席歡歡，賀 松，黃 旭，張 碩，張 慧

（1.貴州大學大數據與信息工程學院；2.貴州大學醫(yī)學院，貴州貴陽 550025）

0 引言

國家衛(wèi)生健康委員會發(fā)布的《2019 中國衛(wèi)生健康統(tǒng)計年鑒》數據顯示，2018 年中國各類衛(wèi)生醫(yī)療機構診療人次數為83.08 億人次，相比2009 年的54.88 億人次年均漲幅達4.72%（見圖1）。與此同時，作為疾病診斷及治療的重要技術手段，醫(yī)學影像數據總量增長迅猛，應用范圍越來越廣，從診前逐漸應用到診中、診后、康復、照護各個流程，其數據年增長量高達40%，單個大型醫(yī)療機構的年影像數據存儲量已經超過1PB。

中國醫(yī)師協會第十三次放射醫(yī)師年會發(fā)布數據，截至2016 年，全國放射科從業(yè)人數達到15.8 萬人，但其中放射科醫(yī)師只有約8 萬人，真正具有副主任醫(yī)師以上職稱的只有2 萬人。利用計算機技術相關算法（如深度學習）設計的人工智能輔助篩查設備或平臺可有效減少或改善醫(yī)師因疲勞造成的誤查和漏查，彌補各地影像醫(yī)師的不足。

中共十九大報告明確提出要“加快建設制造強國，加快發(fā)展先進制造業(yè)，推動互聯網、大數據、人工智能和實體經濟深度融合”。由此可見，人工智能已成為國家重要戰(zhàn)略。因此，推動和鼓勵我國人工智能在醫(yī)療、健康領域的應用，創(chuàng)新診療模式和手段，建立快速精準的智能醫(yī)療體系刻不容緩。人工智能在醫(yī)療行業(yè)多個環(huán)節(jié)如影像醫(yī)學識別、生物技術、輔助診斷、藥物研發(fā)、營養(yǎng)學等領域有重要應用，其中應用最為廣泛的是醫(yī)學影像識別。計算機軟、硬件和圖像處理等技術的飛速發(fā)展為醫(yī)學影像識別奠定了堅實的基礎。

Fig.1 Treatment number of medical and health institutions of 2009-2018圖1 2009-2018 年醫(yī)療衛(wèi)生機構診療人次數

1 腦腫瘤影像

目前的醫(yī)學影像技術有CT、B 超、X 光片、核磁共振成像（MRI）、多普勒彩超等，為醫(yī)生進行臨床診斷和治療提供重要支撐，在患者診療過程中有著舉足輕重的作用，是醫(yī)生判斷病變位置和是否治愈的重要依據。

目前已有一些智能閱片算法或機器，但大多數準確率難以滿足需求，存在各種各樣的問題。因此，用于精準定位以及分割腫瘤區(qū)域的算法是目前研究熱點。

Fig.2 Four models of brain tumor MRI images and expert’s segmentation result圖2 腦腫瘤患者MRI 的4 種模態(tài)及專家分割結果

腦腫瘤又稱顱內腫瘤，是中樞神經系統(tǒng)最常見的惡性腫瘤，世界上每10 萬人中就有7～10 人發(fā)病，而且腦腫瘤有著高致死率、難治愈等特點，一直以來都是臨床醫(yī)生的治療難點。因此，精準呈現腦腫瘤的病變位置以及更清晰的組織結構信息，可為疾病的診療提供更多支持。不同的成像技術相對于不同的病變位置及組織結構有著不同的優(yōu)勢。核磁共振成像（MRI）是一種非浸入式成像方法，能夠呈現腦腫瘤無損傷、無顱骨偽影的高質量影像，且MRI 成像有著非常好的軟組織分辨力；同時，通過調整磁場的相關參數可以得到不同方向的顱內影像。圖2（彩圖掃OSID碼可見，下同）是同一患者腦部4 種MRI 模態(tài)以及最終的專家分割結果［1］，4 種模態(tài)分別是T1、T2、T1C 和FLAIR。在腦腫瘤影像數據集中一般有5 類標簽，分別是正常組織（標簽1）、壞死（標簽2）、水腫（標簽3）、非增強（標簽4）和增強腫瘤（標簽5），其中的綠色、黃色、紅色區(qū)域分別表示全腫瘤（標簽1、2、3、4 組成）、腫瘤核心（標簽1、3、4 組成）、增強腫瘤（標簽4 組成）區(qū)域［2］。因此，選擇多模態(tài)MR 圖像，是腦腫瘤診斷、治療和手術引導的重要輔助手段。

