張劍 李光輝 胡艷 戴夢瑩 呂發(fā)金,2＊

1 重慶醫(yī)科大學生物醫(yī)學工程學院，超聲醫(yī)學工程國家重點實驗室，重慶市生物醫(yī)學工程重點實驗室 （重慶 400016）

2 重慶醫(yī)科大學附屬第一醫(yī)院放射科 （重慶 400016）

內容提要： 子宮及子宮肌瘤自動分割對子宮肌瘤患者的病情診斷、治療規(guī)劃和術后評估有著重要的指導意義。目前，大部分分割工作還是依賴于醫(yī)生手工標注，效率不高且結果易受個體差異影響，尋求一種快速、準確的子宮及子宮肌瘤自動分割方法非常具有研究意義。文章對各類磁共振成像子宮及子宮肌瘤分割方法進行了總結，文末對子宮及子宮肌瘤分割領域未來的發(fā)展趨勢進行了討論。

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]。當前臨床對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生成的影像質量高，可以顯示所有平面的組織結構，具有對軟組織分辨率高的優(yōu)點，能為子宮肌瘤的診療提供豐富的影像信息，如今已經成為了子宮肌瘤診療的常用技術手段。通過MRI對腫瘤進行分割辨別，醫(yī)生可以清楚判斷腫瘤的大小、位置和數量，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)生的人工標注，這種手動分割方法費時費力，當判斷某一區(qū)域是否屬于病變部位時，往往需要觀察多個圖像序列，所以分割結果容易受到個人經驗的影響。因此，設計一種快速、準確的子宮肌瘤自動分割方法在臨床應用中具有重要意義。

1.基于傳統方法的分割方法

1.1 聚類算法

聚類算法是將一組數據根據某些屬性特征將其分成不同集合的機器學習技術。聚類算法是無監(jiān)督學習方法，根據特定的目標函數，聚類算法將大量無標簽數據以同簇數據的屬性特征盡量相似，不同簇數據之間的屬性特征盡量不同為目的將數據分成不同簇。

Fallahi等[2]對10名即將進行子宮動脈栓塞術的子宮肌瘤患者的T1W和T1W增強MRI進行了子宮分割。基于模糊C均值（Fuzzy C-means，FCM）算法，將未標記的數據集劃分為n類，由于T1W增強影像的紋理特性，選擇n為3，隨著子宮在T1W增強圖像中的增強，子宮像素被分為了第三類。在得到FCM算法的分割結果之后，需要對其中的一些聚類點進行矯正以展示出合理的解剖結構，對二值圖像進行了兩種形態(tài)學操作。然后，將T1W增強圖像的分割結果配準到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果。該方法取得的分割結果與專家手動分割的圖像具有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]在前文方法的基礎上，提出了一個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增強圖像中分割出子宮，配準到T1W圖像中后得到粗分割結果，再使用形態(tài)學操作進行處理。②在T2圖像中使用新的MPFCM算法對子宮進行分割，再使用基于知識的圖像對子宮肌瘤進行分割。為了解決FCM 算法中隸屬度函數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函數，并且調整了歸一化約束條件。然而，該算法也存在一些問題，它對初始化十分敏感。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，FPCM）算法被提出，但該算法在大數據集的情況下也存在運行缺陷。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，并且在大數據集上運行良好。他們基于馬爾科夫隨機場和吉布斯隨機場理論，提出了一種新算法MPFCM（改進的PFCM），它使用體素及鄰域、隸屬度和典型性信息進行分類。在第二階段分割中，他們用三分類MPFCM算法從已配準的T2圖像中分割子宮，由于子宮肌瘤和子宮的部分組織信號強度相近，他們使用了基于知識的圖像處理來消除多余部分：假設子宮肌瘤呈凸面并且近似于圓形，宮頸位于子宮的左側（矢狀面圖像）。在5名患者組成的圖像數據集中，該方法取得的分割結果的平均相似性為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MRI引導的聚焦超聲治療后的子宮肌瘤區(qū)域分割效率和準確度，提出了一種基于FCM算法和迭代最優(yōu)閾值算法的全自動子宮和肌瘤分割方法。迭代最優(yōu)閾值算法可以根據圖像的整體灰度值自動選擇出一個閾值：①用一個全局閾值初始估計值T對圖像進行分割。②得到G1和G2兩組像素，分別計算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重復步驟①～③，直到T或ΔT達到某一條件為止，得到的T便是最優(yōu)閾值。他們在進行圖像分割前對圖像數據集進行了編碼轉換、濾波去噪、全局閾值背景消除和擴大灰度范圍等圖像預處理，在完成聚類分割后應用了一些形態(tài)學操作提高分割質量。在15例患者組成的數據集中進行測試，該方法對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MRI圖像中子宮肌瘤的自動分割方法。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，應用基于形狀先驗模型對粗分割結果再次進行細化。他們通過定義一個與大多數肌瘤相類似的橢圓模型來去掉形狀訓練過程，結果表明這樣的方法對不均勻區(qū)域和缺失邊界部分也有良好的性能。分割結果與專家的人工分割進行比較，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引導的聚焦超聲術后MRI圖像中的子宮肌瘤分割。輸入圖像首先進行歸一化處理和濾波去噪，再由分割合并算法對圖像進行消融后子宮肌瘤檢測，將這些分割結果作為后續(xù)自適應多種子區(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，然后在種子區(qū)域中通過消融后子宮肌瘤強度特征的相似屬性來引導區(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)域生長算法實現了多個肌瘤的自動分割，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個病例的矢狀位MRI數據集上分割結果的平均相似性為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.基于深度學習的分割方法

