仵晨阳 何 瑶

（西安邮电大学计算机学院 西安 710121）

1 引言

食管癌（Esophageal Cancer，EC）是消化系统的恶性肿瘤，在世界范围内的不同的国家和地区，它的发病率以及死亡率差别较大。

2018年世界癌症的统计中估计［1］，全球癌症病发约有1270万例，其中有760万例患者死亡。美国癌症协会估计［2］，预计2019 年，美国的癌症病发将约为176万例，以及死亡患者约为60万例。通过我国国家中央癌症登记处提供的高质量数据可知［3］，2015 年将有新发癌症约429 万例，以及约281 万例的癌症死亡；其中肺癌、食道癌、肝癌和胃癌是死亡的主要原因。我国在2017 年［4］的癌症病例约380万例，农村地区的癌症死亡率高于城市地区（110.3 vs.102.5）。国内外流行病学研究表明，遗传因素、生活习惯、致癌化学物质的暴露频率和外界生物因素等均可引起食管癌的发生［5～7］。在食管癌的发病人群中，其西方国家的人群主要是患以腺癌为主，而在亚洲人群中，特别是中国人群，主要患以鳞状细胞癌为主，即食管癌鳞癌，主要占90%以上［8］。而在本文中主要研究的是食管鳞癌。

而对于食管癌的检查和诊断方法的广泛关注，这导致与食道癌相关的医学图像数量的显着增加，同时增加了放射科医师筛查和诊断的负担。因此，这就需要一种改进食管癌诊断水平的方法［9～10］。而计算机辅助诊断技术（Computer-Aided Diagnosis，CAD）则成为了生物医学研究的重点［11～12］，使用计算机辅助诊断医学影像可以帮助医生准确判断疾病的类型以及病灶的区域，提高阅片效率。

本文的目的是基于食管癌的X 线医学图像，研究食管癌病灶的分割方法。根据食管癌X 线医学图像的特点，首先对食管癌的病灶区域利用传统分割技术JSEG算法、分水岭算法、N-Cuts算法以及深度分割网络-U-Net 网络［13］进行分割；然后利用分割结果较好的U-Net 网络结合插值算法进行分割轮廓的改进，为了得到更精准的食管癌病灶区域，这样对以后的食管癌病灶类别的研究奠定了基础。

2 研究内容

本文将食管癌X 射线医学影像作为实验对象，其中根据食管癌病理形态和X射线的特点，一般将其分为缩窄型、蕈伞型、溃疡型和髓质型这四类。

食管癌图像前景和背景较为简单，但不同个体的食管癌病灶部分及病灶于管腔的位置差异会很大，因此提高分割精度也并非易事。而本文主要针对食管癌图像的分割进行研究，其中主要有以下两个部分：一是基于食管癌影像的做U-Net网络的分割研究，去除骨骼组织的干扰；二是对分割结果做进一步的改进，改善了U-Net网络的分割线上小区域的分离点的缺点，分割出完整的、清晰的、不失真的病灶区域，最大限度地保留了病灶信息的完整性。具体过程如图1所示。

图1 整体框架图

3 算法

3.1 传统分割算法

JSEG 算 法 是 由Deng 和Manjunath［14～15］提 出 的基于图像的颜色和纹理的彩色图像的分割算法，该算法充分地考虑了图像颜色的相似性和空间分布等因素。其分割算法主要包含了两个步骤：颜色量化和空间分割。颜色量化过程实质上减少了图像中原始颜色的数量，从而降低了算法的复杂性。空间分割阶段主要包括种子选择，区域增长和区域合并等阶段。此过程中的食管癌分割结果如图2（b）所示。

分水岭算法是由L.Vincent［16］所提出的基于数学形态学以及拓扑理论的图像分割方法。该算法是利用灰度表示地貌高。而在食管癌图像病灶的分割中，我们可以利用灰度和地貌之间的相似性来类比，来研究食管癌图像的灰度的空间变化。分水岭算法具有较强的边缘检测能力，并且对图像中显示的细小边缘也表现出良好的分割效果。其分割结果如图2（c）所示。

Normalized cut（N-cut）方法是由Shi J 和Malik J［17］提出的基于图划分（Graph partitioning）的语义分割方法之一。通常，基于图划分的语义分割方法将食管癌的病灶图像抽象为图（Graph）G=｛V，E，W｝，V 为图节点的集合，E 是两个节点之间的边集，W（i，j）为两个节点之间的权重集。然后使用基于图理论中的理论及算法对食管癌图像的病灶区域进行语义分割。通过这个过程得到的食管癌分割结果如图2（d）所示。

图2 传统分割算法的分割过程

3.2 深度分割算法

本文中使用U-Net 网络对食管癌图像进行管腔及病灶区域的进行分割，U-Net 网络结构，也叫做编码器-解码器结构。U-Net分割网络具体是由收缩路径（contracting path）和扩张路径（expanding path）组成，如图3（a）所示。在网络中，其收缩路径被用来获取食管癌图像中病灶区域的上下文信息（context），扩张路径被用来对对食管癌图像中的病灶区域进行精确的定位（localization），而且这两条路径相互对称，该网络的优势为能够用极少食管癌图像进行端对端训练。U-net网络中使用完全不同的图像特征融合方法：拼接。

