張劍 李光輝 胡艷 戴夢(mèng)瑩 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(diǎn)實(shí)驗(yàn)室，重慶市生物醫(yī)學(xué)工程重點(diǎn)實(shí)驗(yàn)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）

內(nèi)容提要： 子宮及子宮肌瘤自動(dòng)分割對(duì)子宮肌瘤患者的病情診斷、治療規(guī)劃和術(shù)后評(píng)估有著重要的指導(dǎo)意義。目前，大部分分割工作還是依賴于醫(yī)生手工標(biāo)注，效率不高且結(jié)果易受個(gè)體差異影響，尋求一種快速、準(zhǔn)確的子宮及子宮肌瘤自動(dòng)分割方法非常具有研究意義。文章對(duì)各類磁共振成像子宮及子宮肌瘤分割方法進(jìn)行了總結(jié)，文末對(duì)子宮及子宮肌瘤分割領(lǐng)域未來的發(fā)展趨勢(shì)進(jìn)行了討論。

子宮肌瘤，也稱為子宮平滑肌瘤、子宮纖維瘤，起源于子宮平滑肌組織，是臨床非常常見的一種良性腫瘤[1]。當(dāng)前臨床對(duì)子宮肌瘤的主要診斷方法包括超聲檢查、陰道檢查、宮腔鏡檢查和磁共振成像（Magnetic Resonance Imaging，MRI）檢查等。MRI生成的影像質(zhì)量高，可以顯示所有平面的組織結(jié)構(gòu)，具有對(duì)軟組織分辨率高的優(yōu)點(diǎn)，能為子宮肌瘤的診療提供豐富的影像信息，如今已經(jīng)成為了子宮肌瘤診療的常用技術(shù)手段。通過MRI對(duì)腫瘤進(jìn)行分割辨別，醫(yī)生可以清楚判斷腫瘤的大小、位置和數(shù)量，為患者后續(xù)治療制定更加合適的方案。目前，大部分的子宮肌瘤分割還是依賴于放射科醫(yī)生的人工標(biāo)注，這種手動(dòng)分割方法費(fèi)時(shí)費(fèi)力，當(dāng)判斷某一區(qū)域是否屬于病變部位時(shí)，往往需要觀察多個(gè)圖像序列，所以分割結(jié)果容易受到個(gè)人經(jīng)驗(yàn)的影響。因此，設(shè)計(jì)一種快速、準(zhǔn)確的子宮肌瘤自動(dòng)分割方法在臨床應(yīng)用中具有重要意義。

1.基于傳統(tǒng)方法的分割方法

1.1 聚類算法

聚類算法是將一組數(shù)據(jù)根據(jù)某些屬性特征將其分成不同集合的機(jī)器學(xué)習(xí)技術(shù)。聚類算法是無監(jiān)督學(xué)習(xí)方法，根據(jù)特定的目標(biāo)函數(shù)，聚類算法將大量無標(biāo)簽數(shù)據(jù)以同簇?cái)?shù)據(jù)的屬性特征盡量相似，不同簇?cái)?shù)據(jù)之間的屬性特征盡量不同為目的將數(shù)據(jù)分成不同簇。

Fallahi等[2]對(duì)10名即將進(jìn)行子宮動(dòng)脈栓塞術(shù)的子宮肌瘤患者的T1W和T1W增強(qiáng)MRI進(jìn)行了子宮分割。基于模糊C均值（Fuzzy C-means，F(xiàn)CM）算法，將未標(biāo)記的數(shù)據(jù)集劃分為n類，由于T1W增強(qiáng)影像的紋理特性，選擇n為3，隨著子宮在T1W增強(qiáng)圖像中的增強(qiáng)，子宮像素被分為了第三類。在得到FCM算法的分割結(jié)果之后，需要對(duì)其中的一些聚類點(diǎn)進(jìn)行矯正以展示出合理的解剖結(jié)構(gòu)，對(duì)二值圖像進(jìn)行了兩種形態(tài)學(xué)操作。然后，將T1W增強(qiáng)圖像的分割結(jié)果配準(zhǔn)到T1W圖像中，并使用直方圖閾值化方法來消除多余部分，最后得到了子宮的分割結(jié)果。該方法取得的分割結(jié)果與專家手動(dòng)分割的圖像具有80%的平均相似性、75.32%的平均敏感性和89.5%的平均特異性。

