基于邊緣信息增強的前列腺MR圖像分割網絡

張蝶，黃慧*，馬燕，黃丙倉，陸煒平

1.上海師范大學信息與機電工程學院，上海 201400；2.上海市浦東新區公利醫院影像科，上海 200120

0 引言

前列腺癌是發生在前列腺的上皮性惡性腫瘤，是最常見的惡性腫瘤疾病之一。潛在癌性前列腺的早期發現對降低前列腺癌的死亡率具有重要意義。磁共振成像（magnetic resonance imaging，MRI）作為一種無損無創的影像學檢查工具，是臨床上檢測前列腺最常用的成像方式之一和準確劃分MRI前列腺區域，進而獲得其位置、大小和形狀等信息，是計算機輔助診斷前列腺癌的關鍵環節，對于前列腺癌的診斷和預后追蹤都具有重大意義。

目前 MRI 前列腺區域分割方法可以分為兩大類：傳統方法和基于深度學習的方法。其中，傳統分割方法包括圖像處理方法和淺層機器學習方法等，如交互式主動輪廓模型（黃海赟 等，2000）、最大似然（expectation maximization，EM）方法（駱劍承 等，2002）、高斯混 合模型（Gaussian mixture model，GMM）（冷月妍，2022）和K 最近鄰（K-nearest neighbor，KNN）（付宜利 等，2005）等。這些方法基于圖像的淺層特征進行分析，其處理能力依賴于所提取特征的描述性能，有時需要較多的人工交互。近年來，深度學習技術（Minaee 等，2022）發展迅速，廣泛應用于醫學圖像分割領域。醫學圖像具有灰度范圍大、邊界不清晰和分割目標在人體圖像中的分布相對穩定等特點。Ronneberger 等人（2015）提出了一種基于全卷積的U-Net網絡模型，用于解決醫學圖像分割問題，U-Net結合了下采樣時的低分辨率信息和上采樣時的高分辨率信息，通過跳躍連接實現高低分辨率信息融合，有利于提高醫學圖像的分割精度。

相較于其他網絡，U-Net在醫學圖像分割領域有著明顯優勢，但它仍有進一步優化的空間。首先，在原始U-Net 分割網絡中，多次下采樣導致包含大量小區塊和邊緣等關鍵信息的空間細節丟失，從而使得模型的分割性能下降。學者們不斷針對此問題提出改進，Yin 等人（2020）為了恢復丟失的空間信息，在原始U-Net 的降采樣操作和上采樣操作后都設計了一個引導濾波器模塊。引導濾波器模塊以特征圖和引導圖像作為輸入，實現在輸出特征圖中引入了更多的邊緣信息。Song等人（2022）提出了一個全局特征重建（global feature reconstruction module，GFR）模塊來有效地捕獲全局上下文特征和一個局部特征重建（local feature reconstruction module，LFR）模塊來動態地上采樣。Li 等人（2023）為了克服傳統3D U-Net（?i?ek 等，2016）的缺點，提出了一種3D 金字塔池化U-Net（3D pyramid pooling U-Net），在跳躍連接處添加金字塔池化（pyramid pooling）操作，以恢復在降采樣過程中丟失的空間信息。

另外，原始U-Net 使用跳躍連接將編碼器和解碼器的特征進行融合時，編碼器特征過于單調而不能很好地捕捉到圖像中的多尺度信息，即編碼器和解碼器之間存在較大的語義差距，可能會導致訓練不穩定。Asadi 等人（2020）在網絡中設計了一個雙向Conv-LSTM（convolutional long short-term memory）模塊，在網絡的各個層級中使用雙向Conv-LSTM 將相應編碼路徑中提取的特征圖與之前解碼的上卷積層進行非線性組合，實現不同尺度信息的交互。鐘幸宇（2020）設計了一個并行注意力模塊（parallel attention module，PAM），通過使用不同尺度的卷積核捕獲圖像的多尺度信息，減少編碼器和解碼器之間的語義差距。

