劉志偉，孫成女，呂發(fā)金,2（通信作者）

（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)工程國家重點實驗室 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）

子宮肌瘤是女性生殖系統(tǒng)中最常見的良性腫瘤。據(jù)統(tǒng)計，在中國至少有25%的育齡婦女患有子宮肌瘤[1]。磁共振成像（MRI）被認為是目前檢測和定位子宮肌瘤最準(zhǔn)確的影像技術(shù)[2]。治療子宮肌瘤的方法有子宮動脈栓塞術(shù)（uterine artery embolization，UAE），磁共振引導(dǎo)聚焦超聲手術(shù)（magnetic resonance imaging-guided focus ultrasound，MRgFUS）等。在手術(shù)前后，子宮肌瘤的分割都至關(guān)重要。術(shù)前分割可以為術(shù)前規(guī)劃提供輔助，術(shù)后分割可以為療效評估提供幫助。目前的分割工作主要依賴于醫(yī)生手動勾畫，效率低且過程繁瑣，所以自動分割技術(shù)顯得尤為重要。本文參考了已有子宮肌瘤分割文獻，總結(jié)出了一些現(xiàn)有分割方法。

1 傳統(tǒng)分割方法

UAE通過犧牲子宮動脈血管床使肌瘤和子宮收縮，從而減輕病人癥狀。根據(jù)這一過程的性質(zhì)，測量子宮體積在治療后的隨訪中顯得非常重要。A.Fallah等[3]提出一種可修正模糊C-Mean算法，將其應(yīng)用于T2配準(zhǔn)圖像中分割子宮，并采用基于知識的圖像處理，對子宮肌瘤進行分割。之后A.Fallahi等[4]對之前提出的分割方法進行了整合。采用模糊C-Mean算法和形態(tài)學(xué)運算對T1圖像進行分割，對得到的圖像進行T1增強配準(zhǔn)和直方圖處理，運用形態(tài)學(xué)運算進行子宮分割，也可以對肌瘤進行分割。H.Khotanlou等[5]則提出了一種從MRI中自動分割子宮肌瘤的方法，使用Chan-Vese[6]水平集方法對子宮肌瘤進行初始分割，再通過應(yīng)用基于Bresson等[7]方法的先驗形狀模型對分割結(jié)果進行細化，得到了不錯的分割效果。

相比于UAE，MRgFUS是一種非侵入性治療方法，通過高強度聚焦超聲（HIFU）在腫瘤區(qū)域局部達到60℃以上的溫度，使蛋白質(zhì)凝固變性，從而導(dǎo)致腫瘤組織壞死[8]。MRgFUS需要在手術(shù)前快速準(zhǔn)確地分割子宮肌瘤，N.Ben-Zado等[9]提出了一種交互式水平集分割方法來實現(xiàn)這一目標(biāo)，醫(yī)生可以對分割結(jié)果進行反饋,將反饋整合到后續(xù)分割階段，人為提高分割準(zhǔn)確性。Xu等[10]則提出了一種基于分裂合并的分割方法，不需要初始輪廓，將圖像分割成許多均勻區(qū)域，稱為超像素，采用一種基于紋理直方圖的特征表示方法對每個超像素進行特征描述，然后根據(jù)超像素的相似度進行合并從而達到分割目的。

經(jīng)過MRgFUS治療后，為了測量術(shù)后的非灌注體體積，Rundo等[11]提出了兩種子宮肌瘤自動分割方法：一種運用直接區(qū)域檢測方法，包括自動種子區(qū)域選擇部分和子宮肌瘤分割兩部分，為了實現(xiàn)對多個肌瘤的自動分割，還提出了將分裂合并算法和多區(qū)域生長算法相結(jié)合的方法，分割過程比單一種子點區(qū)域生長具有更強的魯棒性[12]。Militello等[13]提出了一種基于無監(jiān)督的模糊C-Means算法聚類和迭代最優(yōu)閾值選擇算法的分割方法，該方法可以通過自動計算目標(biāo)區(qū)域的邊界和體積，用于子宮肌瘤MRgFUS治療術(shù)后非灌注體積評估。見表1。

表1 傳統(tǒng)分割方法在子宮及子宮肌瘤中的應(yīng)用

這些傳統(tǒng)分割方法都取得了不錯的分割效果，但也存在不少問題。模糊C-Mean算法雖然簡單，但依賴初始化數(shù)據(jù)的好壞，容易陷入局部極點，同時數(shù)據(jù)樣本大時分割速度變慢，對有噪聲的醫(yī)學(xué)圖像，其分割效果不盡人意；閾值分割算法效率較高，但它只考慮像素點灰度值本身的特征，忽略了醫(yī)學(xué)圖像的空間特征，因此分割精度很難提高；分裂合并算法對復(fù)雜圖像分割效果好，但分裂會破壞邊界信息；區(qū)域生長算法對于較均勻的連通目標(biāo)有較好的分割效果，但需要人為確定種子點，對噪聲敏感，可能導(dǎo)致區(qū)域內(nèi)有空洞。