Fallahi等[3]在前文方法的基礎(chǔ)上，提出了一個(gè)兩階段分割多肌瘤患者子宮肌瘤的方法：①利用FCM算法從T1W增強(qiáng)圖像中分割出子宮，配準(zhǔn)到T1W圖像中后得到粗分割結(jié)果，再使用形態(tài)學(xué)操作進(jìn)行處理。②在T2圖像中使用新的MPFCM算法對(duì)子宮進(jìn)行分割，再使用基于知識(shí)的圖像對(duì)子宮肌瘤進(jìn)行分割。為了解決FCM 算法中隸屬度函數(shù)沒有隨著到類中心的距離減小的問題，可能性C均值算法（Possibilistic C-Means，PCM）被提出，該算法使用了新的目標(biāo)函數(shù)，并且調(diào)整了歸一化約束條件。然而，該算法也存在一些問題，它對(duì)初始化十分敏感。為了解決FCM算法和PCM算法的問題，模糊可能性C均值（Fuzzy Possibilistic C-Means，F(xiàn)PCM）算法被提出，但該算法在大數(shù)據(jù)集的情況下也存在運(yùn)行缺陷。之后，可能性模糊C均值（Possible Fuzzy C-Means，PFCM）算法解決了PCM算法和FCM算法的問題，并且在大數(shù)據(jù)集上運(yùn)行良好。他們基于馬爾科夫隨機(jī)場和吉布斯隨機(jī)場理論，提出了一種新算法MPFCM（改進(jìn)的PFCM），它使用體素及鄰域、隸屬度和典型性信息進(jìn)行分類。在第二階段分割中，他們用三分類MPFCM算法從已配準(zhǔn)的T2圖像中分割子宮，由于子宮肌瘤和子宮的部分組織信號(hào)強(qiáng)度相近，他們使用了基于知識(shí)的圖像處理來消除多余部分：假設(shè)子宮肌瘤呈凸面并且近似于圓形，宮頸位于子宮的左側(cè)（矢狀面圖像）。在5名患者組成的圖像數(shù)據(jù)集中，該方法取得的分割結(jié)果的平均相似性為79.91%，平均Jaccard index為68.22%，平均敏感性為76.44%，平均特異性為85.9%。

Militello等[4]為了提高對(duì)MRI引導(dǎo)的聚焦超聲治療后的子宮肌瘤區(qū)域分割效率和準(zhǔn)確度，提出了一種基于FCM算法和迭代最優(yōu)閾值算法的全自動(dòng)子宮和肌瘤分割方法。迭代最優(yōu)閾值算法可以根據(jù)圖像的整體灰度值自動(dòng)選擇出一個(gè)閾值：①用一個(gè)全局閾值初始估計(jì)值T對(duì)圖像進(jìn)行分割。②得到G1和G2兩組像素，分別計(jì)算G1和G2區(qū)域的平均灰度值g1和g2。③得到新的閾值T=(g1+g2)/2。④重復(fù)步驟①～③，直到T或ΔT達(dá)到某一條件為止，得到的T便是最優(yōu)閾值。他們?cè)谶M(jìn)行圖像分割前對(duì)圖像數(shù)據(jù)集進(jìn)行了編碼轉(zhuǎn)換、濾波去噪、全局閾值背景消除和擴(kuò)大灰度范圍等圖像預(yù)處理，在完成聚類分割后應(yīng)用了一些形態(tài)學(xué)操作提高分割質(zhì)量。在15例患者組成的數(shù)據(jù)集中進(jìn)行測試，該方法對(duì)子宮肌瘤分割取得的平均相似性為88.67%，平均Jaccard index為80.70%，平均敏感性為89.79%，平均特異性為88.73%，邊界平均絕對(duì)距離為2.2像素，邊界最大距離為6.233像素，Hausdorff距離為2.988像素。

1.2 水平集算法

Khotanlou等[5]提出了一種對(duì)MRI圖像中子宮肌瘤的自動(dòng)分割方法。首先，他們利用Chan-Vese方法獲得子宮肌瘤的粗分割區(qū)域，然后，應(yīng)用基于形狀先驗(yàn)?zāi)Ｐ蛯?duì)粗分割結(jié)果再次進(jìn)行細(xì)化。他們通過定義一個(gè)與大多數(shù)肌瘤相類似的橢圓模型來去掉形狀訓(xùn)練過程，結(jié)果表明這樣的方法對(duì)不均勻區(qū)域和缺失邊界部分也有良好的性能。分割結(jié)果與專家的人工分割進(jìn)行比較，得到的平均相似性為87.70%，平均Jaccard index為78.62%，平均敏感性為84.49%，平均特異性為93.14%，平均Hausdorff距離為3.24mm，平均距離為0.35mm。