此外，原始U-Net 分割網絡通過解碼器最后一層得到輸出結果；由于解碼器最后一層特征圖存在特征冗余，可能導致目標邊緣的分割效果不理想。鐘幸宇（2020）設計了一個輸出特征融合模塊（output fusion module，OFM），在解碼器階段通過融合不同層的輸出，可以獲得更加準確的分割結果。Zhao（2021）設計了一個減法單元（subtraction unit，SU）來提取多尺度信息，通過利用金字塔堆積的方式，獲得多個互補的增強特征，這些特征逐步輸入到解碼器并生成最終預測結果。Nguyen 等人（2021）提出了兩個模塊，分別是級聯上下文模塊（cascading context module，CCM）和平衡注意力模塊（balancing attention module，BAM），CCM 模塊通過連接相鄰編碼層特征提取全局信息和局部信息，BAM 模塊利用相鄰下層的預測輸出作為引導圖，可學習如何充分利用背景、分割目標和邊界曲線3 個區域的注意力圖。

以上研究成果關注到不同模態醫學圖像的特點，分別提出了針對性的改進方法，獲得了較好的效果。但是對前列腺MR（magnetic resonance）圖像分割的改進效果不明顯，這是因為 MR 圖像普遍存在組織與器官的對比度較低、前列腺周圍組織眾多且結構復雜、圖像對比度低、噪聲大和前列腺的形狀與位置具有高可變性。

針對上述情況，本文提出一種基于通道注意力機制和邊緣信息融合的U 型網絡（channel attention mechanism and marginal information fusion U-Net，AIM-U-Net），以增強分割目標的邊緣信息。主要貢獻有：1）為緩解模型過擬合，重新設計編碼器—解碼器模塊，用深度可分離卷積代替普通卷積，利用ECA（efficient channel attention）注意力機制優化解碼器特征表示。2）為獲得更豐富的邊緣信息，設計邊緣信息模塊融合編碼器的淺層特征和高級語義信息獲得豐富的邊緣信息。3）為了細化解碼器信息，設計邊緣信息金字塔模塊，進一步融合邊緣信息和解碼器多層信息。4）為了消除特征噪聲，利用空洞空間金字塔池化（atrous spatial pyramid pooling，ASPP）模塊，利用不同空洞率的空洞卷積對特征進行重采樣。實驗結果表明，本文提出的AIM-U-Net 在PROMISE12（prostate MR image segmentation 2012）數據集（Litjens等，2014）上的分割效果優于對比的U-Net方法。

1 本文方法

傳統U-Net 模型結構如圖1 所示，整體呈U 型，由3 個部分組成，包括收縮路徑、擴張路徑和跳躍連接部分。收縮路徑通過下采樣操作對輸入圖像進行特征提??；擴張路徑利用上采樣操作恢復圖像分辨率并獲得最終的輸出圖像；跳躍連接部分實現收縮路徑和擴張路徑的特征融合。U-Net 網絡模型在醫學圖像分割領域表現優異，并在不同的應用模態中產生了多種改進模型。

對于MR 前列腺圖像分割任務，現有的U-Net模型存在一些不足。首先，MR 前列腺圖像數據集較小，數據集包含的圖像數量不多，但U-Net 模型參數量較大，模型容易過擬合，最終導致模型的性能下降。其次，U-Net模型特征提取的過程包括一系列卷積和最大池化操作，隨著卷積次數的增加，輸入圖像的邊緣信息逐漸丟失，并且目標分割對象的小尺度信息在下采樣過程中難以保存，最終導致模型的輪廓分割效果不佳。另外，雖然跳躍連接在將收縮路徑特征和擴張路徑特征融合過程中可以恢復丟失的部分空間信息，但是擴張路徑的特征來自模型的深層，而收縮路徑的特征是模型早期計算得到的，即收縮路徑特征和擴張路徑特征之間存在較大的語義差距，得到的融合特征容易存在噪聲，可能會導致訓練不穩定。最后，原始U-Net 分割網絡通過擴張路徑的最后一層特征圖得到輸出結果，而擴張路徑的最后一層特征圖沒有捕獲多尺度信息，可能導致目標的分割效果不理想。

針對以上問題，本文在傳統U-Net模型3個模塊的基礎上增加了用于增強邊緣信息的邊緣信息模塊（edge information module，EIM）、用于細化解碼單元特征的邊緣信息金字塔模塊（edge information pyramid module，EIPM）和用于消除特征噪聲的空洞空間金字塔池化（ASPP）模塊。具體結構如圖2所示，圖中藍色矩形表示特征圖，矩形左下角數字表示特征圖的尺寸，左上角數字表示特征圖的通道數，不同顏色的箭頭表示不同的操作。

圖2 基于邊緣信息增強的前列腺 MR 圖像分割網絡Fig 2 Architecture of prostate MR image segmentation network with edge information enhancement

