張 釩 陸正大 李春迎 焦竹青 倪昕曄

由于人體各組織聲阻抗的差異性，不同組織反射的信息亦有不同，超聲能體現(xiàn)不同組織的聲信號(hào)，并顯示不同的亮度，從而形成層次分明的切面圖像［1］。相較于X 線、CT 等，超聲無(wú)電離輻射，且成像速度快，對(duì)軟組織及血流有較好的成像效果［2］。目前，圖像分割在醫(yī)學(xué)診斷中十分重要，能用于可視化分析、圖像引導(dǎo)放療和手術(shù)等［3］。但超聲圖像存在高散斑噪聲、低信噪比和強(qiáng)度不均等問(wèn)題，簡(jiǎn)單的圖像分割方法不能獲得理想的分割結(jié)果［4］。因此，自動(dòng)準(zhǔn)確地分割超聲圖像是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。目前，超聲圖像分割主要應(yīng)用于乳腺、肝臟、前列腺、婦科、甲狀腺等疾病診斷，以及頸動(dòng)脈超聲圖像分類(lèi)等領(lǐng)域。本文就超聲圖像分割的傳統(tǒng)方法、基于形變模型的分割方法及結(jié)合深度學(xué)習(xí)方法的研究進(jìn)展進(jìn)行綜述。

一、超聲圖像分割的傳統(tǒng)方法

傳統(tǒng)的超聲圖像分割方法主要是人為根據(jù)臨床經(jīng)驗(yàn)手動(dòng)分割，其精度不能滿足臨床需求。根據(jù)方法不同大致可以歸類(lèi)為基于邊緣檢測(cè)的方法和基于區(qū)域生長(zhǎng)的方法，前者根據(jù)圖像中感興趣區(qū)域與其相鄰區(qū)域不連續(xù)的性質(zhì)進(jìn)行分割；后者利用局部相似實(shí)現(xiàn)圖像分割。

（一）邊緣檢測(cè)法

邊緣檢測(cè)法是通過(guò)檢測(cè)相鄰像素特征值的突變性，提取圖像的所有邊緣，利用此類(lèi)算法提取特定區(qū)域的邊緣以有針對(duì)性地改進(jìn)算法本身，或?qū)μ崛〉倪吘増D像進(jìn)行一定的預(yù)處理。邊緣檢測(cè)法可分為閾值分割法、聚類(lèi)法及馬爾科夫隨機(jī)場(chǎng)等方法。閾值分割法是通過(guò)設(shè)定不同的特征閾值，將圖像像素點(diǎn)進(jìn)行分類(lèi)，計(jì)算簡(jiǎn)便且較為穩(wěn)定快速；聚類(lèi)法可分為k-means（k均值）聚類(lèi)法和分層聚類(lèi)法，k-means聚類(lèi)法是按照一定的方法度量樣本間的相似度，然后通過(guò)不斷的迭代來(lái)更新聚類(lèi)的中心，當(dāng)中心不再變動(dòng)時(shí)，說(shuō)明圖像分割完成；分層聚類(lèi)法是將每個(gè)像素各自分為一類(lèi)，通過(guò)迭代將最近的兩類(lèi)合并形成新的類(lèi)。Saranya 等［5］提出了常規(guī)k-means的3種變體，即正則化k-means、模糊k-means和正則化模糊k-means來(lái)分析和克服乳腺分割魯棒性低的問(wèn)題，準(zhǔn)確率達(dá)98%。Shao 等［6］采用基于最大類(lèi)間方差（Otsu）法和差分搜索算法的多級(jí)閾值分割法對(duì)模擬超聲圖像進(jìn)行分割，結(jié)果表明相較于傳統(tǒng)的區(qū)域增長(zhǎng)、活動(dòng)輪廓模型等方法，該算法的分割效果得到了最大的相似度和最小的面積誤差。Shao 等［7］基于隱馬爾科夫模型結(jié)合Otsu 法進(jìn)行圖像處理，采用改進(jìn)的矢量法進(jìn)行修復(fù)，提高了圖像的可識(shí)別性，建立了可靠的特征提取算法，以及綜合診斷模型，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該模型具有一定的臨床價(jià)值。

