基于短距离跳跃连接的U2⁃Net+医学图像语义分割

摘" 要： 医学图像分割是保障发展智慧医疗系统的先决条件之一。由于原U2⁃Net+网络的跳跃连接只关注同分辨率所提取的特征，所以在设计时借鉴FR⁃UNet网络加入中间层，接收深层的上下文信息与浅层提取的高分辨率特征进行整合；并在中间层的下采样使用非对称空洞空间卷积金字塔代替，增加网络模型训练时对边缘信息的关注，并在结构最后加入阈值增强模块，加强对细小特征边缘的识别与分割；同时加入到上采样中，帮助网络更好地提取多尺度特征，增加上下文语义关联。根据正负样本不均衡和难易不同的问题设计了组合的损失函数来监督网络优化。实验结果表明，所提算法在DRIVE、STARE+CHASE_DB1数据集上的[F1]分数分别提高了1.8%与4.2%，在ISIC2018数据集上的DSC分数提高了2.3%。对分割结果进行可视化后表明，该网络在样本较小的情况下可以充分提取到更加精确的边缘信息和细小的特征信息，提高语义分割的效果，所提算法在医学图像语义分割任务上有更好的表现。

关键词： 医学图像； 语义分割； 跳跃连接； 非对称空洞空间卷积金字塔； 智慧医疗； FR⁃UNet网络

中图分类号： TN911.73⁃34； TP391.7" " " " " " " " " " 文献标识码： A" " " " " " " "文章编号： 1004⁃373X（2024）23⁃0029⁃07

U2⁃Net+ medical image semantic segmentation based on short⁃range jump connection

WANG Qinghua1， SUN Shuifa2， WU Yirong3

（1. College of Electrical Engineering and New Energy， China Three Gorges University， Yichang 443002， China;

2. School of Information Science and Technology， Hangzhou Normal University， Hangzhou 310036， China;

3. Institute of Advanced Studies in Humanities and Social Sciences， Beijing Normal University， Zhuhai 519087， China）

Abstract： Medical image segmentation is one of the necessary prerequisites to guarantee the development of an intelligent medical system. Because the jump connection of the original U2⁃Net+ network only focuses on the features extracted at the same resolution， an intermediate layer is added in the design by taking the FR⁃UNet network as reference. The contextual information from the deeper layer is received by the intermediate layer to integrate with the high⁃resolution features extracted from the shallower layer. In the down⁃sampling of the intermediate layer， a convolutional pyramid with asymmetric atrous space is used to increase the attention to edge information during network model training. A threshold value enhancement module is added at the end of the structure to strengthen the identification and segmentation of the edges with fine features. It is also added to the up⁃sampling to help the network extract multi⁃scale features better and increase contextual semantic associations. A combined loss function is designed to supervise network optimization according to the imbalance between the positive and negative samples and the different levels of difficulties. The experimental results show that the proposed algorithm improves the [F1]⁃score by 1.8% and 4.2% on the datasets of DRIVE and STARE+CHASE_DB1， respectively， and improves the DSC score by 2.3% on the dataset ISIC2018. Visualization of the segmentation results shows that the present network can fully extract more accurate edge information and fine feature information to improve the semantic segmentation in the case of smaller samples， so the proposed algorithm has a better performance on the task of semantic segmentation of medical images.

Keywords： medical image; semantic segmentation; jump connection; convolutional pyramid with asymmetric dilated space; intelligent medical care; FR⁃UNet network

0" 引" 言

近些年来，人们对医学检测准确度的关注度越来越高。通常医生对于医学图像的分析和判断来自于医生的经验与直觉，而医学图像语义分割的目的是使图像中的解剖或病理结构的边缘结构与细小特征更加清晰。医学图像语义分割在计算机辅助诊断和智慧医疗中发挥着至关重要的作用，极大地提高了诊断的效率和准确率。为了帮助临床医生做出准确的诊断，有必要对医学图像中的一些关键目标进行分割，并从分割区域中提取特征[1]。医学图像分割的早期方法通常依赖于边缘检测、模板匹配技术、统计形状模型、活动轮廓和传统机器学习技术。这些方法在一定程度上取得了不错的效果，但由于特征表示困难，特别是医学图像的特征提取比普通RGB图像更难，所以前者往往存在模糊、噪声、对比度低等问题。随着深度学习技术的快速发展，医学图像语义分割将不再需要手工制作的特征，卷积神经网络（CNN）成功实现了图像的层次特征表示。由于特征学习的CNN对图像噪声、模糊、对比度等不敏感，给医学图像提供了很好的分割结果[2]。且由于医学图像数据集相比于其他数据集有着数据集体量小、数据集中特征不清晰的特点，现如今关于医学图像语义分割采用由编码器⁃解码器构成的U⁃Net网络进行训练。U⁃Net网络的编码器⁃解码器以及跳跃连接结构具有关联上下文信息、训练速度快和使用数据量小的优点，满足医学图像分割的诉求，而在医学图像语义分割中广泛应用[3]。但是由于病灶形状的多样性和不同器官结构的差异性，仅使用简单结构构成的U⁃Net网络无法满足医学中对于精准度、速度的需求，产生了许多基于U⁃Net网络的编码器⁃解码器⁃跳跃连接改进的网络。