常見的腦腫瘤MR 圖像分割方法主要分為兩大類：①傳統(tǒng)分割方法，常見的主要有閾值法、區(qū)域法和模型法3種；②利用深度學習相關算法，如卷積神經網絡（CNN）等。

醫(yī)學圖像計算和計算機輔助干預國際會議（MICCAI）從2012 年起組織相關的多模態(tài)腫瘤分割競賽，極大推動了腫瘤分割算法的發(fā)展。

2 傳統(tǒng)分割方法

2.1 基于閾值的分割

基于閾值的腦腫瘤MR 圖像分割算法，主要根據MR 圖像的灰度值與像素等描述特征，利用多次實驗所得閾值來分割腦組織以及其他腫瘤病變組織。如果利用單個閾值就可以將腫瘤組織與其他腦組織分離，稱為全局閾值；如果目標區(qū)域超過兩種以上的不同區(qū)域，就需要多個閾值逐步分離，稱之為局部閾值。因此，找到最優(yōu)的閾值是該類分割算法的難點。Kaur 等［3］提出一種混合多級閾值算法，將直覺模糊集和tsallis 熵相結合，用于從模糊邊界和對比度差的MR 圖像中自動描述腫瘤組織區(qū)域；Sandhya 等［4］提出在MR 圖像的多級分割中使用HSO（Harmony Search Optimization）概念，該算法使用Otsu 和Kapur 提出的目標函數指導候選解，從圖像直方圖內部適當的搜索空間中得到候選解，HSO 算子不斷演化候選解直到找到最佳閾值；Tarkhaneh 等［5］提出一種DE（Differential Evolution）解決方案，通過新的自適應方法和突變策略實現病變組織區(qū)域與其他組織的良好平衡，新的突變方法利用Mantegna Levy 和Cauchy 分布以及Cotes 螺旋來改進全局搜索，該算法能以合理的計算代價獲取閾值，最終實現腦腫瘤MR 圖像分割；Chandra 等［6］利用各向同性和各向異性濾波器的閾值并結合分水嶺算法進行腫瘤分割；Dawngliana 等［7］將混合多級閾值與水平集分割結合。

不管是全局閾值還是局部閾值，由于腦腫瘤MR 圖像的復雜性，都不能利用腦腫瘤MR 圖像的全部信息獲得理想的分割效果，魯棒性較差。因此，閾值分割常常作為其他分割的第一步或一部分。

2.2 基于區(qū)域的分割

基于區(qū)域的腦腫瘤MR 圖像分割算法，主要是通過預先定義的相似性準則，在相交區(qū)域合并鄰域像素或體素，將相應MR 圖像的腦組織圖像分割為不同的目標區(qū)域［8］。常見的灰度相似性檢測有：

