深度学习技术在医学图像分割中的应用

邱越 李秋秋 王瑛 何宇腾

摘要：随着人工智能的发展，深度学习技术在医学图像分割的应用越来越多。文章综述了深度学习在医学图像分割中常用的框架和应用，促进智能成像和深度学习在疾病早期诊断领域的应用。

关键词：深度学习;医学图像;图像分割

中图分类号：TP393      文献标识码：A

文章编号：1009-3044（2022）10-0074-02

1 背景

在过去的几十年里，医学成像技术，如计算机断层扫描 （CT）、超声、X 射线、磁共振成像（MRI）、正电子发射断层扫描 （PET）和乳房 X 线照相术已被用于疾病的早期检测、诊断和治疗[1]。在临床上，主要由人类专家如放射科医生等进行医学图像判读。然而，鉴于医学图像的广泛差异和人类专家的潜在疲劳，急需计算机辅助医学图像的诊断。近年来，随着人工智能的发展，开发计算机辅助方法帮助放射科医生进行图像分析和诊断，成为医学成像研究和开发的重要方向。

医学图像分割，从背景医学图像（如 CT 或 MRI 图像） 中识别器官或病变的像素，即提供有关这些器官的形状和体积的关键信息，是医学图像分析中最具挑战性的任务之一。 许多研究人员通过应用现有技术提出了各种自动分割系统[2]。

2 深度学习

深度学习是计算机人工智能的子领域，可以视为对传统人工神经网络的改进，由多个层构建。深度神经网络可以发现分级特征表示，可以从较低级别的特征中导出更高级别的特征，尤其是卷积网络，已迅速成为医学图像分割的首选方法。

2.1 医学图像常用的分割框架

深度学习已经发展成为热门的研究领域，有多种算法。这些算法几乎涵盖了图像处理的所有方面，本文主要集中在医学图像分割方面。图像分割可以看作是将图像的每个像素分类为一个实例的过程，其中每个实例对应一个类[3]。目前流行的语义图像分割架构包括 CNN、FCN、SegNet、U-Net、PSPNet 和 Mask R-CNN 等。

2.2.1 卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN） 是一种包含卷积计算，且具有深度结构的前馈神经网络，是深度学习最重要的一种算法。它可以用于目标检测和图像分类[4]。其良好的图片处理能力源于其多卷积核和多层处理的特性，多卷积核使CNN能够充分提取图像特征，每个卷积核都对输入图像进行卷积处理，将原始图像转换为特征图像，不同卷积核生成的不同图像可以理解为该输入图像的不同通道。而多层处理是指将图片不断卷积和池化，最后在全连接层进行分类。在图像处理中，一层卷积往往只学到了局部的特征，层数越多，学到的特征越全局化，多层处理使得低级的特征组合形成更高级的特征表示，从而达到良好的分类效果，如图1所示。

2.2.2 全卷积网络

全卷积网络（Fully Convolutional Network，FCNs）[5]缺乏完全连接的层，只包含一个卷积层的层次结构。与CNNs不同，CNNs用于在本地聚合信息以进行全局预测，FCNs可以用于从每个像素学习表示，因此，有可能能够检测到在整个图像中可能稀疏发生的元素或特征。这个属性使FCNs能够做出像素级的预测，与CNNs相比，FCNs更具有优势：它能从整个图像中进行重复特征学习，图2为全卷积网络模型。

2.2.3 Unet

Unet[6]（图3） 最初由 Ronneberger 等人提出， 该模型建立在 FCN 的优雅架构之上。除了将网络深度增加到 19 层之外，Unet 还受益于网络不同阶段之间跳过连接的卓越设计。所提出的结构由分析和综合两条路径组成。分析路径遵循CNN的结构。合成路径，通常称为扩展阶段，由一个上采样层和一个反卷积层组成。 Unet 最重要的特性是分析路径到扩展路径中等分辨率层间的快捷连接。这些连接为反卷积层提供了必要的高分辨率特征。

