早发现早治疗可以提高患者的生存率.为了准确地分割出肺部CT图像中的肺结节区域，提出一种基于CAM U-Net的肺结节分割方法. 在U-Net网络基础上，通过添加通道注意力模块CAM，使网络中的特征聚焦于关键有用的信息，减弱甚至消除无关信息的干扰，进而提升模型的性能.在LIDC-IDRI肺结节公开数据集上的实验结果表明：该算法的交并比、Dice相似系数、准确率、和召回率分别为82.04%、89.24%、88.61%和91.28%. 与其他肺结节分割方法相比，该算法具有更好的分割性能.关键词肺结节；分割；U-Net网络；通道注意力模块中图分类号TP391.4 文献标志码 A 文章编号1672-4321（2024）01-0104-08doi：10.20056/ki.ZNMDZK.20240114Segmentation of lung nodules based on CAM U-NetWANG Tong1，XU Shengzhou1, 2，LU Haoran1，WU Fubin1，PEI Chengdan3*（1 College of Computer Science， South-Central Minzu University， Wuhan 430074， China； 2 Hubei Provincial Engineering Research Center for Intelligent Management of Manufacturing Enterprises， Wuhan 430074， China；3 Network Information Center， Wuhan Institute of Technology， Wuhan 430205， China）Abstract As one of the cancers with the highest mortality rate in the world， lung cancer is a serious threat to human life. Early detection and early treatment can improve the survival rate of patients. In order to accurately segment the pulmonary nodules in the pulmonary CT images， a CAM U-Net based pulmonary nodules segmentation method was proposed. On the basis of U-Net network， the channel attention module CAM is added to make the features in the network focus on the key useful information，weaken or even eliminate the interference of irrelevant information， so as to improve the performance of the model. Experimental results on the LIDC-IDRI public dataset of pulmonary nodules show that the proposed method can achieve intersection over union， Dice similarity coefficient， precision and recall of 82.04%， 89.24%， 88.61% and 91.28%， respectively. Compared with other segmentation methods for lung nodules， this algorithm has better segmentation performance.Keywords lung nodules； segmentation； U-Net； CAM肺癌是死亡率最高的癌症之一，早发现早治疗可以提高患者的生存率［1］.肺结节是肺癌的早期表现形式，肺结节边缘模糊，和肺部相比体积较小，其亮度和肺实质中的血管等组织极其相似，会降低医生的诊断速度以及准确率，进而耽误病情的发现与治疗.电子计算机断层扫描（Computed Tomography，CT）［2］技术是当今肺癌检测的常规手段之一，对肺癌的早期诊断具有重要的研究价值和现实意义［3］.传统的分割算法如自适应阈值分割［4］、边缘检测分割［5］、区域生长［6］等，这些方法虽然能取得较好的分割效果，但是依赖于人的先验知识.目前，深度学习已经广泛应用于计算机视觉领域［7］.LONG等［8］提出了一种全卷积神经网络（Fully Convolutional Network，FCN），用卷积层替换卷积神经网络（Convolution NeuralNetwork，CNN）［9］中的全连接层以获得图像中每个像素的分类结果，最终实现图像分割.Ronneberger收稿日期2021-05-30* 通信作者裴承丹，女，（1983-），高级工程师，研究方向：图像处理，大数据分析与处理，Email：*****************.cn 基金项目湖北省自然科学基金资助项目（2020CFB541）；中央高校基本科研业务费专项资金项目（CZY19011）第 1 期王统，等：基于CAM U-Net的肺结节分割方法等［10］提出了U-Net网络，该网络具有对称的U型结构，通过对图像特征进行编码和解码，并通过跳跃连接融合来自编码器的浅层低级特征和解码器的深层高级特征，可以实现较好的分割效果［11-12］.