（二）區(qū)域生長(zhǎng)法

赫新雨等［8］提出了一種基于脊柱超聲邊緣生長(zhǎng)的邊緣提取方法，直接對(duì)圖像中特定區(qū)域邊緣附近像素點(diǎn)的灰度值與灰度閾值進(jìn)行逐點(diǎn)比較，并利用邊緣點(diǎn)的特點(diǎn)（平滑性和連續(xù)性等）進(jìn)行選擇與排除，與邊緣檢測(cè)法相比能較大程度地減少斑點(diǎn)噪聲對(duì)邊緣提取的影響。倪豪等［9］結(jié)合Otsu法先對(duì)超聲圖像做預(yù)分割，以此確定絕對(duì)背景區(qū)自動(dòng)設(shè)置種子的起始點(diǎn)，然后再通過(guò)區(qū)域生長(zhǎng)法將其從背景中分割，最后通過(guò)數(shù)字形態(tài)學(xué)降噪法進(jìn)一步提高缺陷的識(shí)別度，分割時(shí)間為1984 ms，在兼顧分割質(zhì)量的同時(shí)也能縮短時(shí)間。Fan等［10］結(jié)合迭代四叉樹(shù)分解（QTD）和病灶的灰度特征建立兩個(gè)約束條件來(lái)定位病灶內(nèi)的種子，再根據(jù)提取區(qū)域的最大變化率，采用漸進(jìn)均分算法對(duì)最優(yōu)閾值進(jìn)行無(wú)限逼近，對(duì)96 張病灶圖像分割的結(jié)果顯示，該方法能自動(dòng)找到病灶內(nèi)的種子，準(zhǔn)確率達(dá)92.27%，平均耗時(shí)為12.02 s。在圖像樣本較多的情況下，其分割效率高于人工分割。

由于超聲圖像灰度不均且邊緣不一定連續(xù)，存在一定的斑點(diǎn)噪聲及偽影，分割時(shí)可能會(huì)出現(xiàn)偽邊緣，無(wú)論是邊緣檢測(cè)法還是區(qū)域生長(zhǎng)法均存在分割準(zhǔn)確率不足的問(wèn)題，且區(qū)域生長(zhǎng)法的分割結(jié)果受種子點(diǎn)的影響較大。隨著各種輔助方法的結(jié)合，傳統(tǒng)分割方法大部分情況下可用于超聲診斷的參考，但因其算法本身的不足，分割時(shí)間往往較長(zhǎng)，不能對(duì)實(shí)時(shí)動(dòng)態(tài)的超聲圖像進(jìn)行高效分割，具有一定局限性。