圖3 ECA注意力機制結構Fig 3 The structure of ECA attention

1.1 深度可分離卷積

與普通圖像數據集相比，MR 前列腺數據集較小，而U-Net 模型參數量較大，導致模型容易過擬合，泛化效果不佳。常見的解決過擬合的方法主要包括正則化和調整網絡結構等。為了在緩解過擬合的同時提高計算速度，本文采用調整網絡結構的方法。由于深度可分離卷積（Liu 等，2022）可以有效地減少網絡中的參數量，提高計算效率，同時還可以提高模型的泛化能力和準確性，本文利用深度可分離卷積，重新設計收縮路徑和擴張路徑的結構。

改進模型的收縮路徑由5 個編碼單元組成，擴張路徑由3 個解碼單元組成，用深度可分離卷積（depthwise separable convolution，DSC）（Chollet，2017）替代原始U-Net 的編碼單元和解碼單元中的普通卷積。改進后的模型參數量為原來的1/3，模型的過擬合程度得到緩解。

1.2 ECA注意力機制

在傳統U-Net 編碼器—解碼器結構中，收縮路徑通過一系列的卷積和下采樣操作對輸入網絡的整個圖像進行特征提取，提取MR 圖像特征信息。隨著卷積次數的增加，所有通道無差別處理，輸入圖像的小尺度信息在下采樣過程中難以保存，最終導致小尺度目標被漏檢。

通道注意力機制ECA（Wang 等，2020）通過啟發式搜索的方式對卷積特征的通道進行選擇，即通過學習要強調或抑制的通道特征來有效幫助信息在網絡內流動，最終達到特征選擇的目的。在這一過程中，對任務有益的特征被選擇和保留。因此，利用高效通道注意力模塊可以保留并增強小尺度的特征，從而提高分割模型的精度和魯棒性。

在ECA中，首先對每個通道的特征圖進行全局平均池化，然后經過自適應卷積增加通道間的信息交互，通過sigmoid 激活函數得到每個通道的重要性權重。最后，將原特征圖與該權重相乘，達到突出重要信息、弱化不重要信息的目的。ECA的結構圖 3 所示。

本文模型在每個解碼單元中使用 ECA，從而為特征圖的不同通道中增加注意力機制，以保留并增強小尺度目標的特征。ECA的實現過程如下：

首先，利用全局平均池化（golbal average pooling，GAP）來獲取通道特征圖X∈ RC×H×W中的全局特征X1∈ RC×1×1。具體為

然后，通過自適應卷積學習通道間的信息。式中，卷積核大小為k=?（C），得到特征圖X2∈RC×1×1，具體為

式中，σ為sigmoid 激活函數，C表示通道數，γ和b設置為2 和1，用于改變通道數C和卷積核大小之間的比例，s為每個通道的注意力系數，?為矩陣乘法運算。

最后，將注意力系數s與特征圖X進行矩陣乘法運算，得到特征圖X'∈ RC×H×W。

1.3 邊緣信息模塊和邊緣信息金字塔模塊

1.3.1 邊緣信息模塊

U-Net 模型的收縮路徑對輸入圖像進行下采樣操作，隨著卷積次數的增加，雖然可以提取更深層次的特征信息，但輸入圖像的邊緣信息在多次下采樣操作中被弱化。邊緣信息會影響模型的分割效果，這是因為邊緣信息（Zhang 等，2019）可以提供細粒度約束來指導分割過程中的特征提取。收縮路徑的淺層編碼單元的特征由于分辨率較高，能夠保留足夠的邊緣信息。深層編碼單元提取的特征則捕獲全局特征信息。

邊緣信息模塊（EIM）利用不同層次的編碼單元特征恢復邊緣信息。如圖2 中EIM 模塊所示，將深層編碼單元的特征上采樣使其與淺層編碼單元的特征分辨率一致后進行拼接，然后通過卷積操作以獲得特征圖F1。因此，得到的特征圖F1具有豐富的邊緣信息和高級語義信息。

EIM 主要有兩個功能：1）提供一種邊緣信息指導擴展路徑的分割過程；2）通過深度監督機制對早期的卷積層進行邊緣分割監督。

因此，獲得的邊緣信息F1經過兩個分支：一個分支是通過下采樣操作為邊緣信息金字塔模塊（EIPM）提供全局上下文信息；另外一個分支通過1 × 1卷積和sigmoid激活函數生成區域分割結果。