医学图像数据集通常较小，而U-Net能在少量样本的情况下完成模型训练并实现较好的图像分割效果，所以近些年来此方法被广泛应用于医学图像分割领域.徐峰等［13］将U-Net网络应用于肺结节分割，但是肺结节目标区域小，而且边缘模糊，使用原始U-Net进行训练，没有对数据进行批量归一化会造成网络训练过程中出现梯度消失、分割准确率不高等问题［14］.钟思华［15］等提出了一种用于肺结节分割的Dense-UNet网络，通过引入密集连接模块，加强网络对特征的传递和利用，但密集连接模块增加了额外的计算量，在训练时容易造成过拟合，分割精度提高较为有限. ZHOU等［16］提出了一种U-Net++网络，将不同层次的特征通过各自的解码路径还原，然后结合浅层和深层的特征，在肺结节分割上效果较好.黄鸿等［17］基于融合自适应特征加权聚合策略提出了一种改进的U-Net++网络，用于肺结节分割也取得了不错的效果.但这两个网络嵌套了多个U-Net结构，增加了模型复杂度，也增加了额外的计算量.针对上述问题，本文提出了一种基于CAM U-Net 的肺结节分割方法.通道注意力模块［18］（Channel Attention Module，CAM）结构简单，参数量很少，而且能够加强网络对有用特征的利用，本文将CAM融入U-Net网络结构中，可以有效提升网络的分割性能. 本文在LIDC-IDRI肺结节公开数据集对改进的网络进行训练和测试.1 肺结节分割算法图1是本文的算法流程图，首先对训练集进行数据预处理并进行数据增强，随后送入搭建好的网络中进行训练，并调整网络参数设置，训练网络模型至收敛并保存；然后对测试集进行数据预处理，并使用训练好的网络模型进行测试，得出分割结果.1.1 数据来源及预处理本文所使用的数据集来源于LIDC-IDRI肺结节公开数据集［7］，LIDC-IDR中包含了1018个病例，对于每个病例中的CT图像，都由4位经验丰富的专业放射科医师对其进行标注，并将标注信息存放在XML文件中，里面详细记录了CT图像中肺结节的轮廓以及CT特征等信息.原始肺部CT图像大小为512 × 512像素，肺结节在原始CT图像中所占比例很小，输入图片尺寸太大会影响网络训练速度，而且多余的部分会对网络训练产生很大的干扰，因此本文通过对原始CT图像进行裁剪来避免这一问题.根据金标准将原始CT图像裁剪为包含肺结节的64 × 64像素大小的感兴趣区域.CT图像预处理过程如图2所示，左边为原始肺部CT图像，右边为裁剪后的图像.为了增强模型的泛化能力，本文对训练集进行了数据增强.首先根据肺结节的轮廓坐标信息再次对原始图像进行裁剪，使肺结节位于64×64大小感兴趣区域的不同位置，如图3中右边第一行分别对应左边原始CT图像中的红（实线）、蓝（点划线）、黄（破折线）三个区域，其中点划线和破折线表示的区域为再次裁剪的区域，使训练集变为原来的3倍.然后又对裁剪后的图像进行了水平翻转和垂直翻转，如图3中右边第二行为第一行图像分别进行水平翻转后的图像，第三行则对应为垂直翻转后的图像.最终数据增强后的训练集是原来的9倍.图1 算法流程图Fig.1 Algorithm flow chart图2 CT图像预处理Fig.2 CT Image pre-processing105第 43 卷中南民族大学学报（自然科学版）1.2 算法模型WOO 等［18］提出了一个有效的注意力模块CBAM ，给定一个中间特征图，可以沿着空间和通道两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整.受到CBAM［18］的启发，本文将通道注意力模块融入U -Net 网络中进行肺结节分割.对于通道注意力模块，网络中的每个通道对分割结果的影响应该是不同的，有些通道存在关键信息，而通道注意力模块能加强这些通道的表现力，这将会使网络聚焦于关键的通道，进而提升网络的分割效果.通道注意力模块如图4所示，设通道注意力模块的输入特征图为F ，高度为H ，宽度为W ，通道数为C .首先对输入特征图F 的空间维度进行压缩，分别采用全局平均池化操作和全局最大池化操作，进而得到1 × 1 × C 的AvgPool 和MaxPool.然后再将AvgPool 和MaxPool 依次送入一个两层共享参数的全连接层.其中第一个全连接层的神经元个数为输入特征图通道数与ratio （本文设置ratio=8）的商，第二个全连接层的神经元个数为输入特征图通道数.AvgPool 和MaxPool 经过全连接层后变为图4中的AvgPool '和MaxPool '，接着将AvgPool '和MaxPool '相加求和并使用Sigmoid 激活函数得到权重系数M c .最后将输入特征图F 与M c 进行相乘得到输出特征图F c .