二、基于形變模型的超聲圖像分割

為解決傳統(tǒng)分割方法算法的缺陷，將形變模型用于超聲圖像分割的方法已廣泛應(yīng)用。其中水平集模型是一種利用整幅圖像信息而非梯度信息來(lái)引導(dǎo)曲線進(jìn)行邊緣分割的方法，對(duì)邊緣信息較弱的圖像具有很好的分割效果。Chan 和Vese［11］提出的CV 模型是一種經(jīng)典的水平集模型，其是基于MumfordShah（MS）模型，通過(guò)假設(shè)區(qū)域內(nèi)圖像灰度均勻提出的一種基于全局信息的無(wú)邊緣主動(dòng)輪廓分割模型，該方法對(duì)灰度均勻圖像的分割效果較好。Li 等［12］提出了局部區(qū)域可控的擬合（RSF）模型，能實(shí)現(xiàn)對(duì)灰度不均勻圖像的分割。RSF 模型以局部信息為依據(jù)，因此初始輪廓對(duì)分割結(jié)果影響較大。為解決初始輪廓精度不高對(duì)灰度不均超聲圖像分割的問(wèn)題，邵蒙恩等［13］提出了一種結(jié)合全局信息和局部信息的CV-RSF 模型對(duì)甲狀腺結(jié)節(jié)進(jìn)行分割，可降低RSF 模型的敏感性，實(shí)現(xiàn)準(zhǔn)確分割。不同組圖像的分割結(jié)果與醫(yī)師手動(dòng)分割的重疊率分別為99.17%、99.58%、99.83%，均優(yōu)于RSF 模型的97.83%、99.23%、97.98%。但該分割方法對(duì)初始輪廓仍有一定依賴，為此，邵蒙恩等［14］在CV 模型中引入一個(gè)基于梯度的邊緣引導(dǎo)函數(shù)，根據(jù)面積變化自動(dòng)勾畫(huà)甲狀腺結(jié)節(jié)的粗分割輪廓，并解決手動(dòng)設(shè)置迭代次數(shù)的問(wèn)題，從而實(shí)現(xiàn)甲狀腺結(jié)節(jié)圖像有效、準(zhǔn)確、自動(dòng)分割，平均重疊率為0.9064±0.0355，且在迭代次數(shù)上也小于CV 模型和RSF模型。但該研究樣本量?jī)H30例，后續(xù)還需更多的數(shù)據(jù)驗(yàn)證其普遍性和準(zhǔn)確性。Bi 等［15］基于水平集模型引入局部瑞利分布擬合能量來(lái)處理超聲圖像的不均勻性，以實(shí)現(xiàn)對(duì)子宮圖像的分割，無(wú)論對(duì)模擬或真實(shí)圖像均有很好的分割精度，平均骰子相似系數(shù)（DSC）可達(dá)0.95±0.02。

此外，Kass等［16］提出的snake模型也是一種活動(dòng)輪廓模型，分割結(jié)果對(duì)初始輪廓較敏感，但對(duì)復(fù)雜多變的邊緣提取效果較差。因此，Ma 等［17］提出了基于局部相位改進(jìn)的snake 模型，在snake 框架中使用強(qiáng)度不變的局部相位特征來(lái)生成圖像能量，能對(duì)血管超聲圖像進(jìn)行分割，DSC 為0.933±0.013。與傳統(tǒng)的基于梯度的圖像能量不同，基于局部相位的圖像能量在所有邊緣上均相同，從而能實(shí)現(xiàn)準(zhǔn)確分割，但對(duì)一些邊緣泄露部位仍然無(wú)法處理。Mcinerney 和Terzopoulos［18］提出一種自適應(yīng)拓?fù)渲鲃?dòng)輪廓模型（T-snake），其能夠根據(jù)輪廓變化自適應(yīng)地改變拓?fù)浣Y(jié)構(gòu)，對(duì)初始輪廓的要求較低，對(duì)CT 和MRI 圖像分割效果較好，但對(duì)有斑點(diǎn)噪聲、邊界連續(xù)性差、灰度不均勻的超聲圖像分割結(jié)果還需進(jìn)一步驗(yàn)證。周春瑜和程顯毅［19］將自適應(yīng)濾波與改進(jìn)的T-snake模型相結(jié)合，能有效抑制斑點(diǎn)噪聲，有助于解決甲狀腺超聲圖像邊緣特征不明顯、灰度不均的問(wèn)題。

目前，基于形變模型分割方法的研究已取得一定進(jìn)展，分割質(zhì)量較佳，且分割時(shí)間較傳統(tǒng)方法有一定縮短，在超聲圖像分割中應(yīng)用比較多。但上述方法結(jié)合了先驗(yàn)形狀信息來(lái)針對(duì)圖像噪聲和偽影的魯棒分割，由于不同器官或組織的特異性，上述方法在某些情況下不能準(zhǔn)確描繪邊界，存在邊界模糊或缺失等問(wèn)題，今后應(yīng)針對(duì)如何實(shí)現(xiàn)高質(zhì)量、高效率的分割進(jìn)一步研究。

