李光輝 戴夢瑩 胡 艷 張 劍 呂發(fā)金 ，2*

（1.重慶醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院超聲醫(yī)學(xué)工程國家重點實驗室，重慶 400016；2.重慶醫(yī)科大學(xué)附屬第一醫(yī)院放射科，重慶 400016）

0 引言

子宮肌瘤是良性腫瘤，常見于育齡婦女中，發(fā)病率高達(dá)25%。 傳統(tǒng)的治療子宮肌瘤的手段以手術(shù)切除為主，但手術(shù)切除的侵入性和創(chuàng)傷性較大。 高強(qiáng)度聚焦超聲（HIFU）是一種治療子宮肌瘤的新型微無創(chuàng)的手術(shù)方法，目前已廣泛應(yīng)用于子宮肌瘤的治療中。當(dāng)前，在HIFU 治療中磁共振圖像（magnetic resonance imaging，MRI）和超聲圖像（ultrasound images，US）是診斷子宮肌瘤的主要方法。 子宮肌瘤的分割有利于術(shù)前方案的制訂、 術(shù)中導(dǎo)航和術(shù)后療效的評估， 它是HIFU 治療的必要步驟。 由醫(yī)生進(jìn)行手動分割是一項耗時、煩瑣的任務(wù)，而且具有主觀性。 因此，一種能夠?qū)ψ訉m肌瘤進(jìn)行準(zhǔn)確的自動分割方法至關(guān)重要。

如圖1 所示，MR 圖像中子宮肌瘤與其他組織之間的對比度較低，因此很難區(qū)分它們之間的界限。 第一列的超聲圖像中的子宮肌瘤邊界不清、自身噪聲大以及偽影嚴(yán)重。 而且，不同患者中子宮肌瘤的數(shù)目及其形狀大小未知。 這些都給子宮肌瘤的分割任務(wù)帶來了巨大的挑戰(zhàn)。

圖1 第一列是患者的原始的MR 圖像

與人工分割相比， 早期提出的傳統(tǒng)分割方法，例如基于主動輪廓模型的方法、基于區(qū)域的方法、基于模糊C 均值的方法等，對人的依賴性相對較小，但依然會依賴人工制作的特征，而且特征表示能力有限。 最近，深度學(xué)習(xí)方法已廣泛應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域，它使得人們不再需要單獨對特征進(jìn)行選擇與變換，而是將原始數(shù)據(jù)輸入到模型中，通過端到端的方法學(xué)習(xí)特征，節(jié)省了更多的工作和時間。 并且通過不斷地調(diào)整參數(shù)來實現(xiàn)分割任務(wù)，往往要比傳統(tǒng)的分割方法表現(xiàn)出更好的性能。 本文接下來的部分首先介紹基于傳統(tǒng)方法的子宮肌瘤圖像分割方法；其次將介紹基于深度學(xué)習(xí)的子宮肌瘤圖像分割方法；最后對子宮肌瘤分割方法進(jìn)行了總結(jié)并對未來的發(fā)展趨勢進(jìn)行展望。

1 基于傳統(tǒng)方法的子宮肌瘤圖像分割方法

1.1 基于主動輪廓模型的方法

基于主動輪廓模型的圖像分割方法是目前流行的圖像分割算法，主要思想是將圖像數(shù)據(jù)、初始輪廓選取、目標(biāo)特征及運動的約束都集中在一個變分框架下，將尋找目標(biāo)邊界的問題轉(zhuǎn)化為求解能量泛函數(shù)最小化的問題?？梢苑殖蓞?shù)化主動輪廓方法：Snake 和幾何主動輪廓方法：水平集方法（level set）。