Kolmogorov-Smimov 檢測：

Smoothed-Difference 檢測：

式中：l（z）表示兩個相鄰區(qū)域累計灰度直方圖，若兩個相鄰區(qū)域累計灰度直方圖的絕對值小于預設值，則將這兩個相鄰區(qū)域合并；反之，則分離。

最經典的基于區(qū)域的分割方法要數區(qū)域生長和分水嶺算法。區(qū)域生長是利用預先設定的種子點，將周邊區(qū)域與種子點具有相似屬性的像素強度、灰度級、紋理顏色等相鄰像素合并到此區(qū)域，種子點的選取以及生長準則對分割結果十分重要。Tsai 等［9］提出一種由自適應直方圖分析、形態(tài)運算和基于知識的規(guī)則序列組成的自動分割算法，可準確分割腦物質和腦脊液等不同區(qū)域，并檢測是否有異常區(qū)域；Vishnuvarthanan 等［10］提出一種可以有效檢測存在于不同區(qū)域MR 圖像中的腫瘤組織，該算法在使用粒子群優(yōu)化（MPSO）算法和模糊C 均值（FCM）算法進行初步分割后，使用區(qū)域生長算法完成最終腫瘤區(qū)域與其他腦組織區(qū)域的分割。相對于傳統(tǒng)的基于MPSO 和FCM 的區(qū)域生長算法，該算法有利于對比度增強的圖像分割；Deng 等［11］提出一種基于邊界平均梯度的倒數和類內平均方差的自適應區(qū)域增長分割算法，在MR 圖像的預處理階段，通過各向異性濾波算法對圖像進行濾波，達到去除噪聲，避免邊界模糊的目的；Zabir 等［12］將傳統(tǒng)區(qū)域增長方法得到的分割區(qū)域作為迭代距離正則化水平集演化方法的初始輪廓，消除了感興趣區(qū)域選擇步驟。

基于區(qū)域生長的腦腫瘤分割算法，不但考慮了圖像相鄰像素的相似性，還考慮了空間上的連接性，可有效克服閾值分割空間的不連續(xù)性，具有較強的魯棒性；但是該類算法對區(qū)域的邊緣定位準確性有很高要求，易受噪聲干擾，產生過分割、區(qū)域碎片或分割的結果邊緣不光滑等問題。

基于分水嶺的分割方法是一種基于拓撲理論的數學形態(tài)學分割算法，適用于梯度圖像。魯向等［13］在獲得目標物體的初始邊界后，根據分割結果與目標物體輪廓重合時圖像能量最小值理論來修改邊界；Li 等［14］為了分割具有精確對象邊界且沒有虛假邊界的圖像，利用置信度嵌入方法檢測到的邊緣信息，根據直方圖統(tǒng)計定義每個像素的閾值，獲得良好的標記圖像，并改進Meyer 方法來標記像素；Khan 等［15］提出一種基于標記的分水嶺分割和特征選擇的自動分割方法，步驟為腫瘤對比、腫瘤提取、多模型特征提取、特征選擇和分類，采用伽馬對比拉伸方法增強腫瘤的對比度，然后利用基于標記的分水嶺算法進一步提取形狀、紋理和點特征，通過卡方最大條件優(yōu)先特征法選擇排名前70%的特征，最后在使用支持向量機進行分類之前使用基于序列的拼接方法對選擇的特征進行融合，實驗證明該方法在多個數據集上有更高的精度和準確性。

基于分水嶺的分割算法對圖像的微弱邊緣具有良好響應，能夠保證得到封閉連續(xù)邊緣，這為分析圖像的區(qū)域特征提供了可能；但該類算法會因為圖像噪聲、細微的灰度變化等導致過分割或分割不充分的情況出現。

2.3 基于模型的分割

基于模型的分割方法分為基于活動輪廓模型（Active Contour Model，ACM）和基于主動輪廓模型方法?；谥鲃虞喞Ｐ偷姆指罘椒ㄓ蒘nake 模型［16］和水平集（Level set）算法［17］組成；2001 年，Chan 等［18］基于簡化的Mumford-Shah 模型，應用水平集思想，通過能量函數的最小化來演化曲線，提出Chan-Vese 模型，這是最經典的基于區(qū)域的活動輪廓模型。

