本文介绍的是西北大学软件工程学院曹欣副教授课题组针对棕色脂肪分割任务提出的基于Unet的改进算法，发表在《Journal of Innovative Optical Health Sciences》期刊2022年第3期。

ICA-Unet an Improved U-Net Network for Brown Adipose Tissue Segmentation

Haolin Wang, Zhonghao Wang, Jingle Wang, Kang Li, Guohua Geng, Fei Kang, and Xin Cao

研究背景

棕色脂肪组织（brown adipose tissue，BAT）是一种参与人体体温调节产热、代谢调节产热以及内分泌等生理活动的脂肪组织。目前研究发现，棕色脂肪组织活性与成人体重呈现负相关，并且被认为是治疗肥胖等代谢相关疾病的靶向组织。此外，棕色脂肪组织活性在不同年龄、性别之间存在一定的差异。临床上基于PET/CT数据的棕色脂肪分割是对棕色脂肪研究的可靠方法。然而，目前大多数棕色脂肪分割方法大都依赖于医生经验，缺乏全自动分割的方法。

内容简介

本文提出一种基于改进U-net的棕色脂肪分割方法，ICA-Unet，实现对棕色脂肪的自动化精准分割。首先，在编码器部分将传统2D卷积替换为深度超参数化卷积模块。其次，在双层卷积之间引入通道注意力模块。最后，在跨越连接部分引入图像信息墒模块以强化边缘特征。本文在368组PET/CT数据集上评估了该方法的性能，棕色脂肪的自动分割和专家手动标注之间具有很强的一致性，平均骰子系数（DSC）为0.9057，平均Hausdorff 距离为7.2810。实验结果表明，提出的方法能够实现高效准确的全自动棕色脂肪组织分割，可以满足临床对棕色脂肪分割的需求。

图文导读

1.网络架构

图1：ICA-Unet网络结构图

本文所提出的ICA-Unet网络的体系结构，网络由经典的U-net结构为基础，引入图像信息墒、通道注意力、深度超参数化卷积（Do-conv）。具体而言，编码器部分，首先，将输入的CT与PET图像双模态信息以双通道的形式输入网络。其次，将U-net结构中的2D卷积模块替换为Do-conv模块。在一层padding为 1的3*3 Do-conv之后通过线性激活模块（Relu），和批量归一化模块（Batch Normalization，BN）。然后，通过通道注意力模块计算通道权重并与特征图相乘，最后再通过一层Do-conv、Relu、BN层。此外，在双层卷积之后通过步长为2的最大池化层以扩大感受视。

后续解码器的特征图通过反卷积进行两次上采样以恢复空间细节，此外，网络部署了跨越连接部分，引入图像信息墒模块计算下采样特征图的图像信息墒以强化边缘信息。

2.对比实验

我们使用本文提出的ICA-Unet网络获得基于前文数据集上的分割结果，并与目前广泛应用的BAT分割方法以及主流医学影像语义分割网络进行对比，具体包括：CT阈值；PET阈值；CT与PET阈值交集；Kmeans；U-net；U-net++；SegNet。同时以下六个指标进行定量评估：（1）mIoU；（2）灵敏度（Sensitivity，SEN），（3）特异性（Specificity，SPE），（4）骰子系数（Dice Similarity Coefficient，DSC），（5）准确性（accuracy，ACC）和（6） Hausdorff 距离 (Hausdorff Distance，HD)。

图2：对比实验结果对比图，实际结果（A）；CT阈值（B）；PET阈值（C）；CT与PET阈值交集（D）；K-means（E）；U-net（F）；U-net++（G）；SegNet（H）；Proposed（I）

表1：Evaluation index of BAT segmentation results by different methods

从图2中可以观察到：CT阈值分割，即将CT密度大于-190小于-30的区域认为是BAT区域，可以将包含有BAT的脂肪区域分割出来，但是存在明显的分割错误，大量白色脂肪区域被错误处理为BAT区域。这显然CT阈值分割结果是不合理的。PET阈值分割，即将SUV值大于2g/ml或3g/ml的区域认为是BAT区域，可以排除大量白色脂肪区域，较为准确的分割BAT区域。但是仔细观察可以发现结果存在欠分割与过分割，并且结果不连续、边缘不光滑，存在杂点。这说明PET阈值分割结果较差。CT与PET阈值交集分割，可以看出分割区域相较于单纯的PET阈值或CT阈值，精度显著提升。但是同样存在结果欠分割且区域不连续，分割结果一般。U-net分割结果，可以分割出大部分BAT区域，但区域存在空心且不连续，并且边缘不光滑，存在杂点。这显然与实际结果相悖。U-net++分割结果，相较U-net精度得到了更多的提升，能够相对精准的分割出BAT区域，但仍然存在一定的欠分割。SegNet分割结果，与U-net++相似，但较U-net++存在更多的欠分割与过分割。本文提出的方法，相较于前文所提方法，可以获得与专家分割区域相似的分割结果，且分割出的边界更加细腻平滑。解决了其他方法的欠分割不连续等问题。

从表1中，我们可以的出以下结论：首先，与传统的阈值分割相比本文所提出的网络具有更高的Dice系数与mIoU。其次，与主流的医疗影像分割网络相比，本文所提出的网络同样具有较高的Dice系数与mIoU，并且同时具有更低的Hausdorff 距离。

3.消融实验

为了评估本文所提出的ICA-Unet网络架构的有效性，本文进行了Unet与IIE、Do-Conv、CAT模块可能的六种组合情况的验证，并针对其准确性mIoU与Loss收敛速度进行评价，量化结果如表2与图3所示。

表2：消融实验结果表

图3：消融实验结果柱状图

基于表2和图5进一步针对图像信息墒模块（IIE）进行分析。我们可以得到出，在U-net结构中引入图像信息墒模块，网络的分割精度有了一定的提升，相较与U-net，U-net + IIE的mIoU提升了0.07。但与此同时，网络的收敛速度有着明显的减慢（在epoch = 32时达到收敛）。

针对Do-Conv进行分析，我们可以得出，将U-net网络中的2D卷积层替换为Do-Conv卷积可以显著提升网络的收敛速度，可以有效解决引入信息墒模块（IIE）与通道注意力模块（CAT）所带来的网络收敛缓慢的问题。

针对通道注意力模块（CAT），我们可以得出，引入CAT模块可以有效提升网络的分割精度，在与IIE共同使用时，可以显著提升网络的分割精度。与此同时，网络的收敛速度缓慢（在epoch = 50时达到收敛）。

综上所述，IIE与CAT模块可以有效的提升网络的分割精度，Do-Conv可以有效提升为网络的收敛速度，因此将三者结合在U-net网络结构中，经过实验验证，可以在保留一定的网络收敛速度的基础上，得出最佳的分割结果。

通讯作者简介

曹欣，西北大学光信息科学与技术学院（软件学院）学院副教授，硕士生导师。长期从事光学分子影像、医学图像处理及可视化、点云处理等方面的研究，发表SCI论文40余篇。入选陕西省科协青年人才托举计划，主持国家、省部级项目6项，受理/授权国内发明专利20余件。