Ben-Zadok 等人探討了磁共振（MR）圖像引導(dǎo)治療子宮肌瘤的研究。 他們基于水平集的方法提出了一個互動的水平集分割框架，首先使用水平集算法在治療之前對子宮肌瘤MR 圖像進(jìn)行自動分割。 然后用戶根據(jù)初始分割的結(jié)果選擇種子點，并將用戶的反饋整合到后續(xù)分割過程來細(xì)化分割結(jié)果。Yao J 等人基于快速行進(jìn)水平集和拉普拉斯水平集的級聯(lián)的方法在MR 圖像上分割子宮肌瘤。 首先應(yīng)用遞歸高斯濾波器來降低噪聲， 以及使用Sigmoid 函數(shù)重新映射梯度值，以增加邊界附近的動態(tài)范圍。 隨后使用快速行進(jìn)水平集來獲得粗略的分割，并且使用曲率各向異性擴(kuò)散濾波器平滑圖像以保留邊緣。 最后，通過拉普拉斯水平集從快速行進(jìn)水平集的結(jié)果中搜索局部最小值來細(xì)化分割。

Ni B 等人探討了超聲圖像引導(dǎo)HIFU 治療子宮肌瘤的研究。 他們針對超聲圖像中嚴(yán)重的強(qiáng)度不均勻性和模糊邊界，提出了一種新的基于主動輪廓的圖像分割方法。 利用圖像序列中目標(biāo)形狀的相關(guān)信息作為先驗知識來輔助現(xiàn)有的主動輪廓分割方法。 合成子宮肌瘤和臨床子宮肌瘤超聲圖像序列的實驗結(jié)果表明，相較于傳統(tǒng)的主動輪廓模型，該方法提高了對缺失或誤導(dǎo)邊界的魯棒性。同樣，Liao X 等人提出了一種新穎的自適應(yīng)局部區(qū)域和基于邊緣的主動輪廓模型去分割超聲圖像中的子宮肌瘤。 首先為基于局部區(qū)域的模型定義了自適應(yīng)局部半徑，并將其與基于邊緣的模型相結(jié)合，以準(zhǔn)確高效地捕獲圖像的異構(gòu)特征和邊緣特征。 然后，它們結(jié)合形狀約束以減少邊界泄漏或過度收縮，以獲得更準(zhǔn)確的分割。

1.2 基于區(qū)域生長的方法

基于區(qū)域生長的方法是首先設(shè)定一個種子點，然后通過預(yù)先定義的相似度規(guī)則對相鄰區(qū)域的像素進(jìn)行融合， 從而不斷的生成新的區(qū)域以便分割整個圖像。 這種方法對噪聲和對比度不均勻的像素區(qū)域特別敏感，容易出現(xiàn)空洞或者過度分割的現(xiàn)象。 因此，在實際應(yīng)用中經(jīng)常和其他的方法結(jié)合使用。

Militello 等人等人探討了磁共振引導(dǎo)聚焦超聲（MRgFUS）治療子宮肌瘤的研究。 他們基于區(qū)域生長提出了一種半自動分割方法。 首先使用平均濾波器對MR 圖像進(jìn)行去噪處理， 隨后利用區(qū)域生長方法對消融后的肌瘤區(qū)域進(jìn)行分割。 并且將分割出來的肌瘤區(qū)域的體積用于對MRgFUS 治療的初步評估。 作為MRgFUS 治療評估的步驟， 所取得的實驗結(jié)果改進(jìn)了基于手動分割子宮肌瘤的方法。 區(qū)域生長適用于單個區(qū)域分割，并且必須為每個肌瘤區(qū)域選擇種子。 因此不完全可靠且不足以在具有多個肌瘤的病理情況下準(zhǔn)確的檢測出肌瘤。 為了解決多個肌瘤分割，Rundo等人提出了基于區(qū)域生長的新方法以在治療后評估肌瘤內(nèi)的非灌注體積（NPV）。第一階段應(yīng)用拆分和合并的算法進(jìn)行多個種子區(qū)域選擇和檢測。 第二階段通過自適應(yīng)區(qū)域生長分割子宮肌瘤。 在同一MR 圖像中可以分割具有不同像素強(qiáng)度的多個肌瘤。