三、結(jié)合深度學(xué)習(xí)的超聲圖像分割

深度學(xué)習(xí)是在超聲圖像分割中非常實(shí)用的方法，與傳統(tǒng)的具有手工特征的機(jī)器學(xué)習(xí)方法相比，深層神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是能夠生成由豐富語(yǔ)義和細(xì)微信息組成的多層次特征。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）、全卷積網(wǎng)絡(luò)（FCN）及對(duì)稱分割網(wǎng)絡(luò)（U-Net）在醫(yī)學(xué)圖像分割中的效果突出。CNN通過(guò)對(duì)下采樣的低維特征圖進(jìn)行特征提取，再經(jīng)上采樣將其特征映射到高維空間，以此輸出分割掩模；FCN將CNN中的全連接層改為卷積層，并在上采樣加入反卷積以恢復(fù)圖像，最后輸出分割掩模；U-Net則是在下采樣過(guò)程中加入了多次卷積，再在上采樣中與對(duì)應(yīng)的下采樣層建立連接層進(jìn)行特征融合，最后輸出分割掩模。目前主流的深度學(xué)習(xí)超聲分割方法多基于此3 種網(wǎng)絡(luò)進(jìn)行優(yōu)化和改進(jìn)，深度學(xué)習(xí)的超聲分割在乳腺、前列腺、甲狀腺、頸動(dòng)脈超聲診斷中已有廣泛研究，但由于不同組織間超聲成像的差異，對(duì)不同部位超聲圖像的分割往往需要對(duì)網(wǎng)絡(luò)做出相應(yīng)的調(diào)整和優(yōu)化。

（一）乳腺超聲圖像分割

乳腺中有大量的脂肪組織，對(duì)比度低，陰影較多，故病灶邊界較模糊，易出現(xiàn)過(guò)分割現(xiàn)象。Xu 等［20］使用CNN 在三維超聲圖像上將乳腺超聲圖像分割成皮膚、纖維腺組織、腫塊和脂肪組織4個(gè)部分，使用3個(gè)正交面提取圖像塊，加入了基于距離的評(píng)估指標(biāo)修正豪斯多夫距離，較單一平面效果更好，僅在小部分邊緣脂肪組織上出現(xiàn)過(guò)分割現(xiàn)象，準(zhǔn)確率和回歸率均達(dá)80%以上，可作為乳腺腫瘤評(píng)估的參考依據(jù)。Hu 等［21］將擴(kuò)展的FCN 與基于相位的活動(dòng)輪廓模型相結(jié)合，進(jìn)一步提高了分割結(jié)果，DSC 為88.971±0.010。Fang 等［22］設(shè)計(jì)了基于FCN 和主動(dòng)輪廓模型的超聲圖像二維乳腺腫瘤自動(dòng)分割方法，將基于FCN 的M-Net 結(jié)合基于相位的活動(dòng)輪廓模型進(jìn)行乳腺腫瘤二維超聲圖像自動(dòng)分割，加快了訓(xùn)練過(guò)程，性能優(yōu)于U-Net 和V-Net 分割，其DSC 為0.9689，豪斯多夫距離為6.96 個(gè)像素點(diǎn)。之后，Lee 等［23］提出了一個(gè)多尺度網(wǎng)格平均池化的通道注意模塊，用于超聲圖像中乳腺癌區(qū)域的精確分割，該模塊的加入使網(wǎng)絡(luò)能同時(shí)使用全局和局部空間信息進(jìn)行精確分割。由于CNN 中的卷積運(yùn)算往往聚焦于局部區(qū)域，導(dǎo)致目標(biāo)部位病灶分割精度下降，Xue 等［24］開(kāi)發(fā)了一種帶有全局引導(dǎo)塊和乳腺病灶邊界檢測(cè)模塊的深度CNN，用于增強(qiáng)乳腺超聲病灶分割，能有效提高分割結(jié)果的邊界質(zhì)量，DSC為0.821±0.011，準(zhǔn)確率為（96.9±0.5）%。

