子宫肌瘤图像分割研究进展

刘志伟，孙成女，吕发金,2（通信作者）

（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）

子宫肌瘤是女性生殖系统中最常见的良性肿瘤。据统计，在中国至少有25%的育龄妇女患有子宫肌瘤[1]。磁共振成像（MRI）被认为是目前检测和定位子宫肌瘤最准确的影像技术[2]。治疗子宫肌瘤的方法有子宫动脉栓塞术（uterine artery embolization，UAE），磁共振引导聚焦超声手术（magnetic resonance imaging-guided focus ultrasound，MRgFUS）等。在手术前后，子宫肌瘤的分割都至关重要。术前分割可以为术前规划提供辅助，术后分割可以为疗效评估提供帮助。目前的分割工作主要依赖于医生手动勾画，效率低且过程繁琐，所以自动分割技术显得尤为重要。本文参考了已有子宫肌瘤分割文献，总结出了一些现有分割方法。

1 传统分割方法

UAE通过牺牲子宫动脉血管床使肌瘤和子宫收缩，从而减轻病人症状。根据这一过程的性质，测量子宫体积在治疗后的随访中显得非常重要。A.Fallah等[3]提出一种可修正模糊C-Mean算法，将其应用于T2配准图像中分割子宫，并采用基于知识的图像处理，对子宫肌瘤进行分割。之后A.Fallahi等[4]对之前提出的分割方法进行了整合。采用模糊C-Mean算法和形态学运算对T1图像进行分割，对得到的图像进行T1增强配准和直方图处理，运用形态学运算进行子宫分割，也可以对肌瘤进行分割。H.Khotanlou等[5]则提出了一种从MRI中自动分割子宫肌瘤的方法，使用Chan-Vese[6]水平集方法对子宫肌瘤进行初始分割，再通过应用基于Bresson等[7]方法的先验形状模型对分割结果进行细化，得到了不错的分割效果。

相比于UAE，MRgFUS是一种非侵入性治疗方法，通过高强度聚焦超声（HIFU）在肿瘤区域局部达到60℃以上的温度，使蛋白质凝固变性，从而导致肿瘤组织坏死[8]。MRgFUS需要在手术前快速准确地分割子宫肌瘤，N.Ben-Zado等[9]提出了一种交互式水平集分割方法来实现这一目标，医生可以对分割结果进行反馈,将反馈整合到后续分割阶段，人为提高分割准确性。Xu等[10]则提出了一种基于分裂合并的分割方法，不需要初始轮廓，将图像分割成许多均匀区域，称为超像素，采用一种基于纹理直方图的特征表示方法对每个超像素进行特征描述，然后根据超像素的相似度进行合并从而达到分割目的。

经过MRgFUS治疗后，为了测量术后的非灌注体体积，Rundo等[11]提出了两种子宫肌瘤自动分割方法：一种运用直接区域检测方法，包括自动种子区域选择部分和子宫肌瘤分割两部分，为了实现对多个肌瘤的自动分割，还提出了将分裂合并算法和多区域生长算法相结合的方法，分割过程比单一种子点区域生长具有更强的鲁棒性[12]。Militello等[13]提出了一种基于无监督的模糊C-Means算法聚类和迭代最优阈值选择算法的分割方法，该方法可以通过自动计算目标区域的边界和体积，用于子宫肌瘤MRgFUS治疗术后非灌注体积评估。见表1。

表1 传统分割方法在子宫及子宫肌瘤中的应用

这些传统分割方法都取得了不错的分割效果，但也存在不少问题。模糊C-Mean算法虽然简单，但依赖初始化数据的好坏，容易陷入局部极点，同时数据样本大时分割速度变慢，对有噪声的医学图像，其分割效果不尽人意；阈值分割算法效率较高，但它只考虑像素点灰度值本身的特征，忽略了医学图像的空间特征，因此分割精度很难提高；分裂合并算法对复杂图像分割效果好，但分裂会破坏边界信息；区域生长算法对于较均匀的连通目标有较好的分割效果，但需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。

传统方法都是基于低级特征进行设计的，难以捕捉高级特征和复杂内容，同时它的每个步骤是独立的，缺乏一种全局的优化方案进行控制。子宫肌瘤形状大小各异、边界模糊，所以分割一般需要多种方法综合使用。

2 深度学习分割方法

近年来，深度学习分割方法被广泛应用于医学图像[14-15]，Kurata等[16]利用改进的Unet自动分割子宫，证实了其在临床上的可行性。并且可以实现子宫肌瘤的自动分割。其改进Unet模型相比于正常的Unet拥有更深的网络结构，更强大的表达能力和逐层特征学习能力。Ning等[17]在实时多模态图像引导智能HIFU治疗子宫肌瘤中提出了一种用于MRI分割的多阶段卷积神经网络,以达到术前诊断的目的，此研究为子宫肌瘤的智能化无创治疗提供了可能。Tan等[18]则提出了一种基于ARUnet网络的子宫肌瘤MRI分割系统，采用ResNet101[19]网络作为特征提取模块，使用转置卷积来实现上采样，它深化了Unet层数，提高了分割精度，结合注意力机制，抑制了不相关区域特征的激活，提高了模型的灵敏度和准确性。Zhang[20]等人提出了一种自动分割子宫、子宫肌瘤和脊柱的网络—HIFUNet，引入了可以有效放大感受野的全局卷积模块，同时整合全局卷积和深度空洞卷积模块，进一步提取上下文语义信息，生成更多抽象特征。张侨丹[21]提出用Deeplab网络对子宫超声图像进行分割，Deeplab网络采用空洞卷积算法来扩大特征图和感受野从而获取更多上下文信息，在最后使用全连接的条件随机场进行性能优化。同时文中也提出了使用改进的Mask-RCNN和迁移学习来检测和分割子宫肌瘤，从模型评价和实际分割效果来看都达到了不错的效果。

目前基于深度学习的子宫肌瘤分割都是全卷积网络，主要是2D Unet以及2D Unet的变体网络。与传统方法相比，该类方法主要是数据驱动进行特征提取，根据大量样本的学习得到深层的特征表示，其对数据集的表达更高效和准确，鲁棒性更强，泛化能力更好，并且是端到端的。2D网络虽然计算效率高，对内存的要求低，但是与传统分割方法一样缺乏图像的空间信息，信息的缺乏限制了2D网络分割性能的提高。

3 结语

本文主要从传统分割方法和深度学习分割方法对子宫及子宫肌瘤分割方法进行了梳理。传统的子宫肌瘤分割方法主要是对子宫肌瘤的术后影像进行分割，方便测量术后的非灌注体积，从而去评估疗效。而深度学习方法则是对术前子宫肌瘤的影像进行自动分割，为术前规划提供辅助。深度学习的应用推动了子宫肌瘤分割研究的进展，尽管有所突破，但目前的研究仍然达不到临床应用的标准，需要进一步研究探索。相较于那些大型数据集，子宫肌瘤数据的缺乏是限制分割精度提升的一个原因，所以数据集的积累和数据扩充方法在后续研究中将会变得更加重要；由于传统分割方法和深度学习分割方法目前都采用的是二维图像，其实三维图像信息比二维更丰富，所以未来子宫肌瘤图像分割研究应重视三维图像；目前的分割方法都需要标签去监督学习，而标签获得还是依赖于医生手动勾画，所以并没有减轻医生的工作量，未来的分割则会更倾向于向半监督、无监督学习发展，直接对图像数据进行分割。