文献[4]提出的U⁃Net++改变了传统的U⁃Net跳跃连接方式，加入中间层使得原本U⁃Net长距离跳跃连接改为可调节的多尺度特征提取模块，改进了原本U⁃Net网络因无法融合多尺度特征导致的上下文信息断层。文献[5]提出了FR⁃UNet网络，使用类似于U⁃Net++的跳跃连接方式，采用简单上采样、下采样和卷积进行水平与垂直方向的扩展，删除每个阶段的密集连接方式，利用浅层阶段的高分辨率提供更加精细的特征信息，利用深层阶段提供上下文信息并增加特征图的局部感受野。

基于深度学习的医学图像语义分割相比于传统的机器学习有着很大的进步，但是还存在着边缘不清晰和细小特征无法准确分割等问题。本文根据上述问题提出一个基于U2⁃Net+网络[6]改进的医学语义分割网络。具体贡献如下。

1） 基于边缘不清晰问题。在跳跃连接中将下采样替换为非对称空洞空间卷积金字塔，增加边缘在整体语义分割中的权重。

2） 基于细小特征无法识别的问题。在跳跃连接中加入中间层连接浅层信息与深层信息进行信息整合，使得在编码与解码过程中不会丢失细小特征，并且在非对称空洞空间卷积金字塔的最后一层加入阈值增强模块，减少细小特征边缘的丢失情况。

3） 由于医学图像的正负样本不均衡以及数据量小的特征，设计混合损失函数提高训练过程中网络的学习能力。

与目前最新的模型相比，本文方法在DRIVE、STARE+CHASE_DB1、ISIC2018这3个数据集上取得了更优的性能。

1" 基于短距离跳跃连接的U2⁃Net+网络

本文提出一个基于U2⁃Net+的医学图像语义分割网络，具体网络结构如图1所示。

对于医学图像分割的边缘不清晰与细小特征分割较难的问题，本文受FR⁃UNet网络启发设计了一个跳跃连接结构，将长距离连接改为短距离稠密连接，为了增加边缘分割权重，本文在跳跃连接的下采样中加入非对称空洞空间卷积金字塔结构，使得网络在分割边缘上有着较强的关注度。针对医学图像正负样本不均衡的特征，本文采用混合损失函数弥补因正负样本不均衡导致的模型鲁棒性变差的问题。

1.1" 网络结构

由图1可知，本文提出的网络是基于U2⁃Net+网络改进而成，使用了原U2⁃Net+网络相似的编码器⁃解码器结构。由于医学图像的数据集数量较少，使用原U2⁃Net+网络会导致网络训练时产生过拟合现象以及淡化细小特征现象，故将原本U2⁃Net+网络的5层结构改为4层网络结构。原U2⁃Net+使用长距离跳跃连接，但是针对于医学图像中数据集数量较少以及细小特征较多的情况，长距离跳跃连接只能在同一深度中获取特征信息，这样会导致在上采样的过程中淡化浅层网络所识别的细小特征。

受到FR⁃UNet网络结构的启发，本文采用短距离跳跃连接，使得浅层网络分割的特征信息与深层网络的上下文信息交互，在医学图像的少量数据集中得到较好的分割结果。对于医学图像语义分割中常见的边缘分割不清晰的问题，本文采用非对称空洞空间卷积金字塔作为跳跃连接中的下采样，此模块可以最大程度保留浅层高分辨率分割的边缘信息特征，与深层的上下文信息相结合，改善医学图像中边缘不清晰的问题。