为了整合通道上的空间信息，通道注意力模块采用了全局平均池化和全局最大池化得到对应通道的信息，全局最大池化可以收集到难区分物体之间更重要的线索，来获得更详细的通道注意力.然后依次通过两层的全连接层，求和并使用Sigmoid 激活得到各个通道之间的内在关系，最后与输入特征图相乘.训练过程中，通过反向传播，会根据金标准来修正网络中的参数，最终得到最优的通道权重，进而使网络关注更有用的通道.本文提出的CAM U -Net 网络模型，是在U -Net 网络的基础上添加通道注意力模块，整体网络结构如图5所示，灰色填充向右宽箭头1，2，3，4代表添加的通道注意力模块.本文网络主要由编码器，解码器，分类器和跳跃连接组成.编码器部分通过卷积操作对输入图片进行特征提取，如图5中黑色向右细箭头所示，代表的操作为3 × 3卷积层，BN （Batch Normalization ，BN ）层和ReLU 激活.BN 层可以减少网络对初始值尺度的依赖，可以加速网络的收敛，提升网络的泛化能力.ReLU 激活函数可以提高网络的非线性表达能力.然后通过最大池化操作，如图5中横线填充向下宽箭头所示，用于特征图的下采样，可以显著减少参数量.解码器部分首先通过上采样操作，将特征图尺寸增大一倍，如图5中对角线填充向上宽箭头所示.然后与相对应位置的编码器部分的特征图通过跳跃连接进行拼接，结合浅层低级特征和深层高级特征，随后经过两个卷积操作，再经过通道注意力模块CAM ，如图5中的灰色填充向右宽箭头所示，CAM 加强对有用通道的关注.经过四次上采样最终恢复到输入图像原来的尺度.分类器由1 × 1卷积层和Sigmoid 激活层组成，其中1 × 1卷积层用于减少特征图的数量，Sigmoid 激活层用于计算最终的特征图中每个像素的类别，图4 通道注意力模块Fig.4 Channel attention module图3 数据增强Fig. 3 Data augmentation106第 1 期王统，等：基于CAM U -Net 的肺结节分割方法从而输出网络的分割概率图.1.3 评价指标本文从交并比、Dice 相似系数、准确率和召回率四个度量标准对分割结果进行评估.交并比（Intersection over Union ，IoU ）为金标准和预测结果的交集与并集的比.交并比越高，图像分割的结果越好.设肺结节金标准区域为M ，方法分割结果区域为P ，∩表示取交集，∪表示取并集，计算公式为：IoU =P ∩MP ∪M，（1）Dice 相似系数表示模型的预测结果与金标准的相似程度，为两个区域的交集部分的两倍与两区域的和的比值.Dice 越高，图像分割结果越好.|·|表示取绝对值，计算公式为：Dice =2|P ∩M ||P |+|M |，（2）准确率（Precision ）为肺结节中正确分割的像素点所占预测结果中为肺结节像素点的比例.真阳性（True Positives ，TP ），假阳性（False Positives ，FP ），真阴性（True Negative ，TN ），假阴性（False Negative ，FN ）.计算公式为：Precision =TPTP +FP，（3）召回率（Recall ）为肺结节中正确分割的像素点所占金标准中肺结节像素点的比例.计算公式为：Recall =TPTP +FN.（4）2 实验及结果分析本文的实验环境是基于深度学习框架Keras 和Python 语言进行搭建的.操作系统为Windows10.网络在训练过程中，使用Dice 系数损失函数，采用Adam 优化器进行优化，batch -size 设为32，epoch 为60.学习率设置采用分阶段的方式，初始学习率设置为0.001，经过30轮后变为0.0005，50轮后设置为0.0001.2.1 肺结节分割结果为了验证改进后的模型的分割性能，本文选取了徐的方法［13］，钟的方法［15］，ZHOU 的方法［16］，黄的方法［17］与本文方法进行对比，分别在数据增强后的数据集上进行了训练和测试，得到不同方法的肺结节分割结果如表1所示.其中Parameters 指网络需要训练的参数量，time 指每轮训练所需的时间.从表1的分割结果中我们可以看出，本文方法的交并比、Dice 相似系数和召回率均比其他方法有了明显提升.黄的方法使用了一种多层次特征融合结构，即嵌入不同深度的U -Net ，加强了浅层特征的学习，准确率比本文方法略高，但本文方法的交并比、Dice 相似系数和召回率与黄的方法相比提升较明显.因此从总体来说本文方法和其他方法相比具图5 CAM U -Net 网络结构图Fig.5 The network structure of CAM U -Net107第 43 卷中南民族大学学报（自然科学版）有较好的分割性能.徐的方法是采用传统的U -Net 网络，本文方法在其中添加BN 层和CAM 模块，通过对比可以看出参数量和训练时间虽然有所增加，但分割性能有显著提升.本文方法和钟的方法、ZHOU 的方法、黄的方法在参数量和每轮训练时间上相比，参数量更少，训练时间更短，同时拥有更好的分割性能.图6展示了与表1对应的不同方法的部分肺结节分割结果图，其中（a ），（b ），（c ），（d ），（e ），（f ），（g ）分别为测试集中的肺结节图像、对应的金标准、徐的方法［13］的分割结果、钟的方法［15］的分割结果、Zhou 的方法［16］的分割结果、黄的方法［17］的分割结果与本文方法的分割结果，图像下的数值代表相对应的Dice 相似系数.