醫(yī)學(xué)圖像分割方法綜述

◆任楚嵐 王寧 張陽(yáng)

醫(yī)學(xué)圖像分割方法綜述

◆任楚嵐1王寧1張陽(yáng)2

（1.沈陽(yáng)化工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 遼寧 110142；2.遼寧中醫(yī)藥大學(xué)附屬醫(yī)院 遼寧 110032 ）

醫(yī)學(xué)圖像分割是一項(xiàng)極具挑戰(zhàn)性的任務(wù)，也是醫(yī)學(xué)領(lǐng)域與計(jì)算機(jī)視覺(jué)領(lǐng)域的完美結(jié)合。本文通過(guò)對(duì)醫(yī)學(xué)圖像分割領(lǐng)域現(xiàn)狀的了解和學(xué)習(xí)，對(duì)其進(jìn)行了系統(tǒng)性梳理，首先介紹了閾值法、區(qū)域法、邊緣檢測(cè)法、聚類法這4種傳統(tǒng)的醫(yī)學(xué)圖像分割方法，然后介紹了基于深度學(xué)習(xí)的自動(dòng)分割方法，最后對(duì)醫(yī)學(xué)圖像分割的發(fā)展趨勢(shì)做出展望。

醫(yī)學(xué)圖像分割；傳統(tǒng)分割方法；深度學(xué)習(xí)

醫(yī)學(xué)圖像分割的目的是將醫(yī)學(xué)圖像中具有特殊含義的部分單獨(dú)分割出來(lái)。在醫(yī)學(xué)領(lǐng)域中，醫(yī)生主要靠醫(yī)學(xué)影片圖像和主觀判斷來(lái)診斷疾病，醫(yī)學(xué)圖像分割是醫(yī)學(xué)三維重建和定量分析中的關(guān)鍵步驟，更是病灶區(qū)量化、選擇治療手段和放射治療的重要技術(shù)前提[1-2]，分割結(jié)果的準(zhǔn)確性直接影響后續(xù)治療效果。目前，醫(yī)學(xué)圖像分割主要有以下難點(diǎn)：醫(yī)學(xué)組織影像結(jié)構(gòu)復(fù)雜，有多種成像模態(tài)，PET、MRI、CT和超聲等[3]，根據(jù)不同的成像方法和成像部位要選擇不同的分割方法。另外一點(diǎn)是，醫(yī)學(xué)圖像同自然圖像不同，具有較高的復(fù)雜性，由于圖像的像素單一，所以在病變部位的界線、形狀等信息也比較模糊，醫(yī)學(xué)圖像的準(zhǔn)確分割仍是一項(xiàng)難題。

1 基于傳統(tǒng)方法的醫(yī)學(xué)圖像分割

1.1 閾值法

閾值法具有計(jì)算量小、實(shí)現(xiàn)簡(jiǎn)單、穩(wěn)定性較好等優(yōu)點(diǎn)，成為醫(yī)學(xué)圖像分割領(lǐng)域中運(yùn)用最廣泛的分割技術(shù)。其基本原理是通過(guò)設(shè)定閾值的不同，把像素點(diǎn)分為不同灰度級(jí)的背景區(qū)和目標(biāo)區(qū)，所以它更適用于背景和目標(biāo)灰度相差較大的圖像。如果圖像只有目標(biāo)和背景兩大類，就只需要設(shè)置一個(gè)閾值，單閾值分割的變換如公式（1），其中是輸入圖像，是輸出圖像。

公式（1）中，為閾值，背景圖像元素（,）=0，目標(biāo)圖像元素（,）=1。如果圖像中有多個(gè)目標(biāo)需要分割，就要設(shè)置多個(gè)閾值，所以其分割的準(zhǔn)確度多依賴于閾值的選擇，常用的閾值選擇方法有運(yùn)用圖像灰度直方圖的峰谷法、基于過(guò)渡區(qū)法、結(jié)合連通信息的閾值方法、最大熵原則自動(dòng)閾值法和最大相關(guān)性原則選擇閾值。這種方法就是運(yùn)用像素點(diǎn)灰度值的特征，并沒(méi)有考慮其空間特性，此方法對(duì)噪聲也比較敏感，但是目前出現(xiàn)了許多基于閾值法的改進(jìn)算法，分割準(zhǔn)確度有了進(jìn)一步提高。

