醫學影像分割技術的演進及其特點研究

甘良姬

（桂林市中西醫結合醫院放射科，廣西 桂林 541004）

隨著醫學影像技術的不斷完善與發展，越來越多的醫生在醫療診斷過程中依據醫學影像數據進行可視化分析從而做出科學的預判。采用影像技術對病灶或者病變器官進行細節分割、逐一識別、重新建立、分類劃分等一系列圖像分割處理，醫生得以更直觀地對感興趣區域（Reginal of Interest，簡稱ROI）進行數據分析，對后續的臨床教學、醫療診斷、手術規劃起到了醫療輔助的作用，同時也為各種醫療學術研究提供了科學理論依據[1]。在這個過程中，圖像分割能夠抓取出人們重點關注的區域，方便醫生針對小部分重點區域進行詳細的分析從而做出準確的預判，是臨床實踐中進行圖像分析的至關重要的一個環節，也是進行圖像研究的首要問題。本文在梳理醫學影像分割技術的演進路徑的基礎上詳細分析了相關技術的特點，并對醫學影像技術的發展進行了總結與展望。

1 文獻綜述

自20 世紀70 年代以來，學者們就根據臨床經驗提出了傳統的醫學影像分割技術。Jianbo Shi 根據圖像的亮度、顏色以及紋理為特征依據進行圖像劃分，其主要關注點在全局解上。M.Savelonas 等人則構建了靈活背景活動輪廓模型（VBAC），首先是將少部分圖像集合在一起作為背景，再變換該圖像的外觀使其背景的均勻性在預期水平，從而達到提高圖像的精確度的目的。Koundal 等人[2]則提出了基于中性點域的距離正則化水平集方法。

經過一系列方法的演進與完善，傳統的醫學影像分割理論趨于成熟，但由于更加精準和穩定的分割精度才能運用到臨床診斷領域，因此，影像分割技術也從傳統的分割方法慢慢演進成目前主流的深度學習方法的影像分割技術。Jonathan Long 等學者基于CNN 的網絡結構創新性地提出了語義分割結構——全卷積神經網絡（Fully Convolutional Networks，簡稱FCN），將全連接層轉化成一個個的卷積層。在FCN 的基礎上，Ronneberger等學者研究出改良版的全卷積網絡U-Net，主要通過建立下采樣和上采樣相對應的模型，跳躍鏈接結構相結合，實現更清晰的輸出結果。Eystratios 等人則主張針對甲狀腺結節問題需采用全新的縱向超聲圖像分析方法，該方法的原理主要有兩個核心關鍵點，首先將邊界檢測算法應用于該技術中，其次再依據圖像邊界之間區域提取的局部二值模式特征向量進行分類，從而進行甲狀腺結節分割的檢測。除此之外，在VGG 的FCN 的基礎之上，Avi Ben-Cohen 等學者創新性地提出在CT 檢查過程中，可以進行肝臟分割和肝臟轉移檢測，通過增加數據、擴大鄰域切片的方法使得分割更加精準。Chen L C 等學者[3]建立了多孔卷積層級聯模型，該模型采用多個阿托洛斯速率來獲取多尺度上下文，根本上解決了在多個尺度并存的情況下目標分割難的問題。Ma 等學者[4]則首先提出深度卷積神經網絡（Deep Convolutional Neural Networks，簡稱DCNN）的概念，DCNN 的原理是將器官結節分割問題假設成一個斑塊分類的問題，先輸入圖像塊，再以分割概率圖的形式輸出進行圖表分析。

影像分割技術顯然已成為臨床實踐診斷以及醫學影像研究中舉足輕重的一個領域，將病變組織或者患病部位從影像中精準而平穩地分割出來，對醫生進行疾病的診斷和治療等臨床實際問題上發揮著至關重要的作用。盡管醫學影像分割技術領域在不斷演進與完善，但在臨床實踐中，囿于各種醫療資源因素，人們尚未發現一種能夠達到標準分割效果的圖像分割技術。影像技術在實際臨床運用中復雜且特殊，因此個體與個體之間存在的差異性和復雜性等問題逐漸成為影像技術分割過程中的重點和難點[5]。所以，實踐中的分割問題通常需要針對特定情況來選取最優的分割方法。本文著重梳理影像分割技術的發展的脈絡，試圖厘清各種方法其所具有的優缺點以及所適用的場景。

