标题：一种具有边缘增强特点的医学图像分割网络
期刊：电子与信息学报-（2022年5月出刊）
摘要：针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题，该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图，在UNet扩张路径的最后3层引入结合多 尺度特征图的边缘注意模块(BAB)，并提出组合损失函数来提高分割精度；测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas, DRIVE, ISIC2018 上进行实验，与其他分割方法相比，AS-UNet分割性能较优。
关键字：医学图像分割；注意力机制；边缘注意；组合损失函数
一、介绍
本文基于UNet提出一种 具有边缘增强特点的医学图像分割网络(Add-andSubtract UNet, AS-UNet)。
- Add是指训练时在UNet 的基础之上增加边缘注意模块(Boundary Attention Block, BAB),；
- Subtract是指测试时舍弃 BAB。
创新点：
- AS-UNet通过掩膜边缘提取算法得到掩膜边缘图，在UNet扩张路径的最后3层引入结合多尺 度特征图的BAB，强化边缘，减少缺失值；
- 本文提出使用组合损失函数，结合基于区域的Dice损失(Dice Loss) 和基于边缘的Boundary损失 (Boundary Loss) ，在保证区域缺失值小的同时补充边缘信息，提高分割精度；
- 此外，由于组合损失函数包含了经过BAB前后的两种输出，在训练时经过前后向反馈不断更新AS-UNet中的网络参数，使得训练好的模型在测试时可以舍弃添加的BAB部分，保证分割精度的同时减少测试时参数。
二、具有边缘增强特点的医学图像分割网络 AS-UNet
2.1 网络结构
本文所提具有边缘增强特点的医学图像分割网络 AS-UNet 结构如图1所示。采用UNet网络的编码—解码结构，输入通过 UNet 得到的直接输出称为 输出1(output1)。将UNet扩张路径中 得到的特征图
分别作为输入层送入BAB。
经过BAB后采用
的上采样(Up-conv 2 2)达 到 与
相 同 的 尺 寸 ， 作 为 补 充 层 传 入
的 BAB中。同理，R8经过BAB后采用
的上采样达到与
相同的尺寸，并作为补充层传入
的 BAB中。而最后一层得到的特征图
经过BAB后 则直接进行
的卷积得到输出2(output2)。此过程如式(1)所示:
(1)
其中， 表示卷积核大小为
的卷积函数， 表示卷积核大小为
的上采样函数， 表 示BAB函数。 训练时输入图像通过UNet生成输出1，同时将
通过BAB还原图像边缘细节信息，生成 输出2。将输出1和输出2分别与掩膜(Mask，即标 签(Ground Truth, GT))进行损失计算，在前后向传播中更新参数，得到最终模型。
图1 AS-UNet网络结构
2.2 边缘注意力模块
在UNet中，边缘分割模糊以及部分区域缺失 仍是最主要的不足。因此，本文所提AS-UNet网络 通过在UNet网络中引入边缘注意模块BAB以强化 边缘信息，补充缺失区域。BAB结构如图2所示。
图2 BAB结构
2.2.1 掩膜边缘提取算法
为了引入像素级别的精确边缘信息，本文通过掩膜边缘提取算法将训练图像的掩膜导出为掩膜边 缘图，以此作为边缘信息的重要补充。掩膜边缘提取算法过程可表述为：遍历掩膜的每一个像素点 ，当遍历的像素点值为0，且以该像素点为中心的九宫格内其余像素点不都为0时，将该像素点记作0，直到掩膜的所有像素点都遍历结束后，生成掩膜边缘图。图3为掩膜与经过掩膜边缘提取算法导出的掩膜边缘图。
图3 图像掩模与对应边缘图
2.2.2 注意力模块
图4 注意力模块
2.3 组合损失函数
在图像分割领域，主要采用的损失函数包括基于分布的交叉熵损失函数(Cross-Entropy Loss)以 及基于区域的Dice损失函数。
- 交叉熵损失函数单独 评估每个像素矢量的类预测，然后对所有像素求平 均值，使得图像中的像素能够被平等学习。但是，医学图像中常出现类别不均衡的问题，由此导致训练会被像素较多的类主导，对于像素较少的物体很难学习到其特征，从而降低网络的有效性。
- 而 Dice损失函数，本质上是衡量两个样本的重叠部分，虽然解决了类别不均衡的情况，但是未关注到图像的边缘信息。
由于医学图像的边缘信息尤为重要，因此本文提出结合基于区域的Dice 损失和基于边缘的Boundary 损失的组合损失函数L，在两个不同的侧重维度上进行监督。Dice损失和Boundary 损失的定义如式(4)、式(5)所示：