1.2 區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)法是根據(jù)像素的相似性質(zhì)來(lái)聚集像素點(diǎn)所形成的區(qū)域，這種方法是從單個(gè)像素出發(fā)，逐步合并形成所需要的區(qū)域。區(qū)域生長(zhǎng)是從待分割區(qū)域中選取種子像素開始，作為生長(zhǎng)起點(diǎn)，將種子像素鄰域里符合條件的像素合并到種子像素里，形成新的種子像素，繼續(xù)合并，直到找不到符合條件的像素，其關(guān)鍵是種子像素的選擇、確定生長(zhǎng)規(guī)則和終止條件。區(qū)域生長(zhǎng)法計(jì)算簡(jiǎn)單，對(duì)分割具有相同特征的連通區(qū)域效果較好，但是由于噪聲和灰度不均的問(wèn)題，容易產(chǎn)生空洞和過(guò)分割。在醫(yī)學(xué)圖像分割中閾值法和區(qū)域法一般與其他分割方法結(jié)合，如劉瑩等[4]結(jié)合區(qū)域生長(zhǎng)和水平集算法實(shí)現(xiàn)宮頸病灶圖像分割，李孝斐等[5]對(duì)肝臟腫瘤CT圖像進(jìn)行直方圖均衡化、中值濾波等預(yù)處理，再運(yùn)用混合濾波策略的區(qū)域生長(zhǎng)算法實(shí)現(xiàn)對(duì)肝臟腫瘤的有效分割。

1.3 邊緣檢測(cè)法

基于邊緣檢測(cè)的圖像分割是通過(guò)檢測(cè)包含不同區(qū)域的邊緣來(lái)解決問(wèn)題，不同區(qū)域之間邊界的灰度值變化比較劇烈，一般利用一階導(dǎo)數(shù)的極大值或二階導(dǎo)數(shù)的過(guò)零點(diǎn)信息來(lái)判斷邊緣點(diǎn)。在醫(yī)學(xué)圖像領(lǐng)域中，最簡(jiǎn)單常用的檢測(cè)方法包括：Roberts梯度算子、Wills算子、Prewitt算子、Canny算子等。不同的算子有不同的提取效果，但兩大難點(diǎn)限制了其在醫(yī)學(xué)圖像分割中的應(yīng)用，一個(gè)是不能保證邊緣的連續(xù)性和封閉性；另一個(gè)是在高細(xì)節(jié)區(qū)容易出現(xiàn)大量碎邊緣，難以形成一個(gè)大區(qū)域。由于醫(yī)學(xué)圖像的高度復(fù)雜性，要想實(shí)現(xiàn)完整的分割任務(wù)還需要與其他分割算法相結(jié)合。

1.4 聚類法

將圖像中相似灰度合并的方法稱為聚類，通過(guò)聚類將圖像表示為不同的區(qū)域即聚類分割方法，其實(shí)質(zhì)是將圖像分割看成是模式識(shí)別下的聚類分析，如K均值、模糊C-均值算法（FCM）、參數(shù)密度估計(jì)等方法都可以用于圖像分割。由于多數(shù)醫(yī)學(xué)圖像具有模糊性、圖像質(zhì)量低等特性，所以在醫(yī)學(xué)分割領(lǐng)域最常用的聚類算法是模糊C-均值算法（FCM），該方法將模糊集理論和聚類算法結(jié)合，通過(guò)“隸屬度”來(lái)確定像素點(diǎn)屬于某個(gè)聚類的程度。模糊C均值聚類的基本思想是：先人工隨機(jī)指定每個(gè)數(shù)據(jù)到各個(gè)聚類（簇）的隸屬度，再根據(jù)隸屬度計(jì)算每一個(gè)簇的質(zhì)心，接著重新進(jìn)行偽劃分，直到質(zhì)心不變。該算法是一種無(wú)監(jiān)督算法，在一定程度上緩解了醫(yī)學(xué)圖像分割標(biāo)簽少的問(wèn)題。李[6]提出一種改進(jìn)的局部自適應(yīng)模糊C-均值算法進(jìn)行肺結(jié)節(jié)分割，并驗(yàn)證了其算法在利用肺部圖像的鄰域信息和灰度信息上的有效性。廖林峰[7]等采用粒子群算法和遺傳算法相結(jié)合的優(yōu)化算法來(lái)確定初始類聚中心，再引入像素的鄰域信息，克服噪聲對(duì)異常值敏感的問(wèn)題。

2 基于深度學(xué)習(xí)方法的醫(yī)學(xué)圖像分割

2.1 全卷積神經(jīng)網(wǎng)絡(luò)

Long[8]等提出的全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）成為圖像分割領(lǐng)域的主流框架，顧名思義，其將經(jīng)典CNN模型中的全連接層替換成了卷積層，整個(gè)網(wǎng)絡(luò)由卷積層和池化層組成。FCN可以看成一個(gè)編碼器-解碼器的結(jié)構(gòu)，編碼部分是進(jìn)行高維特征提取的過(guò)程，解碼部分利用反卷積進(jìn)行上采樣，使得到的分割結(jié)果圖像大小和輸入圖像大小相同，實(shí)現(xiàn)了像素級(jí)的分類。FCN模型對(duì)輸入圖像的大小沒(méi)有要求，但其缺點(diǎn)是沒(méi)有考慮全局上下文信息且只采用一次上采樣操作，容易忽視細(xì)節(jié)信息。

