磁共振成像子宫及子宫肌瘤图像分割方法研究进展

张剑 李光辉 胡艳 戴梦莹 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，重庆市生物医学工程重点实验室 （重庆 400016）

2 重庆医科大学附属第一医院放射科 （重庆 400016）

内容提要： 子宫及子宫肌瘤自动分割对子宫肌瘤患者的病情诊断、治疗规划和术后评估有着重要的指导意义。目前，大部分分割工作还是依赖于医生手工标注，效率不高且结果易受个体差异影响，寻求一种快速、准确的子宫及子宫肌瘤自动分割方法非常具有研究意义。文章对各类磁共振成像子宫及子宫肌瘤分割方法进行了总结，文末对子宫及子宫肌瘤分割领域未来的发展趋势进行了讨论。

子宫肌瘤，也称为子宫平滑肌瘤、子宫纤维瘤，起源于子宫平滑肌组织，是临床非常常见的一种良性肿瘤[1]。当前临床对子宫肌瘤的主要诊断方法包括超声检查、阴道检查、宫腔镜检查和磁共振成像（Magnetic Resonance Imaging，MRI）检查等。MRI生成的影像质量高，可以显示所有平面的组织结构，具有对软组织分辨率高的优点，能为子宫肌瘤的诊疗提供丰富的影像信息，如今已经成为了子宫肌瘤诊疗的常用技术手段。通过MRI对肿瘤进行分割辨别，医生可以清楚判断肿瘤的大小、位置和数量，为患者后续治疗制定更加合适的方案。目前，大部分的子宫肌瘤分割还是依赖于放射科医生的人工标注，这种手动分割方法费时费力，当判断某一区域是否属于病变部位时，往往需要观察多个图像序列，所以分割结果容易受到个人经验的影响。因此，设计一种快速、准确的子宫肌瘤自动分割方法在临床应用中具有重要意义。

1.基于传统方法的分割方法

1.1 聚类算法

聚类算法是将一组数据根据某些属性特征将其分成不同集合的机器学习技术。聚类算法是无监督学习方法，根据特定的目标函数，聚类算法将大量无标签数据以同簇数据的属性特征尽量相似，不同簇数据之间的属性特征尽量不同为目的将数据分成不同簇。

Fallahi等[2]对10名即将进行子宫动脉栓塞术的子宫肌瘤患者的T1W和T1W增强MRI进行了子宫分割。基于模糊C均值（Fuzzy C-means，FCM）算法，将未标记的数据集划分为n类，由于T1W增强影像的纹理特性，选择n为3，随着子宫在T1W增强图像中的增强，子宫像素被分为了第三类。在得到FCM算法的分割结果之后，需要对其中的一些聚类点进行矫正以展示出合理的解剖结构，对二值图像进行了两种形态学操作。然后，将T1W增强图像的分割结果配准到T1W图像中，并使用直方图阈值化方法来消除多余部分，最后得到了子宫的分割结果。该方法取得的分割结果与专家手动分割的图像具有80%的平均相似性、75.32%的平均敏感性和89.5%的平均特异性。

Fallahi等[3]在前文方法的基础上，提出了一个两阶段分割多肌瘤患者子宫肌瘤的方法：①利用FCM算法从T1W增强图像中分割出子宫，配准到T1W图像中后得到粗分割结果，再使用形态学操作进行处理。②在T2图像中使用新的MPFCM算法对子宫进行分割，再使用基于知识的图像对子宫肌瘤进行分割。为了解决FCM 算法中隶属度函数没有随着到类中心的距离减小的问题，可能性C均值算法（Possibilistic C-Means，PCM）被提出，该算法使用了新的目标函数，并且调整了归一化约束条件。然而，该算法也存在一些问题，它对初始化十分敏感。为了解决FCM算法和PCM算法的问题，模糊可能性C均值（Fuzzy Possibilistic C-Means，FPCM）算法被提出，但该算法在大数据集的情况下也存在运行缺陷。之后，可能性模糊C均值（Possible Fuzzy C-Means，PFCM）算法解决了PCM算法和FCM算法的问题，并且在大数据集上运行良好。他们基于马尔科夫随机场和吉布斯随机场理论，提出了一种新算法MPFCM（改进的PFCM），它使用体素及邻域、隶属度和典型性信息进行分类。在第二阶段分割中，他们用三分类MPFCM算法从已配准的T2图像中分割子宫，由于子宫肌瘤和子宫的部分组织信号强度相近，他们使用了基于知识的图像处理来消除多余部分：假设子宫肌瘤呈凸面并且近似于圆形，宫颈位于子宫的左侧（矢状面图像）。在5名患者组成的图像数据集中，该方法取得的分割结果的平均相似性为79.91%，平均Jaccard index为68.22%，平均敏感性为76.44%，平均特异性为85.9%。