1.3 區(qū)域生長算法

Rundo等[6]提出了一種直接區(qū)域檢測模型用于MRI引導(dǎo)的聚焦超聲術(shù)后MRI圖像中的子宮肌瘤分割。輸入圖像首先進(jìn)行歸一化處理和濾波去噪，再由分割合并算法對(duì)圖像進(jìn)行消融后子宮肌瘤檢測，將這些分割結(jié)果作為后續(xù)自適應(yīng)多種子區(qū)域生長的輸入。通過排除位于子宮邊界附近的連接物來確定生長點(diǎn)，然后在種子區(qū)域中通過消融后子宮肌瘤強(qiáng)度特征的相似屬性來引導(dǎo)區(qū)域生長過程以完成子宮肌瘤分割。最后，使用一些圖像后處理方法優(yōu)化分割的子宮肌瘤。分割合并算法和區(qū)域生長算法實(shí)現(xiàn)了多個(gè)肌瘤的自動(dòng)分割，分割過程比單一種子區(qū)域生長的過程更加穩(wěn)健，在具有14個(gè)病例的矢狀位MRI數(shù)據(jù)集上分割結(jié)果的平均相似性為87.57%，平均Jaccard index為78.50%，平均敏感性為84.05%，平均特異性為92.84%。

2.基于深度學(xué)習(xí)的分割方法

近年來，由于數(shù)據(jù)量和計(jì)算力（CPU和GPU）的增長，深度學(xué)習(xí)方法在計(jì)算機(jī)視覺領(lǐng)域有了廣泛的應(yīng)用并取得了很好的成效，如AlexNet、VGGNet、ResNet和DenseNet等深度學(xué)習(xí)模型。鑒于其良好的表現(xiàn)，深度學(xué)習(xí)技術(shù)與醫(yī)學(xué)圖像分割任務(wù)的結(jié)合也日益增多。在基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割中，主要是借鑒了卷積神經(jīng)網(wǎng)絡(luò)中的卷積運(yùn)算進(jìn)行特征抽取和編解碼結(jié)構(gòu)來對(duì)圖像信息進(jìn)行恢復(fù)以實(shí)現(xiàn)目標(biāo)分割。

Zhang等[7]提出了一種融合全局卷積網(wǎng)絡(luò)（GCN）和深度多重空洞卷積（DMAC）的編解碼網(wǎng)絡(luò)來分割子宮、子宮肌瘤和脊柱。其中編碼器部分使用經(jīng)過預(yù)訓(xùn)練的ResNet101，解碼模塊主要使用級(jí)聯(lián)運(yùn)算（包含1個(gè)1×1卷積運(yùn)算，1個(gè)4×4反卷積運(yùn)算和2個(gè)連續(xù)的3×3卷積運(yùn)算）來融合不同尺度的特征。編碼器和解碼器之間加入了GCN和DMAC來減少計(jì)算量和捕獲更多的上下文信息。GCN使用兩個(gè)具有較大卷積核的一維卷積來代替單個(gè)二維卷積以提升計(jì)算效率。DMAC使用多個(gè)具有不同步長的3×3空洞卷積來提取多種特征并提供多尺度的感受野，每個(gè)卷積的輸出求和匯總后被送到編碼器中。他們使用Adam作為優(yōu)化器，交叉熵作為損失函數(shù)，將初始學(xué)習(xí)率設(shè)置為2e-4，如果損失函數(shù)連續(xù)三次未下降，學(xué)習(xí)率將降低到當(dāng)前的1/5，降低至5e-7時(shí)便停止降低。該研究使用了297例術(shù)前的矢狀位T2加權(quán)MRI圖像，260例作為訓(xùn)練數(shù)據(jù)，37例作為測試數(shù)據(jù)。測試分割結(jié)果為子宮的DSC為82.37%，準(zhǔn)確率為79.45%，召回率為86.00%，子宮肌瘤的DSC為83.51%，準(zhǔn)確率為84.48%，召回率為83.70%，脊柱的DSC為85.01%，準(zhǔn)確率為82.51%，召回率為88.69%。