2 醫學影像分割技術分類

2.1 傳統圖像分割方法

圖像分割是指在原圖像的基礎上分割出具有特定性質的圖像區域，這些分割出來的區域通常具有某種關鍵的特征以及含義，是醫療疾病診斷以及影像研究中最基本的科學依據。隨著科學技術的發展，如何分割出高分辨率的醫學圖像逐漸成為制約影像分割技術發展的重要瓶頸，也是醫學影像中最為基礎和重要的問題。傳統的圖像分割方法主要是以圖像形態的方法為主。基于圖像形態的方法主要分為圖像閾值分割、圖像區域分割、圖像邊緣分割等三大范疇。

2.1.1 基于閾值的分割算法

閾值分割法的基本原理主要是設置一個或多個閾值，根據圖像的灰度信息特征進行劃分，進而實現分割。顯而易見，設置的閾值決定著圖像最終分割的精確度。經過嚴謹的考究與試驗，學者們推出一系列算法和結構對閾值的選擇進行科學化及標準化處理，即羅列出整張圖像的灰度直方圖或者部分區域灰度平均值，再依據這些全局信息或者局部信息通過最小誤差閾值分割和自適應閾值分割等算法靈活選擇閾值并實現全部圖像的分割。

基于閾值的圖像分割原理比較容易理解，并且實現起來也相對簡單。但是因為該方法依賴于灰度值的差異性，所以更適用于分割目標與背景圖灰度差異較大的任務中，對于圖像噪聲大且邊界模糊的醫學影像分割而言該方法是不適用的。

2.1.2 基于區域的分割算法

相較于閾值分割算法，區域分割方法不僅考量像素自身特質，還會參照部分區域的圖像特征進行分割。該方法首先隨機抓取某部分圖像的像素，將該像素附近滿足適用條件有限的像素作為一個個區域子集，通過區域圖像的不斷迭代，最后整張圖像便實現了分割。同理，如果從整張圖像開始，則需采取特定的技術持續分割圖像，直到算法收斂為止。區域分割法的關鍵點在于將具有相同特征的區域選取出來進行分割，這使得圖像中像素與像素之間的特征緊密聯系。

在沒有先驗知識的情況下，區域分割法可以更便捷地獲得比較好的分割效果，所以在實際應用過程中，區域分割法通常是起到粗分割的作用。但是該算法所耗費的迭代周期較長，實現收斂的過程比較困難，因此當區域數較多時，使用區域法不容易實現圖像的分割。

2.1.3 基于邊緣的分割算法

邊緣檢測方法屬于早期常用的圖像分割法，目前比較常見的邊緣檢測算法是通過目標邊界像素的突變情況來推斷該像素是否為物體的邊緣像素。如果待檢測的像素點分布在分割目標的邊緣，僅依靠單一的因素來判斷像素是否位于邊緣位置的方法稱之為串行檢測。并行檢測不但會參考待檢測點的像素值，還會綜合判斷其周圍像素點是否位于邊緣位置。邊緣檢測是通常適用于噪聲較小的圖像分割中，對于甲狀腺超聲影像這類噪聲較大的圖像分割，并不是很適用。

傳統圖像分割的算法簡便，在經歷了較長時間的技術迭代后，算法趨于成熟。但是這類算法由于不能精確地分割出細節部分，無法滿足某些特定要求，因此該算法并不會運用于實際醫學影像分析領域中。

2.2 基于深度學習的圖像分割方法

基于深度學習的分割算法是在卷積神經網絡和全卷積神經網絡的基礎上經過不斷的技術優化所提出，保留原有網絡的優點，修改和完善傳統分割法所存在的缺陷從而滿足特定目標的需要。隨著FCN 的迅猛發展，醫學影像分割逐漸趨于簡單化和精確化，便捷又高效的優點使得基于深度學習的分割方法日益成為人們關注的重點。隨著計算機功能的增擴、數據的疊加和算法模型的技術更迭，深度學習在特征選取方面具備明顯的優勢，而且該模型實現了集特征提取與分類任務于一體端到端的模型訓練，深度學習模型憑借著其自身的優勢被運用于各項研究領域中。

