席歡歡，賀 松，黃 旭，張 碩，張 慧

（1.貴州大學(xué)大數(shù)據(jù)與信息工程學(xué)院；2.貴州大學(xué)醫(yī)學(xué)院，貴州貴陽(yáng) 550025）

0 引言

國(guó)家衛(wèi)生健康委員會(huì)發(fā)布的《2019 中國(guó)衛(wèi)生健康統(tǒng)計(jì)年鑒》數(shù)據(jù)顯示，2018 年中國(guó)各類衛(wèi)生醫(yī)療機(jī)構(gòu)診療人次數(shù)為83.08 億人次，相比2009 年的54.88 億人次年均漲幅達(dá)4.72%（見圖1）。與此同時(shí)，作為疾病診斷及治療的重要技術(shù)手段，醫(yī)學(xué)影像數(shù)據(jù)總量增長(zhǎng)迅猛，應(yīng)用范圍越來(lái)越廣，從診前逐漸應(yīng)用到診中、診后、康復(fù)、照護(hù)各個(gè)流程，其數(shù)據(jù)年增長(zhǎng)量高達(dá)40%，單個(gè)大型醫(yī)療機(jī)構(gòu)的年影像數(shù)據(jù)存儲(chǔ)量已經(jīng)超過(guò)1PB。

中國(guó)醫(yī)師協(xié)會(huì)第十三次放射醫(yī)師年會(huì)發(fā)布數(shù)據(jù)，截至2016 年，全國(guó)放射科從業(yè)人數(shù)達(dá)到15.8 萬(wàn)人，但其中放射科醫(yī)師只有約8 萬(wàn)人，真正具有副主任醫(yī)師以上職稱的只有2 萬(wàn)人。利用計(jì)算機(jī)技術(shù)相關(guān)算法（如深度學(xué)習(xí)）設(shè)計(jì)的人工智能輔助篩查設(shè)備或平臺(tái)可有效減少或改善醫(yī)師因疲勞造成的誤查和漏查，彌補(bǔ)各地影像醫(yī)師的不足。

中共十九大報(bào)告明確提出要“加快建設(shè)制造強(qiáng)國(guó)，加快發(fā)展先進(jìn)制造業(yè)，推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合”。由此可見，人工智能已成為國(guó)家重要戰(zhàn)略。因此，推動(dòng)和鼓勵(lì)我國(guó)人工智能在醫(yī)療、健康領(lǐng)域的應(yīng)用，創(chuàng)新診療模式和手段，建立快速精準(zhǔn)的智能醫(yī)療體系刻不容緩。人工智能在醫(yī)療行業(yè)多個(gè)環(huán)節(jié)如影像醫(yī)學(xué)識(shí)別、生物技術(shù)、輔助診斷、藥物研發(fā)、營(yíng)養(yǎng)學(xué)等領(lǐng)域有重要應(yīng)用，其中應(yīng)用最為廣泛的是醫(yī)學(xué)影像識(shí)別。計(jì)算機(jī)軟、硬件和圖像處理等技術(shù)的飛速發(fā)展為醫(yī)學(xué)影像識(shí)別奠定了堅(jiān)實(shí)的基礎(chǔ)。

Fig.1 Treatment number of medical and health institutions of 2009-2018圖1 2009-2018 年醫(yī)療衛(wèi)生機(jī)構(gòu)診療人次數(shù)

1 腦腫瘤影像

目前的醫(yī)學(xué)影像技術(shù)有CT、B 超、X 光片、核磁共振成像（MRI）、多普勒彩超等，為醫(yī)生進(jìn)行臨床診斷和治療提供重要支撐，在患者診療過(guò)程中有著舉足輕重的作用，是醫(yī)生判斷病變位置和是否治愈的重要依據(jù)。

目前已有一些智能閱片算法或機(jī)器，但大多數(shù)準(zhǔn)確率難以滿足需求，存在各種各樣的問(wèn)題。因此，用于精準(zhǔn)定位以及分割腫瘤區(qū)域的算法是目前研究熱點(diǎn)。

Fig.2 Four models of brain tumor MRI images and expert’s segmentation result圖2 腦腫瘤患者M(jìn)RI 的4 種模態(tài)及專家分割結(jié)果