3.3 基于U-Net网络的改进

由于U-Net网络输出的食管癌分割图像，在病灶部分，或者在食管与骨骼相接的部分，没有很好地达到预期分割效果，使其轮廓图小部分的不连续。为了改善U-Net 网络输出的分割线上小区域的分离点的缺点，本文提出U-Net网络结合插值法的方法，以改善分割结果，使其最大限度地得到其连续的病灶轮廓，如图3（b）所示。而基于曲线或者直线的插值过程就是在其间断的两点间寻找到符合其线条规律的数值的过程，这个过程仅需要对分割线的小区域分离点进行插值填充。并且此过程不同于拟合的操作，插值函数是要经过原本样本数据点，而拟合函数则是尽可能地寻找使新的数据点逼近其他样本点的过程。为达到本文的预期效果，在食管癌影像的小部分病灶没有分割到的情况下，采用插值法得到它的预期分割位置。

图3 U-Net网络对比图

常用的四种插值方法分别是：最近邻插值法、线性插值法、二次插值法以及三次插值法。在本文中，分别对这四种插值方法进行研究，并且通过实验对比分析，得出与U-Net网络相结合的最优的分割算法。

4 实验结果与分析

4.1 分割度量性能

在基于U-Net 网络和U-Net 网络结合插值法的食管癌图像分割之后，对于如何量化对图像分割结果的评价，本文采用了以下四个指标。

GT（ground truth）图像：理论分割结果的图像，用于与结果图像进行比较。本文所用的GT图像是通过课题组成员手工勾画出来，作为理论值。

分割精度：分割出的精确区域占GT 图像中实际区域的百分比，计算公式如式（1）所示。

其中Rs为课题组成员手工勾画出的分割图像的参考区域，Ts表示通过算法分割获得到的图像的实际区域，|Rs-Ts|表示不正确划分的像素数量。

过分割率：分割在GT 图像参考区域之外的像素点的比率，且计算公式如式（2）所示。

其中Os为本不应该包含在分割结果中的像素数，但实际上是分割结果中的像素数。

欠分割率：分割在GT 图像参考区域中缺失的像素比率，且计算的公式如式（3）所示。

其中Us为本应包含在分割结果中的像素数，但实际不包含在分割结果中的像素数。

IOU：是由模型生成的目标窗口与原标记窗口之间的重叠率，即分割结果Ts与GT 图像理论值Rs交集比上其并集。计算的公式如式（4）所示。

4.2 实验结果

将上文所描述的传统分割算法JSEG 算法、分水岭算法、N-Cuts算法和U-Net网络分割技术作对比，选取一种更适合食管癌图像分割的算法。分割结果如图4所示。

图4 多种分割算法的结果对比

由图4 可以直观看出，U-Net 网络相较于其他传统的分割算法，对于食管癌图像的分割效果较好。由于病灶外的骨骼组织的干扰，JSEG 算法、分水岭算法以及N-Cuts 算法都在骨骼和食管轮廓模糊的部分，没有达到很好的分离效果，舍弃掉了部分管腔边缘的信息，而U-Net网络可以达到在模糊部分较好的分割效果。可以看出，在U-Net网络的分割线上还有小区域的分离点，这就需要在此结果上对其进行进一步改进。

将U-Net网络与插值法相结合，可以消除小区域的分离点，得到连续的分割图像，达到提高分割效率的目的。实验中将U-Net 网络结合最近邻插值法的方法记为U-Net_NNI，U-Net 网络结合线性插值法的方法记为U-Net_LI，U-Net网络结合二次插值法的方法记为U-Net_QI，U-Net网络结合三次插值法的方法记为U-Net_CI。

Net 网络训练食管癌分割模型的过程中，采用45 张图片进行训练，剩余图片进行测试，模型迭代100 次，模型准确率达到99.84%。U-Net 网络模型结合4 种插值方法的结果，如图5（e）所示，可以直观地看出，U-Net_QI不适用于食管癌的分割。

图5 改进的U-Net网络结果对比

本实验对图5 的分割结果进行上文中提到的SA、OR、UR、IOU 这4种分割评价指标进行评价，对所有图片采用4 种分割方法进行计算，并取其平均值，如表1 所示。图6 显示了最优分割算法的结果对比图。

表1 对分割方法的评估

图6 最优分割算法的结果对比图

4.3 结果分析

本文通过U-Net 网络以及U-Net 网络结合插值方法的结果的对比，得出U-Net网络结合线性插值的方法相较于U-Net 网络对于食管癌影像的分割更优，虽然其分割精度为97.459%，降低了0.002%，过分割率为5.127%，升高了0.824%，但IOU 值达到了91.284%，升高了1.876%，欠分割率达到了3.588%，降低了2.699%。综上所述，综合SA、OR、UR、IOU 这4种分割评价指标的结果，得出网络U-Net_LI 更适用于食管癌影像的分割，达到了预期目的。

5 结语

本文提出了一种基于食管癌X 线影像的自动分割的方法。该方法针对食管癌图像特点，利用U-Net 网络结合线性插值的方法，将食管癌图像骨骼与病灶模糊的区域更高效的分割。实验结果表明，本文方法优于其他的分割结果，达到了改善U-Net 网络小区域分离点的这一缺点。本文工作给医生的阅片及病灶的诊断带来了极大的便利，具有一定的应用价值。