基于改进U-Net的皮肤超声图像自动分割算法

作者：邢恩铭; 王文赛; 周榴; 周盛; 杨军^*

来源：生物医学工程与临床, 2021, 25(02): 123-130.

DOI：10.13339/j.cnki.sglc.20210226.016

• U-Net网络
• 超声图像
• 图像分割
• 真皮层
• 表皮层

目的真皮和表皮可以反映人体皮肤的健康状况,是皮肤特征的一个重要评价指标。实验提出一种基于改进的U-Net网络的皮肤多类分割算法,利用U-Net深度神经网络强大的编码解码结构自动分割出人体皮肤中真皮层和表皮层区域。方法选择健康志愿者25例,其中男性15例,女性10例;年龄20～60岁,平均年龄30岁。采集部位为手背、前臂内侧、前臂外侧、面颊、额头、腹部、背部、大腿外侧、小腿内侧、脚面。利用50 MHz皮肤超声生物显微镜采集15例健康志愿者的150幅人体皮肤二维超声图像作为训练集和验证集,将另外10例健康志愿者采集得到的100幅图像作为测试集。150幅人体皮肤二维超声图像,数据来源于志愿者,皮肤状况为没有明显皮损。首先人工标注出真皮层、表皮层区域,并进行预处理操作,然后将图像输入到改进后的U-Net全卷积神经网络中进行训练,最后对测试集进行分割预测。对于U-Net网络的改进,实验提出了一种新的密集残差模块和残差空间金字塔池化模块,融合了空洞卷积结构,并加深了模型的深度。采用精确度(PRE)、灵敏度(SE)、平均交并比(MIOU)、相似性系数(DSC)、豪斯多夫距离(HD)作为评价指标。结果相比于U-Net网络,改进后的算法在皮肤图像分割中取得了良好的效果,正确识别出表皮层区域与真皮层区域,并且对于真皮层区域的下界面与结缔组织、脂肪等皮下组织分割更加精确,区域边缘更加圆滑精细。表皮层区域PRE达到97.45%,SE达到98.49%,MIOU达到95.99%,DSC达到97.94%,HD为13.45;真皮层区域PRE达到95.31%,SE达到86.44%,MIOU达到81.63%,DSC达到89.83%,HD为6.36。结论相比于原始U-Net网络,该方法有效地提升了皮肤超声图像的分割性能,证明了该方法的有效性。

• 单位
  中国医学科学院; 北京协和医学院