1.3.2 邊緣信息金字塔模塊

U-Net通過擴張路徑得到分割結果，由于擴張路徑的最后一層特征圖沒有捕獲多尺度信息，導致分割效果不理想。編碼單元的深層特征可以捕獲前列腺的全局高級判別特征信息，這對于小病灶的分割非常有幫助；解碼單元的多尺度特征具有豐富的空間語義信息，可以提高分割的準確性；而邊緣信息模塊得到的信息具有豐富的邊緣信息和高級語義信息。因此，邊緣信息金字塔模塊（EIPM）通過融合以上3 種特征，綜合利用不同層次（孫家闊 等，2023）的信息，可以增強邊緣信息且捕獲多尺度信息，使分割模型更全面地理解圖像，提高分割精度和魯棒性。

EIPM 結構如圖4 所示，Fedge表示邊緣信息F1下采樣后得到的特征，EF示編碼單元的深層特征及不同層次的解碼單元特征，FFk-1（k∈｛1，2，3，4｝）表示上一個EIPM 生成的邊緣增強特征。由于邊緣信息F1具有豐富的邊緣信息和高級語義信息，Fedge同樣也包含邊緣信息。特征融合過程如下：首先，將縮放后的邊緣信息Fedge與相同尺度的EF和FFk-1進行特征求和；隨后經過2 次3 × 3 卷積和上采樣操作得到具有豐富細節信息和高級語義信息的特征圖FFk（k∈ ｛1，2，3，4｝）。經過上述操作后得到的特征圖FFk表示當前EIPM 生成的邊緣增強信息，以增強高級語義特征的表達能力。

圖4 邊緣信息金字塔模塊Fig 4 The structure of edge information pyramid module

EIPM 主要有兩個功能：1）融合多尺度信息指導擴展路徑的分割過程；2）利用深度監督機制對解碼單元進行區域分割監督。因此，獲得的邊緣增強信息FFk經過兩個分支：一個分支是輸入到下一EIPM模塊中；另外一個分支通過1 × 1 卷積和sigmoid 激活函數生成第k（k∈ ｛1，2，3，4｝）個區域分割結果。

1.4 空洞空間金字塔池化

在神經網絡分割任務中，U-Net使用跳躍連接將收縮路徑特征和擴張路徑的特征進行融合以恢復丟失的空間信息。但收縮路徑特征和擴張路徑特征之間存在較大的語義差距，得到的融合特征容易存在噪聲，可能會導致訓練不穩定。

空洞空間金字塔池化（ASPP）（Chen等，2017）模塊用于消除特征噪聲，對EIPM 得到的融合特征FF4進行重采樣，用于捕獲多尺度上下文信息，消除融合特征的噪聲，以獲得更準確的前列腺表示。

ASPP 結構如圖5 所示，包括1 個圖像池化、1 個1 × 1卷積和3個不同空洞率的空洞卷積。這些卷積核在不同的空洞率下對特征圖進行卷積操作，從而捕獲多尺度信息。通過這種方式，消除融合特征中的噪聲，并提高分割準確性。

圖5 空洞空間金字塔池化結構Fig 5 The structure of ASPP module

最后，將得到的多尺度特征進行特征拼接，使用通道數為1 的1 × 1 卷積，得到維度與原始輸入相同的前列腺分割結果。

1.5 損失函數

針對數據集存在的正負樣本不均衡情況，本文采用交叉熵損失函數（cross entropy loss）和骰子損失函數（Dice loss）的混合函數，記做L，定義為

式中，yn，c∈Y和pn，c∈P，分別為批處理中第c類和第n個像素的目標標簽和預測概率，Y和P分別是MR圖像真值和預測結果，C和N分別表示批處理中數據集類數和像素數。

將分割網絡的損失記做Lseg，邊緣損失記做Ledge，區域損失記做Larea。具體定義為

式中，g表示圖像的實際分割結果，p表示模型的最終分割結果，pedge表示在邊緣信息模塊生成的分割結果，pareai（i=1，2，3，4）表示在邊緣信息金字塔模塊生成的4個分割結果。

模型的總損失函數為Ltotal，定義為

2 實驗設置

2.1 數據集與實驗環境

實驗數據集采用國際醫學圖像計算和計算機輔助干預協會（Medical Image Computing and Computer Assisted Intervention Society，MICCAI）于2012年舉辦的前列腺MR圖像分割挑戰賽（Litjens等，2014）上所提出的PROMISE12 數據集，共包含100 份前列腺MR 數據。這些數據隨機分為訓練集（50 份）、測試集（30 份）和在線驗證集（20 份），以確保樣本在各個集合中均勻分布。所有數據都經過一致的預處理流程：首先，每個 3D 圖像數據被切片為 2D 圖像；然后，從中提取 512 × 512像素的有效區域作為模型的輸入。為了確保圖像預處理的合理性，使用歸一化公式進一步優化數據的表示，計算為