近年來，由于數據量和計算力（CPU和GPU）的增長，深度學習方法在計算機視覺領域有了廣泛的應用并取得了很好的成效，如AlexNet、VGGNet、ResNet和DenseNet等深度學習模型。鑒于其良好的表現，深度學習技術與醫(yī)學圖像分割任務的結合也日益增多。在基于深度學習的醫(yī)學圖像分割中，主要是借鑒了卷積神經網絡中的卷積運算進行特征抽取和編解碼結構來對圖像信息進行恢復以實現目標分割。

Zhang等[7]提出了一種融合全局卷積網絡（GCN）和深度多重空洞卷積（DMAC）的編解碼網絡來分割子宮、子宮肌瘤和脊柱。其中編碼器部分使用經過預訓練的ResNet101，解碼模塊主要使用級聯運算（包含1個1×1卷積運算，1個4×4反卷積運算和2個連續(xù)的3×3卷積運算）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來減少計算量和捕獲更多的上下文信息。GCN使用兩個具有較大卷積核的一維卷積來代替單個二維卷積以提升計算效率。DMAC使用多個具有不同步長的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，將初始學習率設置為2e-4，如果損失函數連續(xù)三次未下降，學習率將降低到當前的1/5，降低至5e-7時便停止降低。該研究使用了297例術前的矢狀位T2加權MRI圖像，260例作為訓練數據，37例作為測試數據。測試分割結果為子宮的DSC為82.37%，準確率為79.45%，召回率為86.00%，子宮肌瘤的DSC為83.51%，準確率為84.48%，召回率為83.70%，脊柱的DSC為85.01%，準確率為82.51%，召回率為88.69%。

Tang等[8]同樣也提出了一種借鑒U-Net編解碼結構并使用ResNet101作為特征提取器的深度學習模型，他們在圖像解碼的特征融合前加入了Attention Gate來優(yōu)化特征提取結果[9]。模型使用截斷正態(tài)分布初始化模型權重，模型的學習率為1e-5，損失函數為Dice Loss，優(yōu)化器和激活函數分別為Adam和ReLU。模型在93例患者的矢狀位T2加權圖像上進行訓練和測試，其中80例作為訓練，13例作為測試。測試分割結果的平均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

本文總結了應用在子宮及子宮肌瘤方面的傳統圖像分割方法和基于深度學習的自動分割方法。醫(yī)學圖像的自動分割已經在醫(yī)學影像領域已經有很長時間的研究，能夠對患者的術前治療方案確定和術后療愈起到重要的指導作用。對MRI圖像中子宮及子宮肌瘤的分割逐漸從醫(yī)生人工手動標注向利用計算機視覺技術進行自動分割過渡。在的大多數圖像中，子宮肌瘤的信號強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，并且具有較好的準確性和敏感性。近年來，隨著深度學習發(fā)展，卷積神經網絡能夠比傳統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、形狀特征和空間關系特征等，并且隨著訓練所用樣本數量和復雜度增加，模型的擬合能力也會變強，比傳統視覺算法的分割性能更好，并且其使用GPU作為計算設備，相比于使用CPU進行計算的傳統視覺算法的速度更快。在實際應用中根據不同的對象（分割子宮或子宮肌瘤）和不同的場景（術前或術后）應選擇合適的分割方法，以達到分割準和效率高的目的。

根據所總結的各類分割方法，本文認為子宮及子宮肌瘤分割方法的發(fā)展趨勢如下：①基于深度學習的自動分割方法速度快、精度高，實現了圖像端到端的分割，無需人工在圖像處理過程中進行干預，既方便效率也高。因此，隨著數據集的積累和計算機算力的繼續(xù)發(fā)展，基于深度學習的分割方法仍會是子宮及子宮肌瘤分割領域的熱門選擇。②深度學習模型都是基于監(jiān)督學習實現的，需要大量的訓練數據和對應標簽，也就意味著需要更多的人工成本投入，所以數據集的積累和數據擴充方法在深度學習領域將會變得十分重要，同時也會激勵低成本的深度學習網絡框架的研究。③目前的子宮肌瘤分割網絡還停留在二維層面上，醫(yī)學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，所以輕量級的3D深度學習模型將會是子宮肌瘤分割方面一個值得研究的方向。④傳統方法在圖像預處理和后處理方面有著簡單高效的特點，將傳統方法和深度學習方法相結合起來會有很好的發(fā)展前景。