回海生，张雪英，吴泽林，李凤莲

(太原理工大学 信息与计算机学院，山西 太原 030024)

全球脑卒中的发病率逐年增加，每年新增脑卒中发病人次达到1 030万。自2015年起，脑卒中已经成为除慢性病外位列前三的致死疾病[1-2]。在脑卒中发病时，准确的脑卒中病情诊断和及时针对病变大小、位置的介入治疗可以有效地降低致残和致死率。因此，快速、准确的脑卒中病灶分割方法有重要的临床意义。由于病灶的手动分割非常耗时，对于核磁共振影像(Magnetic Resonance Imaging，MRI)中单个形状复杂的大病灶，需要耗费熟练标记者数个小时才能完成精确的标注和校验[3]。因此，迫切需要一种快速、准确的自动脑卒中病灶分割方法，以在短时间内可以治疗更多的患者。卷积神经网络(Convolutional Neural Networks，CNN)及其持续发展的网络结构在语义分割任务中具有出色的性能[4-5]。但是，这些基于卷积神经网络的网络模型需要数量较大的标注数据进行训练，而医学图像的数据标注成本很大。U-Net的出现[6]在一定程度上解决了上述问题，它通过跳跃连接在对称的编码和解码器之间建立不同尺度的特征融合通道，使网络可以更好地利用图像的全局和局部特征，非常适用于少量数据标注的医学图像分割任务。标准的5级U-Net特征通道总数多达上千个，待训练参数数目较多，在训练过程中编码和解码路径需要反复提取深层特征。由于深层特征的抽象性和低分辨率特性，导致训练难度增加，甚至训练不稳定、不充分。文献[7]中提出……