基于活動輪廓模型的圖像分割算法基本思想是使初始曲線在一系列外部約束力和圖像內能量的相互作用下進行演化，直至滿足一定的收斂條件停止在圖像邊緣，實現圖像分割［19］。最初的基于模型的分割方法由于各種原因有著一定的局限性，而現有的基于模型的分割方法大都在此基礎上進行優(yōu)化和改進，并結合其他算法以達到更優(yōu)的分割效果。

許存祿等［20］提出一種基于Chan-Vese 模型的腦腫瘤圖像分割與三維重構方法，該方法首先通過對腦腫瘤MR圖像進行形態(tài)學迭代腐蝕操作來提取MR 圖像腫瘤組織輪廓，步驟如下：

（1）迭代腐蝕：

然后利用Chan-Vese 模型對病變組織進行分割，接下來通過迭代膨脹進行恢復操作。

（2）迭代膨脹：

上式中：i是迭代次數，K 是基本結構元素。

通過上面的步驟得到更好的分割效果，最后利用VTK對分割得到的區(qū)域進行三維重構與定位。

Ma 等［21］提出一種結合隨機森林和活動輪廓模型的分割方法，可從多模態(tài)MR 圖像中分割出神經膠質瘤。該方法采用特征表示學習策略，將不同級別的組織結構信息級聯鏈接到隨機森林中，最后利用稀疏表示技術使用優(yōu)化的多尺度剖面驅動輪廓模型來完善分割，其在計算效率方面效果很好。

蔣秋霖等［22］提出改進Chan-Vese 模型的水平集分割方法，該方法在保留Chan-Vese 模型處理模糊邊緣圖像優(yōu)點的基礎上加入了圖像梯度懲罰項：

式中：C()p為演化曲線函數；?u0為待處理圖像的灰度梯度；N為演化曲線的單位法向量。

該式的梯度下降流為：

因此，改進的Chan-Vese 模型的水平集演化方程式為：

完成上述步驟即能準確分割灰度不均勻的腦腫瘤多模態(tài)MR 圖像。

為克服醫(yī)學圖像灰度不均現象，根據其具有的局部灰度聚類特點，Li 等［23］引入偏移因子b 提出局部灰度聚類能量，定義能量泛函如下：

式中，z1,z2為均值，φ為水平集函數，K(·)為核函數。該模型在進行圖像分割的同時實現偏移場校正。

與此同時，陳紅等［24］為克服醫(yī)學圖像灰度不均現象，在能量泛函中引入灰度不均勻因子（LIC 模型），提出一種基于多個描述子局部熵、均值和局部熵的活動輪廓模型，該算法在較強噪聲下可獲得較高的分割精度。

基于模型的分割方法雖然一定程度上實現了半自動化分割并且取得了一定效果，但在某些特別的腦腫瘤MR圖像上分割效果仍不如人意，如CV 模型在分割光照、紋理以及灰度不均勻的MR 圖像時，得到的結果比想象要差，還有可能將正常區(qū)域劃分為病變組織區(qū)域。

3 基于深度學習的腦腫瘤分割方法

自2006 年深度學習概念首次被提出以來，深度學習算法成為眾多學科研究熱點，尤其是在交叉學科領域更是重中之重。1998 年，LeCun 等［25］提出LeNet 是真正的卷積神經網絡，也是卷積神經網絡的現代雛形，在目標檢測與識別、圖像分割、語音識別等領域受到廣泛關注。一些學者和研究機構將深度學習算法應用于醫(yī)學影像的識別與分割，實現對人體組織器官、病變區(qū)域的分割。