傳統(tǒng)方法都是基于低級特征進行設(shè)計的，難以捕捉高級特征和復(fù)雜內(nèi)容，同時它的每個步驟是獨立的，缺乏一種全局的優(yōu)化方案進行控制。子宮肌瘤形狀大小各異、邊界模糊，所以分割一般需要多種方法綜合使用。

2 深度學(xué)習(xí)分割方法

近年來，深度學(xué)習(xí)分割方法被廣泛應(yīng)用于醫(yī)學(xué)圖像[14-15]，Kurata等[16]利用改進的Unet自動分割子宮，證實了其在臨床上的可行性。并且可以實現(xiàn)子宮肌瘤的自動分割。其改進Unet模型相比于正常的Unet擁有更深的網(wǎng)絡(luò)結(jié)構(gòu)，更強大的表達能力和逐層特征學(xué)習(xí)能力。Ning等[17]在實時多模態(tài)圖像引導(dǎo)智能HIFU治療子宮肌瘤中提出了一種用于MRI分割的多階段卷積神經(jīng)網(wǎng)絡(luò),以達到術(shù)前診斷的目的，此研究為子宮肌瘤的智能化無創(chuàng)治療提供了可能。Tan等[18]則提出了一種基于ARUnet網(wǎng)絡(luò)的子宮肌瘤MRI分割系統(tǒng)，采用ResNet101[19]網(wǎng)絡(luò)作為特征提取模塊，使用轉(zhuǎn)置卷積來實現(xiàn)上采樣，它深化了Unet層數(shù)，提高了分割精度，結(jié)合注意力機制，抑制了不相關(guān)區(qū)域特征的激活，提高了模型的靈敏度和準(zhǔn)確性。Zhang[20]等人提出了一種自動分割子宮、子宮肌瘤和脊柱的網(wǎng)絡(luò)—HIFUNet，引入了可以有效放大感受野的全局卷積模塊，同時整合全局卷積和深度空洞卷積模塊，進一步提取上下文語義信息，生成更多抽象特征。張僑丹[21]提出用Deeplab網(wǎng)絡(luò)對子宮超聲圖像進行分割，Deeplab網(wǎng)絡(luò)采用空洞卷積算法來擴大特征圖和感受野從而獲取更多上下文信息，在最后使用全連接的條件隨機場進行性能優(yōu)化。同時文中也提出了使用改進的Mask-RCNN和遷移學(xué)習(xí)來檢測和分割子宮肌瘤，從模型評價和實際分割效果來看都達到了不錯的效果。

目前基于深度學(xué)習(xí)的子宮肌瘤分割都是全卷積網(wǎng)絡(luò)，主要是2D Unet以及2D Unet的變體網(wǎng)絡(luò)。與傳統(tǒng)方法相比，該類方法主要是數(shù)據(jù)驅(qū)動進行特征提取，根據(jù)大量樣本的學(xué)習(xí)得到深層的特征表示，其對數(shù)據(jù)集的表達更高效和準(zhǔn)確，魯棒性更強，泛化能力更好，并且是端到端的。2D網(wǎng)絡(luò)雖然計算效率高，對內(nèi)存的要求低，但是與傳統(tǒng)分割方法一樣缺乏圖像的空間信息，信息的缺乏限制了2D網(wǎng)絡(luò)分割性能的提高。

3 結(jié)語

本文主要從傳統(tǒng)分割方法和深度學(xué)習(xí)分割方法對子宮及子宮肌瘤分割方法進行了梳理。傳統(tǒng)的子宮肌瘤分割方法主要是對子宮肌瘤的術(shù)后影像進行分割，方便測量術(shù)后的非灌注體積，從而去評估療效。而深度學(xué)習(xí)方法則是對術(shù)前子宮肌瘤的影像進行自動分割，為術(shù)前規(guī)劃提供輔助。深度學(xué)習(xí)的應(yīng)用推動了子宮肌瘤分割研究的進展，盡管有所突破，但目前的研究仍然達不到臨床應(yīng)用的標(biāo)準(zhǔn)，需要進一步研究探索。相較于那些大型數(shù)據(jù)集，子宮肌瘤數(shù)據(jù)的缺乏是限制分割精度提升的一個原因，所以數(shù)據(jù)集的積累和數(shù)據(jù)擴充方法在后續(xù)研究中將會變得更加重要；由于傳統(tǒng)分割方法和深度學(xué)習(xí)分割方法目前都采用的是二維圖像，其實三維圖像信息比二維更豐富，所以未來子宮肌瘤圖像分割研究應(yīng)重視三維圖像；目前的分割方法都需要標(biāo)簽去監(jiān)督學(xué)習(xí)，而標(biāo)簽獲得還是依賴于醫(yī)生手動勾畫，所以并沒有減輕醫(yī)生的工作量，未來的分割則會更傾向于向半監(jiān)督、無監(jiān)督學(xué)習(xí)發(fā)展，直接對圖像數(shù)據(jù)進行分割。