腦腫瘤又稱顱內(nèi)腫瘤，是中樞神經(jīng)系統(tǒng)最常見的惡性腫瘤，世界上每10 萬(wàn)人中就有7～10 人發(fā)病，而且腦腫瘤有著高致死率、難治愈等特點(diǎn)，一直以來(lái)都是臨床醫(yī)生的治療難點(diǎn)。因此，精準(zhǔn)呈現(xiàn)腦腫瘤的病變位置以及更清晰的組織結(jié)構(gòu)信息，可為疾病的診療提供更多支持。不同的成像技術(shù)相對(duì)于不同的病變位置及組織結(jié)構(gòu)有著不同的優(yōu)勢(shì)。核磁共振成像（MRI）是一種非浸入式成像方法，能夠呈現(xiàn)腦腫瘤無(wú)損傷、無(wú)顱骨偽影的高質(zhì)量影像，且MRI 成像有著非常好的軟組織分辨力；同時(shí)，通過(guò)調(diào)整磁場(chǎng)的相關(guān)參數(shù)可以得到不同方向的顱內(nèi)影像。圖2（彩圖掃OSID碼可見，下同）是同一患者腦部4 種MRI 模態(tài)以及最終的專家分割結(jié)果［1］，4 種模態(tài)分別是T1、T2、T1C 和FLAIR。在腦腫瘤影像數(shù)據(jù)集中一般有5 類標(biāo)簽，分別是正常組織（標(biāo)簽1）、壞死（標(biāo)簽2）、水腫（標(biāo)簽3）、非增強(qiáng)（標(biāo)簽4）和增強(qiáng)腫瘤（標(biāo)簽5），其中的綠色、黃色、紅色區(qū)域分別表示全腫瘤（標(biāo)簽1、2、3、4 組成）、腫瘤核心（標(biāo)簽1、3、4 組成）、增強(qiáng)腫瘤（標(biāo)簽4 組成）區(qū)域［2］。因此，選擇多模態(tài)MR 圖像，是腦腫瘤診斷、治療和手術(shù)引導(dǎo)的重要輔助手段。

常見的腦腫瘤MR 圖像分割方法主要分為兩大類：①傳統(tǒng)分割方法，常見的主要有閾值法、區(qū)域法和模型法3種；②利用深度學(xué)習(xí)相關(guān)算法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）等。

醫(yī)學(xué)圖像計(jì)算和計(jì)算機(jī)輔助干預(yù)國(guó)際會(huì)議（MICCAI）從2012 年起組織相關(guān)的多模態(tài)腫瘤分割競(jìng)賽，極大推動(dòng)了腫瘤分割算法的發(fā)展。

2 傳統(tǒng)分割方法

2.1 基于閾值的分割

基于閾值的腦腫瘤MR 圖像分割算法，主要根據(jù)MR 圖像的灰度值與像素等描述特征，利用多次實(shí)驗(yàn)所得閾值來(lái)分割腦組織以及其他腫瘤病變組織。如果利用單個(gè)閾值就可以將腫瘤組織與其他腦組織分離，稱為全局閾值；如果目標(biāo)區(qū)域超過(guò)兩種以上的不同區(qū)域，就需要多個(gè)閾值逐步分離，稱之為局部閾值。因此，找到最優(yōu)的閾值是該類分割算法的難點(diǎn)。Kaur 等［3］提出一種混合多級(jí)閾值算法，將直覺模糊集和tsallis 熵相結(jié)合，用于從模糊邊界和對(duì)比度差的MR 圖像中自動(dòng)描述腫瘤組織區(qū)域；Sandhya 等［4］提出在MR 圖像的多級(jí)分割中使用HSO（Harmony Search Optimization）概念，該算法使用Otsu 和Kapur 提出的目標(biāo)函數(shù)指導(dǎo)候選解，從圖像直方圖內(nèi)部適當(dāng)?shù)乃阉骺臻g中得到候選解，HSO 算子不斷演化候選解直到找到最佳閾值；Tarkhaneh 等［5］提出一種DE（Differential Evolution）解決方案，通過(guò)新的自適應(yīng)方法和突變策略實(shí)現(xiàn)病變組織區(qū)域與其他組織的良好平衡，新的突變方法利用Mantegna Levy 和Cauchy 分布以及Cotes 螺旋來(lái)改進(jìn)全局搜索，該算法能以合理的計(jì)算代價(jià)獲取閾值，最終實(shí)現(xiàn)腦腫瘤MR 圖像分割；Chandra 等［6］利用各向同性和各向異性濾波器的閾值并結(jié)合分水嶺算法進(jìn)行腫瘤分割；Dawngliana 等［7］將混合多級(jí)閾值與水平集分割結(jié)合。

不管是全局閾值還是局部閾值，由于腦腫瘤MR 圖像的復(fù)雜性，都不能利用腦腫瘤MR 圖像的全部信息獲得理想的分割效果，魯棒性較差。因此，閾值分割常常作為其他分割的第一步或一部分。

2.2 基于區(qū)域的分割

基于區(qū)域的腦腫瘤MR 圖像分割算法，主要是通過(guò)預(yù)先定義的相似性準(zhǔn)則，在相交區(qū)域合并鄰域像素或體素，將相應(yīng)MR 圖像的腦組織圖像分割為不同的目標(biāo)區(qū)域［8］。常見的灰度相似性檢測(cè)有：

Kolmogorov-Smimov 檢測(cè)：

Smoothed-Difference 檢測(cè)：

式中：l（z）表示兩個(gè)相鄰區(qū)域累計(jì)灰度直方圖，若兩個(gè)相鄰區(qū)域累計(jì)灰度直方圖的絕對(duì)值小于預(yù)設(shè)值，則將這兩個(gè)相鄰區(qū)域合并；反之，則分離。