从图6中我们可以看出，徐的方法（c ）存在未能分割出肺结节的情况，如图6中第2、5行，主要是徐的方法中没有使用批量归一化，会造成梯度消失，网络训练慢以及分割准确率不高等情况.徐的方法（c ）和钟的方法（d ）都存在将血管等组织分割为肺结节的情况，如图6中第2、4行，钟的方法通过引入密集表1 不同方法的肺结节分割结果Tab.1 Segmentation results of pulmonary nodules by different methods不同方法徐的方法［13］钟的方法［15］Zhou 的方法［16］黄的方法［17］本文方法IoU/%74.1578.2781.3180.482.04Dice/%81.9185.9688.6887.7389.24Precision/%84.7786.0588.5589.1988.61Recall/%82.2188.1790.5188.5791.28Parameters31，042，43446，045，25236，171，45834，918，63431，130，554time/s 1936423824图6 不同方法的肺结节分割结果图Fig. 6 Results of segmentation of pulmonary nodules by different methods108第 1 期王统，等：基于CAM U -Net 的肺结节分割方法连接模块，会造成网络参数变多，容易造成过拟合.而本文方法在U -Net 网络中添加通道注意力模块，该模块结构简单，和其他方法相比参数量较少.对于血管粘连型结节和小结节，如图6中第1、2行，本文方法的Dice 相似系数相比其他方法有了较好的提升.以上可以看出本文方法与其他方法相比有更好的分割性能.2.2 数据增强对分割性能的影响本文采用了如1.1小节所述的数据增强方式来增加训练样本的多样性，提高模型的泛化能力，表2展示了在数据增强前后，改进后的模型在IoU 、Dice 、Precision 和Recall 上的评测结果对比.数据都是经过5次重复实验后取平均值的结果.通过表2我们可以看出，在数据增强后，各个评测指标均有明显提升，其中IoU 提升了2.05%，Dice 提升了2.01%，Precision 提升了1.6%，Recall 提升了2.22%.通过以上对比，我们可以看出数据增强可以提升网络分割性能.2.3 CAM 对分割性能的影响假定图5中水平向右的CAM 箭头处标记的1，2，3，4的位置对应Location1，Location2，Location3，Location4，即代表在相应的位置添加通道注意力模块.为了研究CAM 对分割性能的影响，本文采用了Location1、2、3，Location1、2、4，Location2、3、4，Location1、3、4和Location1、2、3、4这五种方式将CAM 模块融入解码器中.实验结果如表3所示，我们可以看出，通道注意力模块在Location1，2，3，4这四个位置都起到了一定的作用，都比改进前U -Net+BN 的网络结构有了一定的提升.其中最好的是在这四个位置都加入通道注意力模块，如表3的最后一行的数据，各个评估指标均有明显提升，其中IoU 提升了1.15%，Dice 提升了1.03%，Precision 提升了0.4%，Recall 提升了1.44%.图7为测试集中的一张图片对应的模型改进前后的解码器部分最后输出的部分特征图对比.图7中第一行是U -Net+BN 网络中的解码器部分最后输出的部分特征图，第2行是CAM U -Net 网络中的解码器部分最后输出的部分特征图.在第一行特征图中我们可以看出改进前的网络关注点有两个位置，如特征图中中间和右下角的位置.在第二行特征图中可以看到改进后的网络关注的位置变为了一个，如特征图中的中间位置，排除了其它组织的干扰，从而达到准确分割的目的.最终分割结果如图8所示.图8中（a ）、（b ）、（c ）、（d ）依次为原始图像、金标准、U -Net+BN 网络训练的结果和改进后的网络训练的结果.我们可以看出（c ）中存在错误分割的情况，将右下角的血管等组织分割为肺结节，与图7中第一行特征图中关注的两个位置相对应.改进后的网络通过添加通道注意力模块，并经过不断学习，使得网络更加关注有用的信息，如（d ）中改进后的网络可以更好的分割出肺结节，避免了无关信息的干扰.通过以上对比，我们可以看出CAM 可以有效提升网络分割性能.2.4 超参数的选取分析训练迭代次数对网络的分割性能有很重要的影响，迭代次数过多会造成过拟合，过少会造成欠拟表2 数据增强前后CAM U -Net 模型结果对比Tab.2 Comparison of CAM U -Net model results before and after data augmentation CAM U -Net 增强前增强后IoU/%79.9982.04Dice/%87.2389.24Precision/%87.0188.61Recall/%89.0691.28表3 改进前后分割结果对比Tab.3 Comparison of segmentation results before and after model improvement改进前后U -Net + BNLocation 1、2、3Location 1、2、4Location 1、3、4Location 2、3、4Location 1、2、3、4IoU/%80.8981.1681.4081.3981.2882.04Dice/%88.2188.5588.7288.7088.5589.24Precision/%88.2187.2888.6087.8088.1888.61Recall/%89.8491.2490.3891.0690.4791.28图7 部分特征图Fig. 