1.2" 跳跃连接

如图1所示，本文的跳跃连接模块是基于医学图像数据集较少以及细小特征较多的问题所设计的，由于浅层网络的图像分辨率大，可以关注的细小特征较多，又由于网络在进行下采样与上采样过程中会丢失一定量细节特征，所以设计跳跃连接模块来弥补网络在下采样与上采样过程中丢失的信息。为了防止过多的信息造成训练的过拟合效果，本文在设计跳跃连接时，令跳跃连接中每一层的最后一个模块放弃下采样，这样可以最大程度地减少因为浅层细小特征过度下采样导致重复特征较多，使得网络会在训练时过拟合，从而在整体网络训练时的训练效果变差。

1.3" 非对称空洞空间卷积金字塔

非对称空洞空间卷积金字塔结构如图2所示。本文在跳跃连接中的所有下采样采用类似空洞空间卷积池化金字塔（ASPP）结构[7]，由于跳跃连接中间层下采样过多，如果全部替换为类似ASPP模块会导致模型过大，使得每一次的训练样本数（Batch_size）过小，而训练中Batch_size数过小会导致训练速度下降，也会导致梯度下降方向不准确，使得梯度变化波动较大，网络不容易收敛，所以本文采用非对称卷积的方式替换传统的大卷积块，可以在减少网络参数量的同时不降低分割效果。

与原ASPP结构不同的是，本网络仅采用其中3个空洞卷积以及1个1×1卷积组成第一部分，空洞卷积的膨胀系数分别为6、12和18，并且填充大小等于膨胀系数，由于在下采样中想保留足够多的上层细小特征，所以去除原ASPP的池化结构并行，再将得到的结构进行连接（Concat）操作后，进行1×1的卷积操作恢复到原通道数。由于网络预测的像素点属于概率，通常二分类分割问题的分割结构概率结果为（0，1）的阈值通常为0.5。在网络分割中，总有一些细小特征以及边缘分割概率略低于0.5，为了保留更全面的细小特征，本文在非对称空洞空间卷积后加入一个阈值增强模块，将那些小于0.5的像素点增加0.2的概率后，判断是否大于0.5，若大于0.5则保留结果，若小于0.5则强制改为0，防止计算损失时会影响分割效果。

1.4" 损失函数

由于输出的预测图为二值化图片，对于二值化图片的分类问题，运用二分类交叉熵损失函数（BCE Loss）可以降低简单样本对Loss的贡献，更多关注困难样本可以避免在训练过程中大量简单负样本占据Loss主导地位[8]的问题，计算公式如下：

[LossBCE=-1Ni=1N[yilog（pi）+（1-yi）log（1-pi）]] （1）

式中：[N]表示总样本数；[yi]是第[i]个样本的所属类别；[pi]是第[i]个样本的预测值。

虽然BCE Loss解决了正负样本不均衡的问题，但并没有区分简单样本和复杂样本。由于医学图像中存在大量的简单负样本，所以单独使用BCE Loss容易稀释正样本，造成大损失，因此本文采用Focal损失函数对复杂样本进行聚焦[9]，计算公式如下：

[LossFocal=-（1-pt）γlog（pt）] （2）

式中[（1-pt）γ]可以降低简单样本的损失贡献，从而增加复杂样本的损失比例，本文采用参数[γ]=0.6作为实验参数。

由Bas⁃Net[10]和F3⁃Net[11]中的研究表明，将多个损失函数与不同级别自适应权值相结合，可以获得更快的收敛速度和提高网络性能。因此，本文使用二值交叉熵损失（BCE Loss）和Focal损失（Focal Loss）进行监督，使网络获得更快的收敛速度，并提高网络性能。计算公式如下：

[Losstotal=φ1LossBCE+φ2LossFocal] （3）

式中：[φ1]、[φ2]为各损失的权重，[φ1]+[φ2]=1，令[φ1]=0.3、[φ2]=0.7。

2" 实验结果

2.1" 实验参数设计

实验中使用的深度学习框架为PyTorch 1.12.0、Python 3.9、CUDA 11.4版本，所有实验均在Intel Xeon CPU E5⁃2680 v3和RTX 2080Ti显卡上进行训练，训练时对输入图像分辨率大小进行统一设置，重设为256×256，设置批次大小（Batch_size）为10，训练迭代轮次为200个epoch。初始学习率为1×10-3，使用AdamW优化器[12][β]区间为0.9～0.999，权重衰退（Weight Decay）为0.01，学习率随训练轮次的增加在80个epoch后下降90%。

