子宫和子宫肌瘤分割方法综述

李光辉 戴梦莹 胡 艳 张 剑 吕发金 ，2*

（1.重庆医科大学生物医学工程学院超声医学工程国家重点实验室，重庆 400016；2.重庆医科大学附属第一医院放射科，重庆 400016）

0 引言

子宫肌瘤是良性肿瘤，常见于育龄妇女中，发病率高达25%。 传统的治疗子宫肌瘤的手段以手术切除为主，但手术切除的侵入性和创伤性较大。 高强度聚焦超声（HIFU）是一种治疗子宫肌瘤的新型微无创的手术方法，目前已广泛应用于子宫肌瘤的治疗中。当前，在HIFU 治疗中磁共振图像（magnetic resonance imaging，MRI）和超声图像（ultrasound images，US）是诊断子宫肌瘤的主要方法。 子宫肌瘤的分割有利于术前方案的制订、 术中导航和术后疗效的评估， 它是HIFU 治疗的必要步骤。 由医生进行手动分割是一项耗时、烦琐的任务，而且具有主观性。 因此，一种能够对子宫肌瘤进行准确的自动分割方法至关重要。

如图1 所示，MR 图像中子宫肌瘤与其他组织之间的对比度较低，因此很难区分它们之间的界限。 第一列的超声图像中的子宫肌瘤边界不清、自身噪声大以及伪影严重。 而且，不同患者中子宫肌瘤的数目及其形状大小未知。 这些都给子宫肌瘤的分割任务带来了巨大的挑战。

图1 第一列是患者的原始的MR 图像

与人工分割相比， 早期提出的传统分割方法，例如基于主动轮廓模型的方法、基于区域的方法、基于模糊C 均值的方法等，对人的依赖性相对较小，但依然会依赖人工制作的特征，而且特征表示能力有限。 最近，深度学习方法已广泛应用于医学图像分割领域，它使得人们不再需要单独对特征进行选择与变换，而是将原始数据输入到模型中，通过端到端的方法学习特征，节省了更多的工作和时间。 并且通过不断地调整参数来实现分割任务，往往要比传统的分割方法表现出更好的性能。 本文接下来的部分首先介绍基于传统方法的子宫肌瘤图像分割方法；其次将介绍基于深度学习的子宫肌瘤图像分割方法；最后对子宫肌瘤分割方法进行了总结并对未来的发展趋势进行展望。

1 基于传统方法的子宫肌瘤图像分割方法

1.1 基于主动轮廓模型的方法

基于主动轮廓模型的图像分割方法是目前流行的图像分割算法，主要思想是将图像数据、初始轮廓选取、目标特征及运动的约束都集中在一个变分框架下，将寻找目标边界的问题转化为求解能量泛函数最小化的问题。可以分成参数化主动轮廓方法：Snake 和几何主动轮廓方法：水平集方法（level set）。

Ben-Zadok 等人探讨了磁共振（MR）图像引导治疗子宫肌瘤的研究。 他们基于水平集的方法提出了一个互动的水平集分割框架，首先使用水平集算法在治疗之前对子宫肌瘤MR 图像进行自动分割。 然后用户根据初始分割的结果选择种子点，并将用户的反馈整合到后续分割过程来细化分割结果。Yao J 等人基于快速行进水平集和拉普拉斯水平集的级联的方法在MR 图像上分割子宫肌瘤。 首先应用递归高斯滤波器来降低噪声， 以及使用Sigmoid 函数重新映射梯度值，以增加边界附近的动态范围。 随后使用快速行进水平集来获得粗略的分割，并且使用曲率各向异性扩散滤波器平滑图像以保留边缘。 最后，通过拉普拉斯水平集从快速行进水平集的结果中搜索局部最小值来细化分割。