（二）前列腺超聲圖像分割

前列腺超聲圖像自動(dòng)分割對(duì)于超聲引導(dǎo)的前列腺干預(yù)和治療計(jì)劃至關(guān)重要。但因經(jīng)直腸超聲中前列腺邊界缺失或模糊、回聲強(qiáng)度分布不均勻，以及前列腺病灶形態(tài)的不確定性，自動(dòng)分割仍具有挑戰(zhàn)性。Lei 等［25］提出基于多方向深度監(jiān)督V-Net 的前列腺超聲圖像分割，DSC 達(dá)0.92±0.03，V-Net 各階段引入了三維監(jiān)督機(jī)制，解決了在訓(xùn)練數(shù)據(jù)有限時(shí)深度網(wǎng)絡(luò)訓(xùn)練優(yōu)化困難的問(wèn)題，可能成為前列腺癌診斷和治療的有效工具。Karimi 等［26］提出兩種策略來(lái)提高困難圖像的分割精度：一是采用自適應(yīng)采樣策略對(duì)CNN進(jìn)行訓(xùn)練，鼓勵(lì)訓(xùn)練過(guò)程中更多地關(guān)注圖像中難以分割的部分；二是訓(xùn)練一個(gè)CNN 模型集成，利用集成之間的差異性來(lái)識(shí)別不確定的分割圖，降低出現(xiàn)誤分割的可能性，DSC 達(dá)0.939±0.035，豪斯多夫距離為（2.7±2.3）mm。Wang 等［27］利用CNN 不同層次編碼的互補(bǔ)信息，開(kāi)發(fā)了一種新型三維深度神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)配備了注意模塊，能使用不同層的多層次特征，并細(xì)化每一個(gè)體層的特征，在CNN 的淺層抑制非前列腺噪聲，并在深層特征中增加更多的前列腺細(xì)節(jié)，提高了分割的準(zhǔn)確性。

（三）甲狀腺超聲圖像分割

甲狀腺超聲圖像存在強(qiáng)度不一的斑點(diǎn)噪聲，且周邊組織復(fù)雜，有時(shí)會(huì)出現(xiàn)多個(gè)結(jié)節(jié)，難以準(zhǔn)確定性診斷，因此對(duì)自動(dòng)分割的精度要求較高。Buda 等［28］對(duì)比使用基于卡尺生成近似結(jié)節(jié)掩模和手工標(biāo)注與卡尺自動(dòng)導(dǎo)引相結(jié)合的分割方法，發(fā)現(xiàn)加入卡尺自動(dòng)引導(dǎo)后的分割性能更好，DSC 從0.851 提升到0.904。Yang 等［29］提出了一種基于先驗(yàn)水平集與深度CNN 相結(jié)合的甲狀腺濾泡腫瘤分割分類(lèi)方法，采用Res-U-net 框架和基于先驗(yàn)的水平集方法進(jìn)行增強(qiáng)互補(bǔ)，獲得了更準(zhǔn)確的分割結(jié)果。Webb等［30］使用基于遞歸FCN的深度學(xué)習(xí)語(yǔ)義分割甲狀腺及其內(nèi)部囊腫和結(jié)節(jié)，有效提高了甲狀腺特征的分割效果，但由于數(shù)據(jù)集較少等原因，對(duì)甲狀腺內(nèi)部囊腫和結(jié)節(jié)的分割結(jié)果僅可用于輔助參考。

（四）頸動(dòng)脈超聲圖像分割

頸動(dòng)脈斑塊的定量研究對(duì)評(píng)估和監(jiān)測(cè)頸動(dòng)脈粥樣硬化的進(jìn)展具有重要意義，自動(dòng)分割技術(shù)有助于更清晰地監(jiān)測(cè)病灶。Zhou 等［31］提出了一種基于深度學(xué)習(xí)的頸動(dòng)脈三維超聲圖像中中外膜和內(nèi)腔內(nèi)膜的半自動(dòng)分割方法，將分割問(wèn)題轉(zhuǎn)化為像素分類(lèi)問(wèn)題，能更高效地進(jìn)行分割，DSC 為0.9284±0.0446。蔡夢(mèng)媛等［32］基于二維超聲提出一種深度學(xué)習(xí)的頸動(dòng)脈斑塊自動(dòng)分割方法，改進(jìn)了U-Net 網(wǎng)絡(luò)結(jié)構(gòu)，并融合了殘差網(wǎng)絡(luò)和PReLU激活函數(shù)，對(duì)頸動(dòng)脈斑塊分割的效率和精度有一定提高，DSC為0.8945±0.0345，但在其訓(xùn)練和驗(yàn)證過(guò)程中缺乏足夠的數(shù)據(jù)集，存在一定局限性。Jain 等［33］使用單個(gè)深度學(xué)習(xí)和混合深度學(xué)習(xí)模型實(shí)現(xiàn)了頸內(nèi)動(dòng)脈斑塊的自動(dòng)分割，DSC 為0.900，在分割精度和速度方面均有很好的性能。