2.2" 评估指标

本文采用准确率（Accuracy）、ROC曲线下面积（AUC）、[F1]分数、骰子系数（Dice）和平均交并比（MIoU）作为评价指标来衡量方法的性能。

ACC是常见的图像分割评价指标，也称精度，表示分类准确的样本数占该类样本总数的比例。计算公式如下：

[ACC=TP+TNTP+TN+FP+FN] （4）

式中：TP表示检测正确的正样本像素数量；TN表示检测正确的负样本像素数量；FP表示检测错误的负样本像素数量；FN表示检测错误的正样本数量。

ROC曲线分别以假阳性率和真阳性率作为横轴和纵轴，综合反映了两者之间的关系，ROC曲线下面积（AUC）是评价模型优劣性的重要指标。计算公式如下：

[AUC=insi∈positiverankinsi-M（M+1）2MN] （5）

式中：[rankinsi]表示第[i]个样本的序号（概率得分从小到大排序，排至第rank个的位置）；[M]、[N]分别表示正样本与负样本的个数。

[F1]分数取像素级评价指标，使用模型输出的预测图像[P]和实际分割标签[G]（Ground Truth）进行计算。计算公式如下：

[F1=2×TPTP+FP×TPTP+FNTPTP+FP+TPTP+FN] （6）

骰子系数（Dice）是医学图像中使用频率最高的评价指标，是一种集合相似度度量指标，通常用于计算两个样本的相似度。计算公式如下：

[Dice=2×TPFP+2×TP+FN] （7）

平均交并比（MIoU）是语义分割中常见的评价指标，是真实值与预测值两个集合的交集和并集之比。计算公式如下：

[MIoU=1k+1i=0kpiij=0kpij+j=0kpji-pii] （8）

式中：[i]表示真实值；[j]表示预测值；[pij]表示将[i]预测为[j]的像素个数。

2.3" 数据集

本文采用DRIVE[13]、STARE[14]、CHASE_DB1[14⁃15]、ISIC2018[16]四个数据集检验本文方法，并与其他方法进行了实验比较。其中，DRIVE、STARE、CHASE_DB1数据集为视网膜血管分割，这三个数据集中量较少，最少的STARE数据集仅有20张，最多的DRIVE数据集也仅有40张，且数据集中细小特征较多，由于STARE与CHASE_DB1数据集较少，本文将两个数据集合并为一个数据集使用。将三个数据集分别按照训练集、验证集和测试集为8∶1∶1的比例随机抽取，并加入随机翻转和裁剪作为图像增强。

2.4" 实验结果

为了验证本文模型的有效性，将本文模型与其他文章的模型进行比较，实验对比结果见表1。

U⁃Net[3]网络使用编码器⁃解码器⁃跳跃连接结构进行图像语义分割，因其网络结构简单，针对于医学图像数据集较少的情况有着较好的分割表现而广泛应用，其独特的跳跃连接结构帮助网络对不同尺度特征进行融合。

U⁃Net++[4]网络使用U⁃Net网络编码器⁃解码器结构，在跳跃连接中加入中间层，摒弃原U⁃Net网络的长连接而使用短连接和深监督，可以使网络中间层也得到训练，并且使用长连接获取更多特征信息。

U⁃Net 3+[17]网络使用全尺度连接代替原U⁃Net网络的长距离连接，该连接方式整合浅层网络的高分辨率特征与深层网络的上下文信息，并且该网络相比于U⁃Net++网络的参数量更少。

U2⁃Net+[6]网络使用类似于U⁃Net网络结构，在每层中嵌套类U⁃Net结构而组成的网络，其较深的网络结构可以使得分割时边缘更加清晰。

FR⁃UNet[7]网络将原U⁃Net网络的长距离连接全部替换为上下层之间的短距离连接，从同一层网络连接转为多尺度特征信息连接方式，可以更好地学习上下文信息以及细节特征，从而进行图像的语义分割。

TransUNet[18]网络通过对原U⁃Net网络的下采样中加入Transformer结构作为编码器组合而成，使用Transformer对来自卷积神经网络（CNN）特征图的标记化图像块编码来提取全局上下文信息，从而实现图像语义分割。