7 Partial feature map图8 模型改进前后分割结果图Fig. 8 Segmentation results before and after model improvement109第 43 卷中南民族大学学报（自然科学版）合.图9展示了CAM U -Net 网络在训练轮数为200时，训练集和验证集的损失值和迭代次数的关系，我们可以看出在60轮左右时，验证集的损失值趋于稳定，所以本文的迭代次数设置为60.在迭代优化的前期中，学习率较大，则前进的步长就会较长，这时便能以较快的速度进行梯度下降，而在迭代优化的后期，逐步减小学习率的值，减小步长，这样将有助于算法的收敛，更容易接近最优解.因此本文采用多阶段学习率设置方式，初始学习率设置为0.001，30轮后变为0.0005，50轮后变为0.0001. batch -size 太大会使模型收敛在局部最优点，太小会花费时间多，同时梯度震荡严重，不利于收敛，本文基于实验实际情况选择32.3 结语肺结节分割是肺癌早期诊断的重要基础.本文在U -Net 网络的基础上，提出了一种CAM U -Net 网络结构，通过在解码器中添加通道注意力模块，加强网络对有用特征的利用，进而有效提升了网络分割性能.在LIDC -IDRI 肺结节公开数据集上的实验结果表明，本文方法的交并比为82.04%，Dice 相似系数为89.24%，准确率为88.61%，召回率为91.28%.与其他方法的分割结果进行对比，结果表明改进后的网络具有更好的分割性能.参 考 文 献［1］ LYU X Q ， WU L ， GU Y ， et al. Detection of low dose CTpulmonary nodules based on 3D convolution neural network ［J ］. Optics and Precision Engineering ， 2018， 26（5）： 1211-1218.［2］ LIU C ， ZHAO R ， PANG M. A fully automatic segmentationalgorithm for CT lung images based on random forest ［J ］. Medical Physics ， 2020， 47（2）： 518-529.［3］ LI Z ， XIA Y ， FANG Y ， et al. The importance of CTquantitative evaluation of emphysema in lung cancer screening cohort with negative findings by visual evaluation ［J ］. The Clinical Respiratory Journal ， 2019， 13（12）： 741-750.［4］ GRIESER C ， DENECKE T ， ROTHE J H ， et al. Gd -EOBenhanced MRI T1-weighted 3D -GRE with and without elevated flip angle modulation for threshold -based liver volume segmentation ［J ］. Acta Radiologica ， 2015， 56（12）： 1419-1427.［5］ ZHENG W ， LIU K. Research on edge detection algorithmin digital image processing ［C ］//MSMEE. 2017 2nd International Conference on Materials Science ， Machinery and Energy Engineering （MSMEE 2017）. Dalian ： AtlantisPress ， 2017： 1203-1208.［6］ TAORI A M ， CHAUDHARI A K ， PATANKAR S S ， et al.Segmentation of macula in retinal images using automated seeding region growing technique ［C ］//IEEE. 2016 International Conference on Inventive Computation Technologies （ICICT ）. Coimbatore ： IEEE ， 2016， 2： 1-5.