Ni B 等人探讨了超声图像引导HIFU 治疗子宫肌瘤的研究。 他们针对超声图像中严重的强度不均匀性和模糊边界，提出了一种新的基于主动轮廓的图像分割方法。 利用图像序列中目标形状的相关信息作为先验知识来辅助现有的主动轮廓分割方法。 合成子宫肌瘤和临床子宫肌瘤超声图像序列的实验结果表明，相较于传统的主动轮廓模型，该方法提高了对缺失或误导边界的鲁棒性。同样，Liao X 等人提出了一种新颖的自适应局部区域和基于边缘的主动轮廓模型去分割超声图像中的子宫肌瘤。 首先为基于局部区域的模型定义了自适应局部半径，并将其与基于边缘的模型相结合，以准确高效地捕获图像的异构特征和边缘特征。 然后，它们结合形状约束以减少边界泄漏或过度收缩，以获得更准确的分割。

1.2 基于区域生长的方法

基于区域生长的方法是首先设定一个种子点，然后通过预先定义的相似度规则对相邻区域的像素进行融合， 从而不断的生成新的区域以便分割整个图像。 这种方法对噪声和对比度不均匀的像素区域特别敏感，容易出现空洞或者过度分割的现象。 因此，在实际应用中经常和其他的方法结合使用。

Militello 等人等人探讨了磁共振引导聚焦超声（MRgFUS）治疗子宫肌瘤的研究。 他们基于区域生长提出了一种半自动分割方法。 首先使用平均滤波器对MR 图像进行去噪处理， 随后利用区域生长方法对消融后的肌瘤区域进行分割。 并且将分割出来的肌瘤区域的体积用于对MRgFUS 治疗的初步评估。 作为MRgFUS 治疗评估的步骤， 所取得的实验结果改进了基于手动分割子宫肌瘤的方法。 区域生长适用于单个区域分割，并且必须为每个肌瘤区域选择种子。 因此不完全可靠且不足以在具有多个肌瘤的病理情况下准确的检测出肌瘤。 为了解决多个肌瘤分割，Rundo等人提出了基于区域生长的新方法以在治疗后评估肌瘤内的非灌注体积（NPV）。第一阶段应用拆分和合并的算法进行多个种子区域选择和检测。 第二阶段通过自适应区域生长分割子宫肌瘤。 在同一MR 图像中可以分割具有不同像素强度的多个肌瘤。

1.3 基于模糊C 均值的方法

基于模糊C 均值（FCM）的方法是一种聚类的方法，主要思想是按照距离将样本聚成不同的簇，簇中各点距簇类中心距离越近，相似度就越大，以得到紧凑且独立的簇作为聚类目标。 FCM 算法实现简单，不过算法收敛速度取决于聚类中心的设定，当选择不当时容易陷入局部最优解。

Fallahi 等人首次提出基于模糊C 均值的方法在T1W 磁共振增强图像中分割子宫肌瘤。 首先使用模糊C 均值方法对子宫肌瘤进行初步分割。 其次应用形态学操作来细化初始分割。 最后，利用MIPAV 软件包将T1 图像配准到增强的T1 图像上，并使用阈值法去除冗余部分。 在此方面，Militello 等人提出了一种基于无监督模糊C 均值聚类和迭代最优阈值选择算法的子宫和肌瘤分割的新型全自动方法。 第一阶段应用模糊C 均值聚类分割子宫区域（ROI），在聚类之后使用一系列形态学操作应用于二值图像细化ROI 分割结果。第二阶段从分割的ROI 中使用自适应阈值来识别区域的灰度特征进而分割子宫肌瘤。

2 基于深度学习的子宫肌瘤图像分割方法

相较于传统算法，深度学习算法不需要人工标记特征，节省了更多的工作和时间。 并且，传统图像分割方法大多利用图像的灰度、 纹理及形状等表层信息，不适用于需要大量语义信息的分割任务。 近年来，深度学习算法广泛地应用于医学图像处理领域，其中基于 卷 积 神 经 网 络 （convolutional neural networks，CNNs）的方法应用最为广泛。 全卷积神经网络（FCN）是CNN 的变体， 它允许网络为整个图像提取感兴趣结构的前景区域，以完成像素级的分割任务。 在2015年，Ronneberger 等人提出了结构对称的U 型全卷积神经网络（Unet），它通过反卷积可以逐步将特征图上采样到原始输入图像的大小。 并且在编码器和解码器之间引入了跳跃连接，这样可以很好地结合低分辨率的空间信息和高分辨率的语义信息。Unet 最早应用在生物细胞结构的分割上，以良好的分割准确率和较低的计算成本取得了巨大的成功。