式中，x是輸入的 3D 圖像，xp是處理后的歸一化圖像，u是輸入圖像的平均值，σ是輸入圖像的標準偏差。

數據增強策略包括隨機噪聲、隨機翻轉、仿射變換和隨機平滑。由于GPU（graphic processing unit）顯存的限制，將批處理大?。╞atch_size）設置為16，并應用隨機梯度下降（stochastic gradient descent，SGD）優化算法，在100 個epoch 中的初始學習率（learning rate）設置為0.000 5，權重衰減（weight_decay）設置為0.000 01。在基于pytorch1.10.2 框架下開展實驗，所用GPU為NVIDIA GeForce RTX 3090。

針對分割網絡的預測結果，其呈現為像素分類的概率值，即表明像素是否屬于前列腺的概率。為了進一步處理，本文進行了二值化處理。設置閾值為0.5，令概率值高于0.5的像素歸類為1，否則歸類為0。最后得到經過分割的二值圖像。

2.2 評價指標

采 用Dice 系 數（Dice coefficient，DC）、95HD（95% Hausdorff distance）、召回率（recall）、Jac（Jaccard）系數和準確度（accuracy）分割性能評估指標。Dice 系數用于計算每個樣本的相似度，取值越接近1，表示樣本越相似；HD 是衡量分割邊界精度的指標，HD越小，說明分割結果越準確。從小到大排序，取95位以避免少量離群點對指標的影響。

Dice系數和95HD計算為

式中，A和B分別為預測分割標簽和真實分割標簽的像素集。

3 實驗結果與分析

3.1 模型消融實驗

本文模型由U-Net 作為基礎網絡（baseline），模型組件包含替換編碼器的普通卷積為深度可分離卷 積（encoder depthwise separable convolution，EnDW）、替換解碼器的普通卷積為深度可分離卷積（decoder depthwise separable convolution，DeDW）、ECA 注意力機制、邊緣信息模塊（EIM）、邊緣信息金字塔模塊（EIPM）、空洞空間金字塔池化（ASPP）和多尺度深度監督（multi-scale supervision，MDS）。為了驗證本文算法的改進策略，比較模型組件對算法分割性能的影響，分割結果如表1所示。

表1 在PROMISE12數據集上的消融實驗Table 1 The ablation experiment on the PROMISE12 dataset

從表1 可以看出，在分別替換編碼器和解碼器普通卷積為深度可分離卷積（EnDW，DeDW）之后，同時替換效果優于單獨替換，原因可能是網絡計算量干擾模型的性能。利用深度可分離卷積可減少模型參數量（于典 等，2023），預測結果的平均Dice 得分均達到77%以上，HD95 指標降低到7 mm 以下?；A網絡在加入ECA 注意力機制、邊緣信息模塊（EIM）、邊緣信息金字塔模塊（EIPM）和空洞空間金字塔池化（ASPP）后效果均有提升，其中同時加入ECA 和DeDW 效果優于單獨加入ECA，原因在于ECA 接收了來自前一層解碼器模塊的特征，再與同層編碼器模塊特征進行特征融合，特征冗余導致模型訓練困難，而深度可分離卷積可提高模型的訓練速度，兩者同時使用可提高模型的分割精度。并且發現同時加入EIM、EIPM 和ASPP 效果優于單獨添加EIM、EIPM，原因在于EIM 和EIPM 雖然可以恢復在下采樣中丟失的邊緣信息，但會造成噪聲，利用ASPP 對融合特征進行重采樣，可消除噪聲。EnDW、DeDW、EIM、EPIM 和多尺 度深度監督（MDS）組件兩兩組合進行實驗發現，添加MDS 組件前后，效果提升尤為顯著，其中前列腺分割預測結果的平均Dice得分提高了2%，這是因為模型分割損失加上EIM 的邊緣損失和EIPM 的區域損失構成模型的總損失，加快模型收斂速度。實驗結果證明了模型組件的有效性。