2.2 U-net網(wǎng)絡(luò)結(jié)構(gòu)

隨著深度學(xué)習(xí)的快速發(fā)展，針對(duì)FCN的不足，Ronneberger[9]等人提出U-net網(wǎng)絡(luò)結(jié)構(gòu)，其在小規(guī)模數(shù)據(jù)集下有良好的表現(xiàn)，更適合于醫(yī)學(xué)圖像的分割，結(jié)構(gòu)和FCN類似，包括特征提取的收縮路徑、精準(zhǔn)定位的擴(kuò)張路徑和融合底層信息和高層信息的跳躍連接。在U-net框架的基礎(chǔ)上也衍生了許多在不同醫(yī)學(xué)影像上表現(xiàn)優(yōu)越的語(yǔ)義分割網(wǎng)絡(luò)，包括U-net++和3DU-net等。U-net++是U-net的加強(qiáng)版，根據(jù)具體的醫(yī)學(xué)影像分割任務(wù)進(jìn)行調(diào)整，將U-net的跳躍連接結(jié)構(gòu)改成了密集連接。黃鴻[10]等融合自適應(yīng)加權(quán)聚合策略對(duì)U-net++進(jìn)行改進(jìn)，該方法能在微小細(xì)節(jié)上實(shí)現(xiàn)精確分割。一些醫(yī)學(xué)影像是以3D的形式存儲(chǔ)的，如CT和MRI影像，3DU-net網(wǎng)絡(luò)就是對(duì)此類圖像進(jìn)行分割的，就是用3D卷積操作替換了2D的卷積操作，并在模型中引入了新的目標(biāo)函數(shù)，有效緩解圖像分割中類不平衡的問(wèn)題。王繼平[11]等運(yùn)用3DU-net對(duì)鼻咽癌危及器官（腦干、下頜骨、脊髓、內(nèi)耳、腮腺、喉、垂體、視神經(jīng)）進(jìn)行自動(dòng)分割，相較于手工勾畫平均時(shí)間節(jié)省74.5%，準(zhǔn)確度均高于80%。

3 總結(jié)

本文著重介紹了幾種傳統(tǒng)的醫(yī)學(xué)圖像分割方法和基于深度學(xué)習(xí)的自動(dòng)分割方法，總結(jié)近幾年醫(yī)學(xué)圖像分割方法，在實(shí)際應(yīng)用中應(yīng)該根據(jù)分割場(chǎng)景的不同采用不同的分割方法，以達(dá)到準(zhǔn)確分割病灶或器官的目的。醫(yī)學(xué)圖像自動(dòng)分割速度快、精確度高，已經(jīng)在醫(yī)學(xué)領(lǐng)域發(fā)揮著重要作用，但是仍然存在不足，一點(diǎn)是目前的分割模型都是基于監(jiān)督學(xué)習(xí)的，這需要大量的分割標(biāo)簽，標(biāo)簽的獲取費(fèi)時(shí)費(fèi)力費(fèi)錢；另一點(diǎn)是目前的主流方法都是基于U-net及其變體的，全部是編碼器-解碼器結(jié)構(gòu)，其他的分割網(wǎng)絡(luò)框架將是未來(lái)的重要研究方向。

[1]劉辰，肖志勇，杜年茂. 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割上的應(yīng)用[J]. 計(jì)算機(jī)科學(xué)與探索，2019（9）：1593-1603.

[2]郭磊，王玉軍，賀宏偉，等. 基于全卷積網(wǎng)絡(luò)的 X 線圖像成像部位自動(dòng)分割[J]. 中國(guó)醫(yī)療器械雜志，2019（3）：170-172.

[3]李蘭蘭.醫(yī)學(xué)圖像分割方法綜述[J].科技創(chuàng)新與應(yīng)用，2017（14）：71.

[4]劉瑩，李筠，楊海馬，等.結(jié)合區(qū)域生長(zhǎng)與水平集算法的宮頸癌圖像分割[J].電子測(cè)量與儀器學(xué)報(bào)，2020，34（09）：146-152.

[5]李孝斐. 肝臟腫瘤CT圖像分割方法的研究[D].東華大學(xué)，2019.

[6]李昌燃. 基于模糊C均值聚類的肺結(jié)節(jié)分割研究[D].浙江師范大學(xué)，2018.

[7]廖林峰，邱曉暉.基于模糊C-均值聚類醫(yī)學(xué)圖像分割的優(yōu)化算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，27（12）：81-84.

[8]Long J，Shelhamer E，Darrell T．Fully convolutional networks for semantic segmentation［C］．Proceedings of the IEEE conference on computer vision and pattern recognition，2015： 3431-3440．

[9]Ronneberger O，F(xiàn)ischer P，Brox T.U-net：Convolutional Networks for Biomedical Image Segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention.Munich：MICCAI，2015：234-241.

[10]黃鴻，呂容飛，陶俊利，等.基于改進(jìn)U-Net++的CT影像肺結(jié)節(jié)分割算法[J].光子學(xué)報(bào)，2021，50（02）：73-83.

[11]王繼平，李鑫，陳傳喜，等.3D U-net應(yīng)用于鼻咽癌危及器官自動(dòng)分割的研究[J].醫(yī)療衛(wèi)生裝備，2020，41（11）：17-20+45.