根據采用的基礎網絡架構不同，常見的基于深度學習腦腫瘤分割方法主要分為基于卷積神經網絡、基于全卷積神經網絡和基于生成對抗網絡3 種分割方法［26］。

3.1 深度學習在腦腫瘤分割中的應用

在基于深度學習的腦腫瘤分割方法中，最常見的要數基于卷積神經網絡的腦腫瘤分割。理論上，卷積神經網絡是一種特殊的多層感知器或前饋神經網絡，一個標準的卷積神經網絡主要由輸入層、卷積層、池化層、全連接層和輸出層構成。2012 年，Krizhevsky 等［27］采用修正線性單元作為激活函數提出了著名的AlexNet，在當年的ILSVRC 圖像分類和物體識別算法競賽中獲得冠軍。如圖3 所示，AlexNet 主要包含輸入層、5 個卷積層、3 個池化層、2 個全連接層和輸出層，表1 為AlexNet 網絡參數。

卷積神經網絡通常是在卷積層之后接上若干個全連接層，將卷積層產生的特征圖映射成一個固定的特征向量，其中以AlexNet 最為經典。Zhang 等［28］在獲取3D 卷積特征的同時，結合MR 圖像的鄰域灰度信息、鄰域內均值、Haar 小波低頻系數等特征構造算法分割的原始特征，并采用主成分分析方法對構造的特征集進行篩選，以達到降維和剔除冗余信息的目的。

Fig.3 Network structure of AlexNet圖3 AlexNet 網絡結構

Table 1 Structure parameters of AlexNet network表1 AlexNet 網絡結構參數

文獻［29］根據成像方式不同建立相應的CNN 模型來預測腫瘤概率，然后根據預測錯誤樣本點建立非線性映射，將這兩類圖像像素點的映射結果作為模糊推理系統(tǒng)輸入，從而預測該像素點是否屬于腫瘤區(qū)域，該算法流程分為訓練階段和預測階段。該算法在分割一整幅圖像時用時較短，在Sensitivity 指標上提高了12%，DSC 也提高了4%，分割效果有了顯著提升，如圖4 所示。

Fig.4 Algorithm flow圖4 算法流程

Sérgio 等［30］使用強歸一化作圖像預處理，搭建3×3 小卷積核的卷積神經網絡結構，以此降低過擬合現象影響，減少網絡權值數量；Ding 等［31］構建了一種將深度殘差網絡與膨脹卷積相結合的中期監(jiān)督深度殘差膨脹網絡（RDMNet），在不降低分辨率的情況下解決了梯度消失問題，增加了接受域。

全卷積神經網絡（FCN）實現對圖像像素級分類，從而解決語義級別的圖像分割問題。與卷積神經網絡不同的是，FCN 可以接受任意尺寸的輸入圖像，將CNN 的全連接層替換為卷積層從而達到像素處理級別。2017 年起逐漸有研究機構將FCN 網絡應用于腦腫瘤MR 圖像分割，Shen等［32］提出一種對稱驅動的全卷積神經網絡，將原始圖像和對應的對稱映射連接起來作為網絡輸入，進一步提高了網絡的分割性能，特別是對于完整的腫瘤區(qū)域。為了提高分割精度，Wang 等［33］將包含腫瘤組織信息的感興趣區(qū)域用光譜聚類方法進行分割，而不考慮整個圖像，并且使用圖像塊的集中趨勢值（CTV）生成超像素，將這些超像素點作為節(jié)點進行聚類來識別ROI（感興趣區(qū)域）。通過對超像素的分割得到腦腫瘤超像素，實現對圖像進行預分割，提取感興趣區(qū)域，縮小分割范圍；最后，選擇訓練好的VGGNet16 轉化為適合分割問題模型，最終實現分割。

在基于FCN 的腦腫瘤分割中常見的還有U-Net 網絡。U-Net 是由Ronneberger 等［34］提出的，主要用于生物醫(yī)療細胞分割領域，其整體流程是一個編碼（收縮路徑）和解碼（擴張路徑）過程，具有支持少量數據訓練模型、對每個像素點進行分類、獲得更高的準確率、分割速度快等優(yōu)點；Ahmed 等［35］將經過預處理的腦腫瘤MR 圖像進行語義分割，使不同區(qū)域得以分割并標注不同的顏色，在此基礎上提出一種基于3D 卷積塊的U-Net 網絡架構。在神經網絡中，激活函數對深度神經網絡的穩(wěn)定性、學習率和精度有很大影響，尤其是在處理梯度消失問題時。為了進一步提高深度網絡的分割精度和準確率，Salih 等［36］在U-Net 網絡架構基礎上對比了ELiSH、Swish、HardELiSH 等幾種激活函數，分割效果相對于ReLU 有了明顯改變。表2 為基于深度學習的腦腫瘤MR 圖像分割方法評估結果。