［7］ SUJI R J ， BHADOURIA S S ， DHAR J ， et al. Opticalflow methods for lung nodule segmentation on LIDC -IDRI images ［J ］. Journal of Digital Imaging ， 2020， 33（5）： 1306-1324.［8］ LONG J ， SHELHAMER E ， DARRELL T. Fullyconvolutional networks for semantic segmentation ［C ］//IEEE. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. San Francisco ： IEEE ， 2015： 3431-3440.［9］ KRIZHEVSKY A ， SUTSKEVER I ， HINTON G E. ImageNetclassification with deep convolutional neural networks ［J ］. Communications of the ACM ， 2017， 60（6）： 84-90.［10］ RONNEBERGER O ， FISCHER P ， BROX T. U -Net ：Convolutional networks for biomedical image segmentation ［C ］//MICCAI. International Conference on Medical Image Computing and Computer -Assisted Intervention. Munich ：Springer ， Cham ， 2015： 234-241.［11］ CUI B ， CHEN X ， LU Y. Semantic segmentation ofremote sensing images using transfer learning and deep convolutional neural network with dense connection ［J ］.IEEE Access ， 2020， 8： 116744-116755.［12］ BAI W ， SUZUKI H ， QIN C ， et al. Recurrent neuralnetworks for aortic image sequence segmentation with sparse annotations ［C ］//MICCAI. International Conference on Medical Image Computing and Computer -Assisted Intervention. Granada ： Springer ， Cham ， 2018： 586-594.图9 CAM U -Net 损失值和迭代次数的关系Fig. 9 The relationship between the loss value of CAM U -Net and thenumber of iterations110第 1 期王统，等：基于CAM U-Net的肺结节分割方法［13］徐峰，郑斌，郭进祥，等. 基于U-Net的结节分割方法［J］.软件导刊， 2018， 17（8）： 161-164.［14］CHEN L，PAPANDREOU G，KOKKINOS I，et al.DeepLab：Semantic image segmentation with deepconvolutional nets，atrous convolution，and fullyconnected CRFs［J］. IEEE Transactions on PatternAnalysis and Machine Intelligence，2018，40（4）：834-848.［15］钟思华，郭兴明，郑伊能. 改进U-Net网络的肺结节分割方法［J］. 计算机工程与应用， 2020， 56（17）：203-209.［16］ZHOU Z， RAHMAN SIDDIQUEE M M， TAJBAKHSHN， et al. UNet++： A nested U-Net architecture for medicalimage segmentation［C］//DLMIA，ML-CDS. Deep Learningin Medical Image Analysis and Multimodal Learning forClinical Decision Support. Granada：Springer，Cham，2018： 3-11.［17］黄鸿，吕容飞，陶俊利，等. 基于改进U-Net++的CT 影像肺结节分割算法［J］. 光子学报， 2021， 50（2）：73-83.［18］WOO S，PARK J，LEE J Y，et al. CBAM：Convolutional block attention module［C］//ECCV. Proceedings of theEuropean Conference on Computer Vision （ECCV）.Munich： Springer， Cham， 2018： 3-19.（责编&校对雷建云）111。