DCSAUNet[19]网络使用紧凑分裂注意模块（CSA）代替原U⁃Net网络的编码器与解码器，为了避免梯度随层数增加而消失，扩大接受域，加入PFC策略改进了深度可分离卷积（DC），实现图像语义分割。

本文算法与上述7种算法在DRIVE、STARE+CHASE_DB1数据集上的ACC、AUC、[F1]比较见表1。在DRIVE数据集上，本文算法的[F1]相比于U⁃Net网络、U⁃Net++网络、U⁃Net 3+网络以及U2⁃Net+网络分别提高7.8%、5.7%、6.3%以及4%，由于DRIVE数据集为视网膜血管图像分割，其中图像中的细小特征较多，这些简单的网络结构并不能很好地针对于细小血管的识别与分割，网络在下采样与上采样之间丢失了许多的细小特征。与其相比，FR⁃UNet网络、TransUNet网络以及DCSAUNet网络采用了不同的针对于医学图像中细小特征的模块后，虽对图像中的细小血管有着不错的识别效果，但是对于血管边缘的清晰程度，相比本文结果仍是稍弱一点。本文算法相比三种方法[F1]分别提高2.5%、2.5%以及2.2%。由于ISIC2018数据集数量相对较多且分割结构较为简单，U⁃Net网络、U⁃Net++网络、U⁃Net 3+网络以及U2⁃Net+网络均有着不错的分割表现，但是由于图像中边缘细节较多，所以分割结果可视化后边缘表现并不理想。本文方法与其他四种方法相比，DSC分别提高13.3%、12.3%、10%以及7.6%，而本文网络相比于FR⁃UNet网络、TransUNet网络以及DCSAUNet网络的DSC分别提高4.5%、2.9%以及2.6%。

将本文模型与U2⁃Net+网络、FR⁃UNet网络、TransUNet网络以及DCSAUNet网络进行了分割可视化对比，可视化结果如图3所示。由图3可知，本文模型效果优于其他模型，对于图像的边缘清晰度和细小特征都有着很好的表现，说明本文方法是有效且准确的。

2.5" 消融实验

本文模型相比于其他网络的优点在于独特的跳跃连接机制、非对称空洞空间卷积金字塔以及针对于医学图像的混合损失函数机制。为了验证本文各个部分的有效性，通过消融实验对比不同模块的ACC、AUC、[F1]值，用来展示各个模块的结果，见表2。

本文对以下四种情况进行消融实验：U2⁃Net+：采用U2⁃Net+网络对视网膜血管图像进行语义分割；U2⁃Net+S：在U2⁃Net+网络中加入本文的跳跃连接机制对视网膜血管图像进行语义分割；U2⁃Net+SA：在U2⁃Net+S网络中加入非对称空洞空间卷积金字塔对视网膜血管图像进行语义分割；U2⁃Net+SA⁃Loss：在U2⁃Net+SA网络中加入混合损失函数对视网膜血管图像进行语义分割。

3" 结" 论

本文提出了一个基于U2⁃Net+网络的医学图像语义分割模型。本文采用上下层短连接将浅层细节特征与深层上下文信息融合，在减少丢失浅层高分辨率特征的前提下，加深特征图之间的上下文信息；在中间层加入空洞空间卷积金字塔使得网络在下采样中加深对边缘信息的保留与采集；在金字塔中加入非对称卷积减少网络模型的参数量，在金字塔结尾加入阈值增强模块，使得网络对于已识别的细小特征但概率不高的情况进行改善。

实验结果表明，本文提出的模型在DRIVE、STARE+CHASE_DB1以及ISIC2018数据集上取得了优异的结果。另外，消融实验DRIVE数据集的效果说明其中每个模块对于网络都有正向积极作用。本文研究希望通过这类语义分割可以更好地为医学领域的临床诊断与治疗做出更加杰出的辅助作用，从而减少医学领域的诊断错误率。

注：本文通讯作者为孙水发。

参考文献

[1] QURESHI I， YAN J H， ABBAS Q， et al. Medical image segmentation using deep semantic⁃based methods： A review of techniques， applications and emerging trends [J]. Information fusion， 2023， 90： 316⁃352.

[2] KATTENBORN T， LEITLOFF J， SCHIEFER F， et al. Review on convolutional neural networks （CNN） in vegetation remote sensing [J]. ISPRS journal of photogrammetry and remote sensing， 2021， 173： 24⁃49.