Table 2 Evaluation results of MR brain tumor segmention methods based on deep learning表2 基于深度學習的腦腫瘤MR 圖像分割方法評估結果

3.2 深度學習優(yōu)化策略

基于深度學習的腦腫瘤MR 圖像分割方法取得了很好的成績，基于深度學習的分割方法以經過大量數據訓練的模型為基礎，具有很好的魯棒性和適應能力，但其仍存在一些問題：①隨著網絡結構的加深，梯度消失、過擬合等現象層出不窮；②深度網絡對輸入圖像的特征表達能力會制約最終的分割效果，因此尋找更優(yōu)的特征表達方法也很重要；③現有的深度網絡非常依賴影像專家標注的數據進行訓練，導致前期耗費大量的人力和時間，因此尋找較少訓練樣本或半監(jiān)督網絡很有必要。

針對上述問題許多學者進行了相關研究，Salih 等［36］使用不同的激活函數降低梯度消失影像現象；Hu 等［37］提出多級上采樣網絡（MU-Net）可將編碼器獲得的低階特征圖與解碼器獲得的高階特征圖結合，以此學習橫向、矢狀面和冠狀面的圖像特征，從而提高分割精度。因此，在基于深度學習的腦腫瘤MR 圖像分割領域，對原本方法進行有效改進或優(yōu)化是研究熱點。

4 結語

基于閾值、區(qū)域、模型的傳統(tǒng)圖像分割方法在處理自然圖像上可以達到令人滿意的效果，但腦腫瘤MR 圖像不同于自然圖像，大多數腦腫瘤MR 圖像都具有分辨率低、噪聲點多、對比度低、邊界模糊以及灰度、光照、紋理不均勻等特點。因此，基于閾值、區(qū)域、模型的傳統(tǒng)分割方法在處理普通腦腫瘤MR 圖像時效果不錯，但對于某些復雜的圖像算法可能出現過分割問題。在醫(yī)療數據增長迅速情況下，普通分割算法效果、速度很難達到醫(yī)療工作者需求?；谏疃葘W習的腦腫瘤MR 圖像分割方法出現后，傳統(tǒng)的分割算法常常作為該方法的一部分，尤其是在數據預處理等方面，以此提高分割精度。

基于深度學習算法的腦腫瘤MR 圖像分割方法相對傳統(tǒng)分割方法而言有著一些無法替代的優(yōu)點，該方法主要是對大量數據集訓練提取特征，因為有豐富的數據集并考慮了不同MR 圖像之間的差別，因而可以達到更高的分割精度，并對多種不同腦腫瘤MR 圖像都能達到不錯的分割效果。

不論傳統(tǒng)的分割算法還是目前最熱門的基于深度學習的分割算法，或多或少都存在一些缺陷，相比而言，基于深度學習的分割方法效果更優(yōu)于傳統(tǒng)方法。基于深度學習的腦腫瘤MR 圖像分割方法因其在自動分割、效率、精度等方面都有著比傳統(tǒng)方法更好的表現，因此更具發(fā)展?jié)摿?，但相關研究要解決以下幾個問題：①大多數算法功能比較單一，只能應用于單種圖像或數據集，在其他方面難有出色效果；②現有的分割算法大都處于實驗階段，臨床應用較少；③大部分算法只注重分割效果，在處理速度上很難讓人滿意，并且對硬件條件要求很高。