在深度学习方法应用在MR 图像中的子宫肌瘤分割方面， Kurata 等人最早尝试使用Unet 自动分割MR 图像的子宫。 他们纳入122 例女性患者（14 例子宫内膜癌，15 例子宫宫颈癌和55 例子宫平滑肌瘤），得到的所有患者的平均DSC 为0.82。结论证明了改良的Unet 全自动子宫切断术在临床上是可行的，并且模型分割性能不受子宫病变的影响。 同样，TANG Chun-ming 等人提出了一种新型的分割网络AR-Unet （Attention ResNet101-Unet） 自动分割MRI T2W 图像的子宫肌瘤， 该网络以深层神经网络ResNet101 为特征提取前端，结合了Unet 的设计思想构建网络结构。 并且在上采样和下采样特征图连接之前引入了注意力模块，让网络提取的特征更具有针对性。 他检测了13 例患者共123 例子宫肌瘤的MRI T2W 图像。 得到的DSC=90.44%、IOU=84.43%、SE=88.55%、SP=94.56%。为了避免在治疗中对脊髓造成任何伤害，脊柱的分割也很重要。 Chen Zhang 等人在HIFU 手术术前使用全卷积网络（HIFUNet）对MR 影像的子宫、子宫肌瘤和脊柱进行多类分割。 他们使用大型内核通过扩大有效接受域来捕获多空间尺度上下文。 此外，还采用了一个深层多原子卷积模块来扩大感受并提取更密集的特征图。 研究纳入了来自297例患者的矢状方向的术前脂肪抑制T2 加权MR 图像。 测试的结果为DSC=86.58%、IOU=88.17%、SE=88.45%、SP=99.52%。 并且将HIFUNet 的性能与当前六种最新的分割网络（U-Net、HRNet 等）进行了比较，研究结果表明HIFUNet 的准确性和鲁棒性相对于其他分割网络有显著的改善。 张侨丹把基于深度学习的子宫腺肌瘤超声图像分割算法引入HIFU 消融技术的疗效评估中。分别使用Deeplab 模型，通过空洞卷积算法和全连接CRF 来优化病灶边缘细节信息，并对比两种语义分割网络得到最优的结果。 以及使用Mask RCNN 实例分割模型，通过ResNet 结构来有效提取特征，结合RPN 网络实现特征的有效利用并融合，并不断对网络训练进行优化，实现了对病灶区域的精细化分割， 纳入了200 多名子宫腺肌瘤患者的近1 600 张超声影像。 证明了两种分割模型在医学超声图像方面的精准度与可行性。

3 结语

本文总结了包括传统方法和深度学习方法在子宫肌瘤分割领域的研究现状。 从中可以看出两种方法的优点和不足： 传统的方法相对于手动分割来说，提高了分割效率，但大多数依然离不开人工的干预。 深度学习方法实现了自动分割，同时提高了模型的分割性能。 由于目前应用在子宫肌瘤分割中深度学习模型使用的都是2D 卷积，3D 卷积相比于2D 卷积增加了一个深度维度，3D 卷积可以充分地利用了图像的三维信息，从而改进模型的分割性能。但3D 卷积对设备性能的要求过高，随着计算机硬件的发展，将3D 卷积神经网络应用于子宫肌瘤分割也是一个很值得研究的方向。 由于不同研究纳入的数据样本量较小而且来源不同，限制了在临床上的应用范围，因此在未来建立统一标准的大型数据库是一个很值得研究的方向。