3 深度学习在医学图像分割上的应用

随着深度学习的发展，计算机视觉使用大量的深度学习对各种医学图像进行分割。Hosseini-Asl等人[7]在阿尔茨海默氏病的早期诊断中，提出了一种基于增强AlexNet的深度学习方法。 根据阿尔茨海默氏病的特点，研究了如何精确定位海马体。他们将海马体的分割与主流深度学习网络进行了比较，包括 FCN、Unet、SegNet、Unet-3D 和 Mask-RCNN。 Chen等人[8]应用深度神经网络分割左心房和心房瘢痕。作者采用了一个多视图CNN的递归注意模块融合互补视图的特征，以获得更好的分割精度。Zhang等人[9]建立了“肺癌早期计算机诊断系统”，对肺癌病理切片进行检测，可以检测出肺癌的几种主要类型。

4 结论

深度学习是医学图像分析的强大工具之一。它已成功应用于目标检测、分割和分类。在本文中，笔者首先综述了应用于医学图像分割最流行的网络框架和应用。深度学习不仅可以找到病灶区域，还可以对病变区域进行分割。深度学习在体现自身优势的同时，也存在一定不足，深度学习在医学领域的发展依赖于医学大数据的积累，每个深度学习模型都需要海量数据进行训练。此外，深度学习可以量化人类无法检测到的图像信息，从而辅助临床决策，还可以将多个数据流聚集到功能強大的综合诊断系统中，系统涵盖射线照相图像、基因组学、病理学、电子健康记录等。总之，深度学习方法在医学领域中发挥的作用将越来越重要。

参考文献：

[1] Chan H P，Samala R K，Hadjiiski L M，et al.Deep learning in medical image analysis[J].Advances in Experimental Medicine and Biology，2020，1213：3-21.

[2] Hesamian M H，Jia W J，He X J，et al.Deep learning techniques for medical image segmentation：achievements and challenges[J].Journal of Digital Imaging，2019，32（4）：582-596.

[3] Asgari Taghanaki S，Abhishek K，Cohen J P，et al.Deep semantic segmentation of natural and medical images：a review[J].Artificial Intelligence Review，2021，54（1）：137-178.

[4] Litjens G，Kooi T，Bejnordi B E，et al.A survey on deep learning in medical image analysis[J].Medical Image Analysis，2017，42：60-88.

[5] Long J，Shelhamer E，Darrell T.Fully convolutional networks for semantic segmentation[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition.June 7-12，2015，Boston，MA，USA.IEEE，2015：3431-3440.

[6] Ronneberger O，Fischer P，Brox T.U-net：convolutional networks for biomedical image segmentation[M]//Lecture Notes in Computer Science.Cham：Springer International Publishing，2015：234-241.

[7] Hosseini-Asl E，Ghazal M，Mahmoud A，et al.Alzheimer's disease diagnostics by a 3D deeply supervised adaptable convolutional network[J].Frontiers in Bioscience （Landmark Edition），2018，23（3）：584-596.

[8] Chen J， Yang G， Gao Z， Ni H， Firmin D， others Multiview two-task recursive attention model for left atrium and atrial scars segmentation. In： Frangi AF， Schnabel JA， Davatzikos C， Alberola-López C， Fichtinger G， editors. 21st International Conference on Medical Image Computing and Computer Assisted Intervention—MICCAI 2018， Vol. 11071. Granada： Springer; （2018）. p. 455–63.

[9] He K M，Zhang X Y，Ren S Q，et al.Spatial pyramid pooling in deep convolutional networks for visual recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（9）：1904-1916.

【通聯编辑：唐一东】

收稿日期：2021-12-15

作者简介：邱越（2000—） ，女，云南昆明人，本科在读，主要研究方向为医工交叉;李秋秋（2000—） ，女，云南易门县人，本科在读，主要研究方向为医工交叉;王瑛（2000—） ，女，宁夏固原人，本科在读，主要研究方向为医工交叉;何宇腾（2000—） ，男，云南玉溪人，本科在读，主要研究方向为医工交叉。