1.3 基于模糊C 均值的方法

基于模糊C 均值（FCM）的方法是一種聚類的方法，主要思想是按照距離將樣本聚成不同的簇，簇中各點距簇類中心距離越近，相似度就越大，以得到緊湊且獨立的簇作為聚類目標(biāo)。 FCM 算法實現(xiàn)簡單，不過算法收斂速度取決于聚類中心的設(shè)定，當(dāng)選擇不當(dāng)時容易陷入局部最優(yōu)解。

Fallahi 等人首次提出基于模糊C 均值的方法在T1W 磁共振增強(qiáng)圖像中分割子宮肌瘤。 首先使用模糊C 均值方法對子宮肌瘤進(jìn)行初步分割。 其次應(yīng)用形態(tài)學(xué)操作來細(xì)化初始分割。 最后，利用MIPAV 軟件包將T1 圖像配準(zhǔn)到增強(qiáng)的T1 圖像上，并使用閾值法去除冗余部分。 在此方面，Militello 等人提出了一種基于無監(jiān)督模糊C 均值聚類和迭代最優(yōu)閾值選擇算法的子宮和肌瘤分割的新型全自動方法。 第一階段應(yīng)用模糊C 均值聚類分割子宮區(qū)域（ROI），在聚類之后使用一系列形態(tài)學(xué)操作應(yīng)用于二值圖像細(xì)化ROI 分割結(jié)果。第二階段從分割的ROI 中使用自適應(yīng)閾值來識別區(qū)域的灰度特征進(jìn)而分割子宮肌瘤。

2 基于深度學(xué)習(xí)的子宮肌瘤圖像分割方法

相較于傳統(tǒng)算法，深度學(xué)習(xí)算法不需要人工標(biāo)記特征，節(jié)省了更多的工作和時間。 并且，傳統(tǒng)圖像分割方法大多利用圖像的灰度、 紋理及形狀等表層信息，不適用于需要大量語義信息的分割任務(wù)。 近年來，深度學(xué)習(xí)算法廣泛地應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域，其中基于 卷 積 神 經(jīng) 網(wǎng) 絡(luò) （convolutional neural networks，CNNs）的方法應(yīng)用最為廣泛。 全卷積神經(jīng)網(wǎng)絡(luò)（FCN）是CNN 的變體， 它允許網(wǎng)絡(luò)為整個圖像提取感興趣結(jié)構(gòu)的前景區(qū)域，以完成像素級的分割任務(wù)。 在2015年，Ronneberger 等人提出了結(jié)構(gòu)對稱的U 型全卷積神經(jīng)網(wǎng)絡(luò)（Unet），它通過反卷積可以逐步將特征圖上采樣到原始輸入圖像的大小。 并且在編碼器和解碼器之間引入了跳躍連接，這樣可以很好地結(jié)合低分辨率的空間信息和高分辨率的語義信息。Unet 最早應(yīng)用在生物細(xì)胞結(jié)構(gòu)的分割上，以良好的分割準(zhǔn)確率和較低的計算成本取得了巨大的成功。