3.2 對比實驗

為了進一步驗證本文算法的分割性能，將本文AIM-U-Net 分別與經典的U-Net、Seg-Net（Badrinarayanan 等，2017）、Attention U-Net（Oktay 等，2018）、R2U-Net（Alom 等，2018）、R2AU_Net（Zuo 等，2021）和U-Net++（Zhou 等，2018）算法進行對比。

如表2 所示，表中實驗數據完全依賴于PROMISE12 數據集。與其他分割算法相比，可以看出R2U-Net 和R2AU_Net 在前列腺分割任務中表現不佳，Attention U-Net 和U-Net 表現出極為優秀的結果，這是因為前列腺分割任務區域目標具有不確定性，而R2AU_Net和R2U-Net側重于捕獲臨近切片之間的聯系，模型特性導致其不適用于前列腺分割這類隨機性分割任務。Attention U-Net 原用于胰腺分割任務，其圖像與MR 前列腺圖像相似，遷移到前列腺分割任務中展現出模型的泛化性。AIM-U-Net可準確識別出R2U-Net 未識別出的分割目標，并且比 Seg-Net 準確覆蓋更大的真實分割面積，從而達到更好的分割效果。

表2 在PROMISE12數據集上的對比實驗Table 2 Comparative experimental on the PROMISE12 dataset

表2 結果顯示，以Dice、Jac、recall、Acc 和HD95為評價指標，AIM-U-Net 實現了最好的評估指標。Dice 值達到了84.68%，比傳統U-Net 高8.87%。比Attention U-Net、R2U-Net、R2AU_Net 和Seg-Net 的Dice 值分別 提高了8.14%、15.59%、11.39% 和6.73%。HD95 值達到了5.54 mm，比R2AU_Net 和U-Net++分別降低了5.32 mm、12.04 mm?？梢?，本文提出的AIM-U-Net提高了前列腺分割精度。

各網絡分割結果進行可視化效果如圖6 所示。前2 列分別為網絡的輸入圖像及其對應的真實分割標簽，其他列則表示各網絡實際預測結果，網絡預測結果在各列下方。結果顯示，R2U-Net 和R2AU_Net 在分割不同切片時，與真實標簽差異較大。Seg-Net、Attention U-Net 和 U-Net++雖然非常接近真實分割標簽，但是分割邊界效果不佳。而本文提出的 AIM-U-Net 在視覺上更接近標簽圖像，可以較為準確地分割前列腺的邊界，達到更好的分割結果。實驗結果表明，AIM-U-Net 可以更準確地分割前列腺區域，在 MR 前列腺圖像分割的巨大潛力。

圖6 不同算法的分割結果圖對比Fig.6 Comparison of segmentation result graphs of different algorithms（（a）MR slices；（b）ground truth；（c）ours；（d）Attention U-Net；（e）R2AU_Net；（f）R2U-Net；（g）Seg-Net；（h）U-Net；（i）U-Net++）

4 結論

前列腺MR 圖像具有組織與器官對比度低、邊界模糊和噪聲大等特點，導致利用U-Net 分割網絡進行特征提取時容易丟失邊緣信息，造成分割準確率不高的問題。針對以上問題，本文提出了基于邊緣信息增強的前列腺 MR 圖像分割網絡AIM-UNet。首先，通過重新設計編碼器—解碼器結構，解決網絡過擬合的問題，并在解碼器結構中嵌入ECA注意力機制，優化解碼器特征，以放大并保存小尺度目標的信息。其次，設計邊緣信息模塊和邊緣信息金字塔模塊，融合低級局部信息和高級語義信息，獲得多尺度增強邊緣特征，以達到增強邊緣信息的目的。此外，利用ASPP模塊對得到的增強邊緣特征進行重采樣，消除特征噪聲。最后在PROMISE12數據集上進行訓練和測試，并與6種現有改進的U-Net網絡模型進行對比，驗證了模型的有效性，最終Dice值達到84.68%。實驗結果表明，所提網絡模型明顯優于其他U-Net 模型，分割精度更高，能更有效地輔助臨床診斷。

本文網絡參數雖然對比原始的U-Net 減少了2/3，計算速度大大提高，但是對于目前的臨床應用設備而言，計算所需的內存仍舊太大，模型的參數量還需進一步降低。此外，本文算法只針對一個數據集進行了性能評估，針對不同數據集的泛化能力仍需進一步驗證。

雖然該模型旨在解決二值分割問題，即從背景中提取前景，但該模型未來可以擴展到解決多類分割問題以及病變區域的分割研究，將對前列腺癌的臨床治療和預后分析提供數據支持。