DUNet++：基于UNet++改进的皮肤病变分割网络

周泽华 全星日

关键词：黑色素瘤皮肤病变分割；UNet++；ISIC2016；空洞卷积；卷积神经网络

0 引言

黑色素瘤起源于黑色素细胞的恶性转化，它可以逐渐扩散和转移，是最具有侵袭性和致命的皮肤癌类型。虽然恶性黑色素瘤拥有如此高的死亡率，但早期诊断和干预可以将患者的存活率大大提高，并改善不良预后。在黑色素瘤的早期诊断中，计算机辅助诊断系统作为医生的重要诊断决策工具，可以帮助临床医生专注于疾病的特定区域，并提取详细信息以进行更准确的诊断，但目前其算法性能仍有较大的进步空间，仍面临着巨大的挑战。诸多研究人员在传统神经网络的基础上，提出了众多优秀模型并不断改进，在此过程中，Olaf Ronneberger等人[1]在全卷积网络FCN思想上提出了U-Net网络架构，该架构采用由编码阶段和解码阶段组成的U型结构，在医学图像分割任务上获得了较好的结果，被大量引用和用以改进，FisherYu提出空洞卷積概念[2]，该结构在不改变模型参数的前提下提高卷积层的感受野，使其看得更广，可以更好地统筹全局信息，进而在一定程度上提高模型的分割精度；Zongwei Zhou等人[3]在U-Net模型基础上进行改进，提出了UNet++网络架构，该架构把U-Net网络结构的前4层连接在一起，并引入深监督机制，让网络自身去学习不同深度的特征权重，UNet++架构在图像分割任务中具有优秀的分割性能。本文基于UNet++模型进行改进，提出了一种在皮肤病图像分割任务中性能表现更好的网络模型，在ISIC2016挑战皮肤病变数据集分割任务中拥有比U-Net、SegNet、UNet++、AttU_net等模型更好的分割性能。

1 基于UNet++改进的DUNet++

在UNet++网络中，每个卷积块由两层conv-BatchNorm-ReLU组成，通过标准3×3卷积层来提取图像特征，通过下采样和上采样分别获得浅层特征和深层特征，通过跳过连接将同层中前部的浅层特征传递给后部并与深层特征相融合。在这种稠密连接的方式中，每一层都尽量多地保存全局信息和细节信息，最后将这些信息共享给最后一层，进而较好地保留和重构了全局信息和细节信息。

在图像分割任务中，卷积神经网络应用卷积层与池化层进行特征提取，同时减小了图像的尺寸，之后再通过上采样将图像尺寸还原，图像在放大缩小的过程中分辨率会降低，导致图像语义信息有所丢失。应用扩张卷积层[3]可以获得更大的感受野，在一定程度上缓解因图像分辨率降低导致的语义信息丢失。

不同扩张率的感受野大小对比如图1所示，标准的3×3卷积核只能看到对应3×3区域的大小，扩张率为2的3×3空洞卷积在卷积核参数不变的情况下将感受野扩大为7×7。扩张率为4的3×3空洞卷积更是在卷积核参数不变的情况下，将感受野扩大为15×15。更大的感受野使得空洞卷积块在特征提取过程中可以看得更多，即可以更好地统筹全局信息。

本研究提出了一种新的用于皮肤病图像分割的卷积神经网络模型，称为DUNet++（Dilated UNet++）。在该网络中，将除了输入端第一个以外的所有双层标准卷积块替换为扩张率分别为1、2、3的三层空洞卷积块。DUNet++的模型架构如图2所示。图3为双层标准3×3卷积块与本实验所用的扩张率分别为1、2、3的三层空洞卷积块的对比。

2 实验及实验结果分析

2.1 数据集与图像预处理

本研究使用的数据集是针对黑色素瘤皮肤病变分割的ISIC2016挑战皮肤病变数据集。该数据集包含900张用于训练的黑色素瘤皮肤病变RGB图像及其二进制注释标签和用于测试的包含379张黑色素瘤皮肤病变RGB图像及其二进制注释标签。

病变图像色彩信息在分类任务中很重要，但在分割任务中色彩信息对分割结果影响不大，而病变区域边缘梯度信息却是分割任务的重要根据。本研究对使用的ISIC2016挑战皮肤病变数据集进行预处理。首先使用双线性插值法和最邻近插值法分别将黑色素瘤病变图像及其二进制注释标签尺寸统一调整为512×512像素，然后将其转为灰度图，去除色彩信息，保留边缘梯度信息，减少模型计算量。

2.2 实验数据分析

本实验使用IoU、Recall、Precision、Accurcry、DICE系数和F1-score来评估本文提出的模型和各对比模型在ISIC2016数据集上的分割精度。六种评估指标均根据混淆矩阵计算。在混淆矩阵中，TP：像素点实际是病变像素，模型将其正确预测为病变像素；TN：像素点实际是皮肤像素，模型将其正确预测为皮肤像素；FP：像素点实际是皮肤像素，模型将其错误预测为病变像素；FN：像素点实际是病变像素，模型将其错误预测为皮肤像素。混淆矩阵格式如表1所示。

对于本研究提出的DUNet++模型和用于对比的U-Net[1]、UNet++[3]、AttU_net、R2U_net[4]、SegNet 和UNet3+[5]模型，均使用了BCEWithLogitsLoss作为损失函数，并应用了RMSProp optimizer，初始学习率设置为0.000 1。对于ISIC 2016挑战皮肤病变数据集，本研究的模型和其他对比模型均经过了40 epoch的训练，batchsize 设置为1。最后将各模型分割性能在IoU、Recall、Precision、Accurcry、DICE系数和F1-score六项评估指标上进行对比，各方法分割性能对比结果如表2所示。

由表2中对比数据可见，在基于ISIC2016挑战皮肤病变图像数据集的分割任务中，本研究提出的DU⁃Net++模型在各项指标上的表现均优于其他对比模型，在与本模型作为改进基准的原版UNet++模型的对比中，其IoU、Recall、Precision、Accurcry、DICE系数和F1-score 六项评估指标分数分别提高了1.78%、2.14%、0.68%、0.50%、1.29%和1.38%，说明在本研究改进点上获得了较好的结果。

3 结论

由于恶性黑色素瘤的高致死率和进行早期诊断治疗后的高生存率，准确的计算机辅助诊断算法对黑色素瘤的早期诊断意义重大，它可以帮助医生对黑色素瘤患者的病灶进行早期诊断和分割，给医生提供更多时间进行治疗方案决策和后期治疗，有效提高患者生存率。本研究提出一种基于UNet++改进的卷积神经网络DUNet++，在UNet++网络中引入空洞卷积，并展示了DUNet++和其他一些对比模型在预测结果和评估指标上的对比。根据本实验结果，针对ISIC2016挑战皮肤病变数据集，DUNet++在IoU、Recall、Preci⁃sion等六项评估指标上均超过了本实验用作对比的U-Net、AttU_net、UNet++[2]、R2U_net[4]、SegNet 和UNet3+[5]模型。这说明在皮肤病变图像分割任务中，本研究提出的DUNet++网络模型在分割性能上有优势。