（五）難點(diǎn)及解決措施

深度學(xué)習(xí)算法一般需要大量的訓(xùn)練數(shù)據(jù)集，但在超聲圖像中準(zhǔn)備大量的標(biāo)記數(shù)據(jù)集非常困難。為解決這一問(wèn)題，Behboodi 和Rivaz［34］提出模擬超聲圖像訓(xùn)練U-Net 深度學(xué)習(xí)分割架構(gòu)，并測(cè)試超聲設(shè)備收集的組織模擬影像數(shù)據(jù)，闡述了模擬數(shù)據(jù)上的訓(xùn)練體系結(jié)構(gòu)轉(zhuǎn)換為真實(shí)數(shù)據(jù)的可行性，但仍需通過(guò)真實(shí)試驗(yàn)來(lái)驗(yàn)證并完善?？傊谏疃葘W(xué)習(xí)的超聲分割具有分割速度快、質(zhì)量高等優(yōu)點(diǎn)，但其所需的樣本標(biāo)簽有一定的獲取難度，在無(wú)足夠數(shù)據(jù)的情況下分割效果可能與傳統(tǒng)方法相近。另外，由于不同組織超聲成像的差異性，不同部位的分割網(wǎng)絡(luò)往往不能通用。

四、總結(jié)與展望

超聲圖像因其成像原理等問(wèn)題分割困難，但其具有無(wú)創(chuàng)、價(jià)格低等優(yōu)勢(shì)，在臨床診斷及放療靶區(qū)勾畫(huà)等方面仍有重要作用。閾值分割法、區(qū)域生長(zhǎng)法等傳統(tǒng)方法原理簡(jiǎn)單，處理單幀清晰的超聲圖像時(shí)分割效果較好，但分割速度慢且區(qū)域生長(zhǎng)法的分割質(zhì)量還受種子點(diǎn)影響；活動(dòng)輪廓模型收斂速度較快且穩(wěn)定性好，但其分割結(jié)果依賴于初始輪廓，不能實(shí)現(xiàn)自動(dòng)分割；基于深度學(xué)習(xí)的方法是目前超聲圖像分割領(lǐng)域的研究熱門(mén)，其分割質(zhì)量高、速度快，但訓(xùn)練過(guò)程需大量標(biāo)簽數(shù)據(jù)，廣泛應(yīng)用具有局限，且不同組織的圖像往往需要重新訓(xùn)練或使用其他網(wǎng)絡(luò)。

總之，圖像分割的研究對(duì)提高后期醫(yī)學(xué)圖像分析具有積極意義，為提高超聲圖像分割的質(zhì)量，可以將深度學(xué)習(xí)算法與傳統(tǒng)分割方法結(jié)合，以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)來(lái)提高分割質(zhì)量，同時(shí)使用數(shù)據(jù)增強(qiáng)等方法來(lái)擴(kuò)充數(shù)據(jù)集。此外，無(wú)監(jiān)督網(wǎng)絡(luò)也可用于超聲圖像分割，以解決數(shù)據(jù)稀少和推廣性不高的問(wèn)題。總之，雖然目前超聲圖像分割方法均有一定局限，但隨著傳統(tǒng)方法的不斷改進(jìn)和深度學(xué)習(xí)算法的廣泛應(yīng)用，其具有良好的應(yīng)用前景。