[3] RONNEBERGER O， FISCHER P， BROX T. U⁃Net： Convolutional networks for biomedical image segmentation [C]// Proceedings of 18th International Conference on Medical Image Computing and Computer⁃assisted Intervention. Heidelberg， Germany： Springer， 2015： 234⁃241.

[4] ZHOU Z W， SIDDIQUEE M M R， TAJBAKHSH N， et al. UNet++： A nested U⁃Net architecture for medical image segmentation [C]// Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support： 4th International Workshop and 8th International Workshop. Heidelberg， Germany： Springer， 2018： 3⁃11.

[5] LIU W T， YANG H H， TIAN T， et al. Full⁃resolution network and dual⁃threshold iteration for retinal vessel and coronary angiograph segmentation [J]. IEEE journal of biomedical and health informatics， 2022， 26（9）： 4623⁃4634.

[6] QIN X B， ZHANG Z C， HUANG C Y， et al. U2⁃Net： Going deeper with nested U⁃structure for salient object detection [J]. Pattern recognition， 2020， 106： 107404⁃107414.

[7] LI Y Z， CHENG Z Y， WANG C J， et al. RCCT⁃ASPPNet： Dual⁃encoder remote image segmentation based on transformer and ASPP [J]. Remote sensing， 2023， 15（2）： 379⁃389.

[8] BAI Z X， WANG J Y， ZHANG X L， et al. End⁃to⁃end speaker verification via curriculum bipartite ranking weighted binary cross⁃entropy [J]. IEEE/ACM transactions on audio， speech， and language processing， 2022， 30： 1330⁃1344.

[9] LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection [J]. IEEE transactions on pattern analysis and machine intelligence， 2020， 42（2）： 2980⁃2988.

[10] LEE P， UH Y， BYUN H. Background suppression network for weakly⁃supervised temporal action localization [C]// Proceedings of the AAAI Conference on Artificial Intelligence. [S.l.]： AAAI， 2020： 11320⁃11327.

[11] YE X H， XIONG F C， LU J F， et al. ℱ3⁃Net： Feature fusion and filtration network for object detection in optical remote sensing images [J]. Remote sensing， 2020， 12（24）： 4027.

[12] WU H， SONG H N， HUANG J H， et al. Flood detection in dual⁃polarization SAR images based on multi⁃scale deeplab model [J]. Remote sensing， 2022， 14（20）： 5181.

[13] STAAL J， ABRÀMOFF M D， NIEMEIJER M， et al. Ridge⁃based vessel segmentation in color images of the retina [J]. IEEE transactions on medical imaging， 2004， 23（4）： 501⁃509.

[14] HOOVER A D， KOUZNETSOVA V， GOLDBAUM M. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response [J]. IEEE transactions on medical imaging， 2000， 19（3）： 203⁃210.

[15] FRAZ M M， REMAGNINO P， HOPPE A， et al. An ensemble classification⁃based approach applied to retinal blood vessel segmentation [J]. IEEE transactions on biomedical engineering， 2012， 59（9）： 2538⁃2548.

[16] LI Y X， SHEN L L. Skin lesion analysis towards melanoma detection using deep learning network [J]. Sensors， 2018， 18（2）： 556⁃566.

[17] HUANG H M， LIN L F， TONG R F， et al. UNet 3+： A full⁃scale connected UNet for medical image segmentation [C]// 2020 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. New York： IEEE， 2020： 1055⁃1059.

[18] NURIN F V. Improved segmentation of overlapping red blood cells on malaria blood smear images with TransUNet architecture [J]. International journal of imaging systems and technology， 2022， 32（5）： 1673⁃1680.

[19] ISLAM SUMON R， BHATTACHARJEE S， HWANG Y B， et al. Densely convolutional spatial attention network for nuclei segmentation of histological images for computational pathology [J]. Frontiers in oncology， 2023， 13： 1009681⁃1009691.

作者简介：王清华（1998—），男，湖北武汉人，硕士研究生，主要研究领域为医学图像语义分割。

孙水发（1977—），男，江西黎川人，教授，博士生导师，主要研究领域为计算机视觉、图像处理、自然语言处理、人工智能、大数据分析、信息安全等。

吴义熔（1970—），男，湖北荆州人，教授，博士生导师，主要研究领域为信息资源管理及分析、社会治安管理、医学大数据和精确医学。