2.2.1 全卷積網絡實現圖像分割

與傳統的影像分割技術不同，全卷積網絡最突出的優點是可以完成端到端的像素級的圖像分割，完全實現圖像的語義分割。附著在卷積神經網絡的全連接層要求輸入固定大小的圖像，這就有可能導致在擴大計算空間的同時也會將部分的圖像細節信息擠兌從而導致圖像分割不準確。為解決這一問題，學者們利用卷積核替代全連接進行反卷積操作，從而實現圖像的上采樣，這使得圖像可以保持原來的大小，從而實現圖像的語義分割。在圖像分割領域，采用卷積神經網絡本身能夠避免一些機器學習可能存在的問題，但是由于CNN 本身的算法問題導致在實際運用領域中也出現了不少問題，所以在醫學圖像分割領域中并不會直接利用該算法進行圖像分割。于是提出了全卷積網絡（Fully Convolutional Networks，簡稱FCN）。除此之外，如果直接跟對高維度的特征進行上采樣，圖像很有可能會丟失部分細節特征。因此，根據跳躍結構可以將卷積層每一次計算得到的圖像特征按比例反卷積后相加再反卷積輸出，這使得分割的細節特性得以保留，能夠很好地實現圖像的細節分割。

利用全卷積網絡進行圖像分割可以輸入任意大小的圖像，這不僅可以節省大量的計算空間，同時也支持圖像細節信息的補充而不會丟失原有圖像信息。但是由于該算法是通過像素進行語義分割，這可能導致像素信息彼此割裂而造成信息整合困難的問題。在某些特殊場合進行分割，其效果并沒有很大的提高。

2.2.2 U-Net 網絡實現圖像分割

傳統的全卷積神經網絡大部分用來分割自然圖像，而U-Net 網絡主要運用在醫學影像領域的圖像分割當中。U-Net 在特征圖還原的過程中，采用了結合左側分辨率較高的圖像與分別率較低的特征圖拼接的方式，在高分辨率和抽象特征中做了折中，這樣既保留了具象特征圖的高分辨率，又運用了低分辨率特征圖的抽象特征，極大地提高了分割精度。U-Net 網絡相比于傳統全卷積神經網絡最重要的優化就是在上采樣部分有很多特征通道，這樣的方式可以使得分辨率更高的網絡層接收到來自底部網絡層十分重要的上下文信息。所以，即使醫學影像數據集的數量缺乏是不可避免的，但是U-Net 網絡可以通過網絡結構的改進充分利用抽象特征與高分辨率特征圖以實現較高的分割精度。

深度學習算法毋庸置疑是當下影像學和病理學等學科領域研究的焦點，其精準度和分辨度都遠超于機器學習的研究范疇。目前基于深度學習的影像分割技術研究卓有成效，其分割精確率大大高于傳統的分割方法。除此之外，深度學習模型能夠處理具有高維稀疏特征的數據，在自動化提取特征的情況下，實現端到端的學習，從而表達出清晰的影像特征。

在醫學影像分析中，分類、分割、匹配、重新檢索都是醫學領域的常見的問題。深度學習是為了在復雜的臨床實際中搜尋高質量且實用的數據，切實解決臨床醫學中的實際問題。

3 總結與展望

醫學影像分割是計算機輔助診斷中非常關鍵的環節，近幾年深度學習的分割技術在傳統圖像分割技術的基礎上得到了迅速的發展。傳統的影像分割技術更多依賴于其自身像素特質，而深度學習的影像分割技術則可以通過優化結構模型實現復雜的高精度的圖像分割。

醫學影像分割技術與醫學影像診斷相互制約、相互發展、密不可分。但在實踐發展中，現目前仍然存在以下幾方面的問題制約影像分割技術的發展：

首先，由于醫院的機械設備種類繁多，難以建立完整的醫療數據庫去處理所采集的數據。

其次，目前醫院普遍存在著醫學圖像的數據比例失衡的問題，導致患病數據與正常數據的比值波動大。

最后，當專業的醫生為不同部位的病變組織提供技術指導建議時，醫生的指導意見各有異同，無法形成統一規范的標準。

因此，未來在影像技術的完善過程或者研究中應當以這些為著力點提出解決的方案。在人才招募方面，由于現目前各級醫療單位對于生物醫學分析工程、醫學影像分割技術工程等方面技術人才供不應求，所以人才的招募應當與各級醫療單位的人才需求直接掛鉤，在滿足基本醫療需求的基礎上招募相關的影像分割技術人才。

除此之外，各地的醫療單位應當更加注重醫生醫學影像分割技術能力以及分析診斷能力的提升。對于就學的醫學院的醫學生和正在實習的醫生，各培養單位應當對其在影像分析等方面的醫學理論進行詳細的指導。對于醫生而言，只有掌握各個專業的新技術和知識，才能在未來的工作中開展和創新新的醫療業務。