子宮和子宮肌瘤分割方法綜述

李光輝 戴夢瑩 胡 艷 張 劍 呂發金 ，2*

（1.重慶醫科大學生物醫學工程學院超聲醫學工程國家重點實驗室，重慶 400016；2.重慶醫科大學附屬第一醫院放射科，重慶 400016）

0 引言

子宮肌瘤是良性腫瘤，常見于育齡婦女中，發病率高達25%。 傳統的治療子宮肌瘤的手段以手術切除為主，但手術切除的侵入性和創傷性較大。 高強度聚焦超聲（HIFU）是一種治療子宮肌瘤的新型微無創的手術方法，目前已廣泛應用于子宮肌瘤的治療中。當前，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前方案的制訂、 術中導航和術后療效的評估， 它是HIFU 治療的必要步驟。 由醫生進行手動分割是一項耗時、煩瑣的任務，而且具有主觀性。 因此，一種能夠對子宮肌瘤進行準確的自動分割方法至關重要。

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重。 而且，不同患者中子宮肌瘤的數目及其形狀大小未知。 這些都給子宮肌瘤的分割任務帶來了巨大的挑戰。

圖1 第一列是患者的原始的MR 圖像

與人工分割相比， 早期提出的傳統分割方法，例如基于主動輪廓模型的方法、基于區域的方法、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，深度學習方法已廣泛應用于醫學圖像分割領域，它使得人們不再需要單獨對特征進行選擇與變換，而是將原始數據輸入到模型中，通過端到端的方法學習特征，節省了更多的工作和時間。 并且通過不斷地調整參數來實現分割任務，往往要比傳統的分割方法表現出更好的性能。 本文接下來的部分首先介紹基于傳統方法的子宮肌瘤圖像分割方法；其次將介紹基于深度學習的子宮肌瘤圖像分割方法；最后對子宮肌瘤分割方法進行了總結并對未來的發展趨勢進行展望。

1 基于傳統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據、初始輪廓選取、目標特征及運動的約束都集中在一個變分框架下，將尋找目標邊界的問題轉化為求解能量泛函數最小化的問題。可以分成參數化主動輪廓方法：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 圖像進行自動分割。 然后用戶根據初始分割的結果選擇種子點，并將用戶的反饋整合到后續分割過程來細化分割結果。Yao J 等人基于快速行進水平集和拉普拉斯水平集的級聯的方法在MR 圖像上分割子宮肌瘤。 首先應用遞歸高斯濾波器來降低噪聲， 以及使用Sigmoid 函數重新映射梯度值，以增加邊界附近的動態范圍。 隨后使用快速行進水平集來獲得粗略的分割，并且使用曲率各向異性擴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水平集的結果中搜索局部最小值來細化分割。

Ni B 等人探討了超聲圖像引導HIFU 治療子宮肌瘤的研究。 他們針對超聲圖像中嚴重的強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形狀的相關信息作為先驗知識來輔助現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果表明，相較于傳統的主動輪廓模型，該方法提高了對缺失或誤導邊界的魯棒性。同樣，Liao X 等人提出了一種新穎的自適應局部區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。 首先為基于局部區域的模型定義了自適應局部半徑，并將其與基于邊緣的模型相結合，以準確高效地捕獲圖像的異構特征和邊緣特征。 然后，它們結合形狀約束以減少邊界泄漏或過度收縮，以獲得更準確的分割。

1.2 基于區域生長的方法

基于區域生長的方法是首先設定一個種子點，然后通過預先定義的相似度規則對相鄰區域的像素進行融合， 從而不斷的生成新的區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域特別敏感，容易出現空洞或者過度分割的現象。 因此，在實際應用中經常和其他的方法結合使用。