在深度學(xué)習(xí)方法應(yīng)用在MR 圖像中的子宮肌瘤分割方面， Kurata 等人最早嘗試使用Unet 自動分割MR 圖像的子宮。 他們納入122 例女性患者（14 例子宮內(nèi)膜癌，15 例子宮宮頸癌和55 例子宮平滑肌瘤），得到的所有患者的平均DSC 為0.82。結(jié)論證明了改良的Unet 全自動子宮切斷術(shù)在臨床上是可行的，并且模型分割性能不受子宮病變的影響。 同樣，TANG Chun-ming 等人提出了一種新型的分割網(wǎng)絡(luò)AR-Unet （Attention ResNet101-Unet） 自動分割MRI T2W 圖像的子宮肌瘤， 該網(wǎng)絡(luò)以深層神經(jīng)網(wǎng)絡(luò)ResNet101 為特征提取前端，結(jié)合了Unet 的設(shè)計思想構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)。 并且在上采樣和下采樣特征圖連接之前引入了注意力模塊，讓網(wǎng)絡(luò)提取的特征更具有針對性。 他檢測了13 例患者共123 例子宮肌瘤的MRI T2W 圖像。 得到的DSC=90.44%、IOU=84.43%、SE=88.55%、SP=94.56%。為了避免在治療中對脊髓造成任何傷害，脊柱的分割也很重要。 Chen Zhang 等人在HIFU 手術(shù)術(shù)前使用全卷積網(wǎng)絡(luò)（HIFUNet）對MR 影像的子宮、子宮肌瘤和脊柱進(jìn)行多類分割。 他們使用大型內(nèi)核通過擴(kuò)大有效接受域來捕獲多空間尺度上下文。 此外，還采用了一個深層多原子卷積模塊來擴(kuò)大感受并提取更密集的特征圖。 研究納入了來自297例患者的矢狀方向的術(shù)前脂肪抑制T2 加權(quán)MR 圖像。 測試的結(jié)果為DSC=86.58%、IOU=88.17%、SE=88.45%、SP=99.52%。 并且將HIFUNet 的性能與當(dāng)前六種最新的分割網(wǎng)絡(luò)（U-Net、HRNet 等）進(jìn)行了比較，研究結(jié)果表明HIFUNet 的準(zhǔn)確性和魯棒性相對于其他分割網(wǎng)絡(luò)有顯著的改善。 張僑丹把基于深度學(xué)習(xí)的子宮腺肌瘤超聲圖像分割算法引入HIFU 消融技術(shù)的療效評估中。分別使用Deeplab 模型，通過空洞卷積算法和全連接CRF 來優(yōu)化病灶邊緣細(xì)節(jié)信息，并對比兩種語義分割網(wǎng)絡(luò)得到最優(yōu)的結(jié)果。 以及使用Mask RCNN 實例分割模型，通過ResNet 結(jié)構(gòu)來有效提取特征，結(jié)合RPN 網(wǎng)絡(luò)實現(xiàn)特征的有效利用并融合，并不斷對網(wǎng)絡(luò)訓(xùn)練進(jìn)行優(yōu)化，實現(xiàn)了對病灶區(qū)域的精細(xì)化分割， 納入了200 多名子宮腺肌瘤患者的近1 600 張超聲影像。 證明了兩種分割模型在醫(yī)學(xué)超聲圖像方面的精準(zhǔn)度與可行性。

3 結(jié)語

本文總結(jié)了包括傳統(tǒng)方法和深度學(xué)習(xí)方法在子宮肌瘤分割領(lǐng)域的研究現(xiàn)狀。 從中可以看出兩種方法的優(yōu)點和不足： 傳統(tǒng)的方法相對于手動分割來說，提高了分割效率，但大多數(shù)依然離不開人工的干預(yù)。 深度學(xué)習(xí)方法實現(xiàn)了自動分割，同時提高了模型的分割性能。 由于目前應(yīng)用在子宮肌瘤分割中深度學(xué)習(xí)模型使用的都是2D 卷積，3D 卷積相比于2D 卷積增加了一個深度維度，3D 卷積可以充分地利用了圖像的三維信息，從而改進(jìn)模型的分割性能。但3D 卷積對設(shè)備性能的要求過高，隨著計算機(jī)硬件的發(fā)展，將3D 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于子宮肌瘤分割也是一個很值得研究的方向。 由于不同研究納入的數(shù)據(jù)樣本量較小而且來源不同，限制了在臨床上的應(yīng)用范圍，因此在未來建立統(tǒng)一標(biāo)準(zhǔn)的大型數(shù)據(jù)庫是一個很值得研究的方向。