Militello等[4]为了提高对MRI引导的聚焦超声治疗后的子宫肌瘤区域分割效率和准确度，提出了一种基于FCM算法和迭代最优阈值算法的全自动子宫和肌瘤分割方法。迭代最优阈值算法可以根据图像的整体灰度值自动选择出一个阈值：①用一个全局阈值初始估计值T对图像进行分割。②得到G1和G2两组像素，分别计算G1和G2区域的平均灰度值g1和g2。③得到新的阈值T=(g1+g2)/2。④重复步骤①～③，直到T或ΔT达到某一条件为止，得到的T便是最优阈值。他们在进行图像分割前对图像数据集进行了编码转换、滤波去噪、全局阈值背景消除和扩大灰度范围等图像预处理，在完成聚类分割后应用了一些形态学操作提高分割质量。在15例患者组成的数据集中进行测试，该方法对子宫肌瘤分割取得的平均相似性为88.67%，平均Jaccard index为80.70%，平均敏感性为89.79%，平均特异性为88.73%，边界平均绝对距离为2.2像素，边界最大距离为6.233像素，Hausdorff距离为2.988像素。

1.2 水平集算法

Khotanlou等[5]提出了一种对MRI图像中子宫肌瘤的自动分割方法。首先，他们利用Chan-Vese方法获得子宫肌瘤的粗分割区域，然后，应用基于形状先验模型对粗分割结果再次进行细化。他们通过定义一个与大多数肌瘤相类似的椭圆模型来去掉形状训练过程，结果表明这样的方法对不均匀区域和缺失边界部分也有良好的性能。分割结果与专家的人工分割进行比较，得到的平均相似性为87.70%，平均Jaccard index为78.62%，平均敏感性为84.49%，平均特异性为93.14%，平均Hausdorff距离为3.24mm，平均距离为0.35mm。

1.3 区域生长算法

Rundo等[6]提出了一种直接区域检测模型用于MRI引导的聚焦超声术后MRI图像中的子宫肌瘤分割。输入图像首先进行归一化处理和滤波去噪，再由分割合并算法对图像进行消融后子宫肌瘤检测，将这些分割结果作为后续自适应多种子区域生长的输入。通过排除位于子宫边界附近的连接物来确定生长点，然后在种子区域中通过消融后子宫肌瘤强度特征的相似属性来引导区域生长过程以完成子宫肌瘤分割。最后，使用一些图像后处理方法优化分割的子宫肌瘤。分割合并算法和区域生长算法实现了多个肌瘤的自动分割，分割过程比单一种子区域生长的过程更加稳健，在具有14个病例的矢状位MRI数据集上分割结果的平均相似性为87.57%，平均Jaccard index为78.50%，平均敏感性为84.05%，平均特异性为92.84%。

2.基于深度学习的分割方法

近年来，由于数据量和计算力（CPU和GPU）的增长，深度学习方法在计算机视觉领域有了广泛的应用并取得了很好的成效，如AlexNet、VGGNet、ResNet和DenseNet等深度学习模型。鉴于其良好的表现，深度学习技术与医学图像分割任务的结合也日益增多。在基于深度学习的医学图像分割中，主要是借鉴了卷积神经网络中的卷积运算进行特征抽取和编解码结构来对图像信息进行恢复以实现目标分割。