Tang等[8]同樣也提出了一種借鑒U-Net編解碼結(jié)構(gòu)并使用ResNet101作為特征提取器的深度學(xué)習(xí)模型，他們?cè)趫D像解碼的特征融合前加入了Attention Gate來優(yōu)化特征提取結(jié)果[9]。模型使用截?cái)嗾龖B(tài)分布初始化模型權(quán)重，模型的學(xué)習(xí)率為1e-5，損失函數(shù)為Dice Loss，優(yōu)化器和激活函數(shù)分別為Adam和ReLU。模型在93例患者的矢狀位T2加權(quán)圖像上進(jìn)行訓(xùn)練和測試，其中80例作為訓(xùn)練，13例作為測試。測試分割結(jié)果的平均DSC為90.44%，平均IOU為84.43%，平均敏感性為88.55%，平均特異性為94.56%。

3.小結(jié)

本文總結(jié)了應(yīng)用在子宮及子宮肌瘤方面的傳統(tǒng)圖像分割方法和基于深度學(xué)習(xí)的自動(dòng)分割方法。醫(yī)學(xué)圖像的自動(dòng)分割已經(jīng)在醫(yī)學(xué)影像領(lǐng)域已經(jīng)有很長時(shí)間的研究，能夠?qū)颊叩男g(shù)前治療方案確定和術(shù)后療愈起到重要的指導(dǎo)作用。對(duì)MRI圖像中子宮及子宮肌瘤的分割逐漸從醫(yī)生人工手動(dòng)標(biāo)注向利用計(jì)算機(jī)視覺技術(shù)進(jìn)行自動(dòng)分割過渡。在的大多數(shù)圖像中，子宮肌瘤的信號(hào)強(qiáng)度通常低于周圍組織且具有相似的形狀，所以早期的基于聚類、水平集和區(qū)域生長算法的自動(dòng)分割方法能夠通過灰度特征和形狀特征等信息來完成分割任務(wù)，并且具有較好的準(zhǔn)確性和敏感性。近年來，隨著深度學(xué)習(xí)發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)能夠比傳統(tǒng)視覺算法獲取更多維度的圖像特征信息，包括灰度特征、紋理特征、形狀特征和空間關(guān)系特征等，并且隨著訓(xùn)練所用樣本數(shù)量和復(fù)雜度增加，模型的擬合能力也會(huì)變強(qiáng)，比傳統(tǒng)視覺算法的分割性能更好，并且其使用GPU作為計(jì)算設(shè)備，相比于使用CPU進(jìn)行計(jì)算的傳統(tǒng)視覺算法的速度更快。在實(shí)際應(yīng)用中根據(jù)不同的對(duì)象（分割子宮或子宮肌瘤）和不同的場景（術(shù)前或術(shù)后）應(yīng)選擇合適的分割方法，以達(dá)到分割準(zhǔn)和效率高的目的。

根據(jù)所總結(jié)的各類分割方法，本文認(rèn)為子宮及子宮肌瘤分割方法的發(fā)展趨勢(shì)如下：①基于深度學(xué)習(xí)的自動(dòng)分割方法速度快、精度高，實(shí)現(xiàn)了圖像端到端的分割，無需人工在圖像處理過程中進(jìn)行干預(yù)，既方便效率也高。因此，隨著數(shù)據(jù)集的積累和計(jì)算機(jī)算力的繼續(xù)發(fā)展，基于深度學(xué)習(xí)的分割方法仍會(huì)是子宮及子宮肌瘤分割領(lǐng)域的熱門選擇。②深度學(xué)習(xí)模型都是基于監(jiān)督學(xué)習(xí)實(shí)現(xiàn)的，需要大量的訓(xùn)練數(shù)據(jù)和對(duì)應(yīng)標(biāo)簽，也就意味著需要更多的人工成本投入，所以數(shù)據(jù)集的積累和數(shù)據(jù)擴(kuò)充方法在深度學(xué)習(xí)領(lǐng)域?qū)?huì)變得十分重要，同時(shí)也會(huì)激勵(lì)低成本的深度學(xué)習(xí)網(wǎng)絡(luò)框架的研究。③目前的子宮肌瘤分割網(wǎng)絡(luò)還停留在二維層面上，醫(yī)學(xué)圖像本身大多都是具有三維信息的圖像，三維圖像所包含的信息特征比二維圖像更加豐富，所以輕量級(jí)的3D深度學(xué)習(xí)模型將會(huì)是子宮肌瘤分割方面一個(gè)值得研究的方向。④傳統(tǒng)方法在圖像預(yù)處理和后處理方面有著簡單高效的特點(diǎn)，將傳統(tǒng)方法和深度學(xué)習(xí)方法相結(jié)合起來會(huì)有很好的發(fā)展前景。