Militello 等人等人探討了磁共振引導聚焦超聲（MRgFUS）治療子宮肌瘤的研究。 他們基于區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 圖像進行去噪處理， 隨后利用區域生長方法對消融后的肌瘤區域進行分割。 并且將分割出來的肌瘤區域的體積用于對MRgFUS 治療的初步評估。 作為MRgFUS 治療評估的步驟， 所取得的實驗結果改進了基于手動分割子宮肌瘤的方法。 區域生長適用于單個區域分割，并且必須為每個肌瘤區域選擇種子。 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等人提出了基于區域生長的新方法以在治療后評估肌瘤內的非灌注體積（NPV）。第一階段應用拆分和合并的算法進行多個種子區域選擇和檢測。 第二階段通過自適應區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。 FCM 算法實現簡單，不過算法收斂速度取決于聚類中心的設定，當選擇不當時容易陷入局部最優解。

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行初步分割。 其次應用形態學操作來細化初始分割。 最后，利用MIPAV 軟件包將T1 圖像配準到增強的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督模糊C 均值聚類和迭代最優閾值選擇算法的子宮和肌瘤分割的新型全自動方法。 第一階段應用模糊C 均值聚類分割子宮區域（ROI），在聚類之后使用一系列形態學操作應用于二值圖像細化ROI 分割結果。第二階段從分割的ROI 中使用自適應閾值來識別區域的灰度特征進而分割子宮肌瘤。

2 基于深度學習的子宮肌瘤圖像分割方法

相較于傳統算法，深度學習算法不需要人工標記特征，節省了更多的工作和時間。 并且，傳統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。 近年來，深度學習算法廣泛地應用于醫學圖像處理領域，其中基于 卷 積 神 經 網 絡 （convolutional neural networks，CNNs）的方法應用最為廣泛。 全卷積神經網絡（FCN）是CNN 的變體， 它允許網絡為整個圖像提取感興趣結構的前景區域，以完成像素級的分割任務。 在2015年，Ronneberger 等人提出了結構對稱的U 型全卷積神經網絡（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，這樣可以很好地結合低分辨率的空間信息和高分辨率的語義信息。Unet 最早應用在生物細胞結構的分割上，以良好的分割準確率和較低的計算成本取得了巨大的成功。

在深度學習方法應用在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。結論證明了改良的Unet 全自動子宮切斷術在臨床上是可行的，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絡AR-Unet （Attention ResNet101-Unet） 自動分割MRI T2W 圖像的子宮肌瘤， 該網絡以深層神經網絡ResNet101 為特征提取前端，結合了Unet 的設計思想構建網絡結構。 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，讓網絡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 手術術前使用全卷積網絡（HIFUNet）對MR 影像的子宮、子宮肌瘤和脊柱進行多類分割。 他們使用大型內核通過擴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前脂肪抑制T2 加權MR 圖像。 測試的結果為DSC=86.58%、IOU=88.17%、SE=88.45%、SP=99.52%。 并且將HIFUNet 的性能與當前六種最新的分割網絡（U-Net、HRNet 等）進行了比較，研究結果表明HIFUNet 的準確性和魯棒性相對于其他分割網絡有顯著的改善。 張僑丹把基于深度學習的子宮腺肌瘤超聲圖像分割算法引入HIFU 消融技術的療效評估中。分別使用Deeplab 模型，通過空洞卷積算法和全連接CRF 來優化病灶邊緣細節信息，并對比兩種語義分割網絡得到最優的結果。 以及使用Mask RCNN 實例分割模型，通過ResNet 結構來有效提取特征，結合RPN 網絡實現特征的有效利用并融合，并不斷對網絡訓練進行優化，實現了對病灶區域的精細化分割， 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學超聲圖像方面的精準度與可行性。

3 結語

本文總結了包括傳統方法和深度學習方法在子宮肌瘤分割領域的研究現狀。 從中可以看出兩種方法的優點和不足： 傳統的方法相對于手動分割來說，提高了分割效率，但大多數依然離不開人工的干預。 深度學習方法實現了自動分割，同時提高了模型的分割性能。 由于目前應用在子宮肌瘤分割中深度學習模型使用的都是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，從而改進模型的分割性能。但3D 卷積對設備性能的要求過高，隨著計算機硬件的發展，將3D 卷積神經網絡應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據樣本量較小而且來源不同，限制了在臨床上的應用范圍，因此在未來建立統一標準的大型數據庫是一個很值得研究的方向。