Zhang等[7]提出了一种融合全局卷积网络（GCN）和深度多重空洞卷积（DMAC）的编解码网络来分割子宫、子宫肌瘤和脊柱。其中编码器部分使用经过预训练的ResNet101，解码模块主要使用级联运算（包含1个1×1卷积运算，1个4×4反卷积运算和2个连续的3×3卷积运算）来融合不同尺度的特征。编码器和解码器之间加入了GCN和DMAC来减少计算量和捕获更多的上下文信息。GCN使用两个具有较大卷积核的一维卷积来代替单个二维卷积以提升计算效率。DMAC使用多个具有不同步长的3×3空洞卷积来提取多种特征并提供多尺度的感受野，每个卷积的输出求和汇总后被送到编码器中。他们使用Adam作为优化器，交叉熵作为损失函数，将初始学习率设置为2e-4，如果损失函数连续三次未下降，学习率将降低到当前的1/5，降低至5e-7时便停止降低。该研究使用了297例术前的矢状位T2加权MRI图像，260例作为训练数据，37例作为测试数据。测试分割结果为子宫的DSC为82.37%，准确率为79.45%，召回率为86.00%，子宫肌瘤的DSC为83.51%，准确率为84.48%，召回率为83.70%，脊柱的DSC为85.01%，准确率为82.51%，召回率为88.69%。

Tang等[8]同样也提出了一种借鉴U-Net编解码结构并使用ResNet101作为特征提取器的深度学习模型，他们在图像解码的特征融合前加入了Attention Gate来优化特征提取结果[9]。模型使用截断正态分布初始化模型权重，模型的学习率为1e-5，损失函数为Dice Loss，优化器和激活函数分别为Adam和ReLU。模型在93例患者的矢状位T2加权图像上进行训练和测试，其中80例作为训练，13例作为测试。测试分割结果的平均DSC为90.44%，平均IOU为84.43%，平均敏感性为88.55%，平均特异性为94.56%。

3.小结

本文总结了应用在子宫及子宫肌瘤方面的传统图像分割方法和基于深度学习的自动分割方法。医学图像的自动分割已经在医学影像领域已经有很长时间的研究，能够对患者的术前治疗方案确定和术后疗愈起到重要的指导作用。对MRI图像中子宫及子宫肌瘤的分割逐渐从医生人工手动标注向利用计算机视觉技术进行自动分割过渡。在的大多数图像中，子宫肌瘤的信号强度通常低于周围组织且具有相似的形状，所以早期的基于聚类、水平集和区域生长算法的自动分割方法能够通过灰度特征和形状特征等信息来完成分割任务，并且具有较好的准确性和敏感性。近年来，随着深度学习发展，卷积神经网络能够比传统视觉算法获取更多维度的图像特征信息，包括灰度特征、纹理特征、形状特征和空间关系特征等，并且随着训练所用样本数量和复杂度增加，模型的拟合能力也会变强，比传统视觉算法的分割性能更好，并且其使用GPU作为计算设备，相比于使用CPU进行计算的传统视觉算法的速度更快。在实际应用中根据不同的对象（分割子宫或子宫肌瘤）和不同的场景（术前或术后）应选择合适的分割方法，以达到分割准和效率高的目的。

根据所总结的各类分割方法，本文认为子宫及子宫肌瘤分割方法的发展趋势如下：①基于深度学习的自动分割方法速度快、精度高，实现了图像端到端的分割，无需人工在图像处理过程中进行干预，既方便效率也高。因此，随着数据集的积累和计算机算力的继续发展，基于深度学习的分割方法仍会是子宫及子宫肌瘤分割领域的热门选择。②深度学习模型都是基于监督学习实现的，需要大量的训练数据和对应标签，也就意味着需要更多的人工成本投入，所以数据集的积累和数据扩充方法在深度学习领域将会变得十分重要，同时也会激励低成本的深度学习网络框架的研究。③目前的子宫肌瘤分割网络还停留在二维层面上，医学图像本身大多都是具有三维信息的图像，三维图像所包含的信息特征比二维图像更加丰富，所以轻量级的3D深度学习模型将会是子宫肌瘤分割方面一个值得研究的方向。④传统方法在图像预处理和后处理方面有着简单高效的特点，将传统方法和深度学习方法相结合起来会有很好的发展前景。