最經(jīng)典的基于區(qū)域的分割方法要數(shù)區(qū)域生長(zhǎng)和分水嶺算法。區(qū)域生長(zhǎng)是利用預(yù)先設(shè)定的種子點(diǎn)，將周邊區(qū)域與種子點(diǎn)具有相似屬性的像素強(qiáng)度、灰度級(jí)、紋理顏色等相鄰像素合并到此區(qū)域，種子點(diǎn)的選取以及生長(zhǎng)準(zhǔn)則對(duì)分割結(jié)果十分重要。Tsai 等［9］提出一種由自適應(yīng)直方圖分析、形態(tài)運(yùn)算和基于知識(shí)的規(guī)則序列組成的自動(dòng)分割算法，可準(zhǔn)確分割腦物質(zhì)和腦脊液等不同區(qū)域，并檢測(cè)是否有異常區(qū)域；Vishnuvarthanan 等［10］提出一種可以有效檢測(cè)存在于不同區(qū)域MR 圖像中的腫瘤組織，該算法在使用粒子群優(yōu)化（MPSO）算法和模糊C 均值（FCM）算法進(jìn)行初步分割后，使用區(qū)域生長(zhǎng)算法完成最終腫瘤區(qū)域與其他腦組織區(qū)域的分割。相對(duì)于傳統(tǒng)的基于MPSO 和FCM 的區(qū)域生長(zhǎng)算法，該算法有利于對(duì)比度增強(qiáng)的圖像分割；Deng 等［11］提出一種基于邊界平均梯度的倒數(shù)和類內(nèi)平均方差的自適應(yīng)區(qū)域增長(zhǎng)分割算法，在MR 圖像的預(yù)處理階段，通過(guò)各向異性濾波算法對(duì)圖像進(jìn)行濾波，達(dá)到去除噪聲，避免邊界模糊的目的；Zabir 等［12］將傳統(tǒng)區(qū)域增長(zhǎng)方法得到的分割區(qū)域作為迭代距離正則化水平集演化方法的初始輪廓，消除了感興趣區(qū)域選擇步驟。

基于區(qū)域生長(zhǎng)的腦腫瘤分割算法，不但考慮了圖像相鄰像素的相似性，還考慮了空間上的連接性，可有效克服閾值分割空間的不連續(xù)性，具有較強(qiáng)的魯棒性；但是該類算法對(duì)區(qū)域的邊緣定位準(zhǔn)確性有很高要求，易受噪聲干擾，產(chǎn)生過(guò)分割、區(qū)域碎片或分割的結(jié)果邊緣不光滑等問(wèn)題。

基于分水嶺的分割方法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)分割算法，適用于梯度圖像。魯向等［13］在獲得目標(biāo)物體的初始邊界后，根據(jù)分割結(jié)果與目標(biāo)物體輪廓重合時(shí)圖像能量最小值理論來(lái)修改邊界；Li 等［14］為了分割具有精確對(duì)象邊界且沒(méi)有虛假邊界的圖像，利用置信度嵌入方法檢測(cè)到的邊緣信息，根據(jù)直方圖統(tǒng)計(jì)定義每個(gè)像素的閾值，獲得良好的標(biāo)記圖像，并改進(jìn)Meyer 方法來(lái)標(biāo)記像素；Khan 等［15］提出一種基于標(biāo)記的分水嶺分割和特征選擇的自動(dòng)分割方法，步驟為腫瘤對(duì)比、腫瘤提取、多模型特征提取、特征選擇和分類，采用伽馬對(duì)比拉伸方法增強(qiáng)腫瘤的對(duì)比度，然后利用基于標(biāo)記的分水嶺算法進(jìn)一步提取形狀、紋理和點(diǎn)特征，通過(guò)卡方最大條件優(yōu)先特征法選擇排名前70%的特征，最后在使用支持向量機(jī)進(jìn)行分類之前使用基于序列的拼接方法對(duì)選擇的特征進(jìn)行融合，實(shí)驗(yàn)證明該方法在多個(gè)數(shù)據(jù)集上有更高的精度和準(zhǔn)確性。

基于分水嶺的分割算法對(duì)圖像的微弱邊緣具有良好響應(yīng)，能夠保證得到封閉連續(xù)邊緣，這為分析圖像的區(qū)域特征提供了可能；但該類算法會(huì)因?yàn)閳D像噪聲、細(xì)微的灰度變化等導(dǎo)致過(guò)分割或分割不充分的情況出現(xiàn)。

2.3 基于模型的分割

基于模型的分割方法分為基于活動(dòng)輪廓模型（Active Contour Model，ACM）和基于主動(dòng)輪廓模型方法。基于主動(dòng)輪廓模型的分割方法由Snake 模型［16］和水平集（Level set）算法［17］組成；2001 年，Chan 等［18］基于簡(jiǎn)化的Mumford-Shah 模型，應(yīng)用水平集思想，通過(guò)能量函數(shù)的最小化來(lái)演化曲線，提出Chan-Vese 模型，這是最經(jīng)典的基于區(qū)域的活動(dòng)輪廓模型。

基于活動(dòng)輪廓模型的圖像分割算法基本思想是使初始曲線在一系列外部約束力和圖像內(nèi)能量的相互作用下進(jìn)行演化，直至滿足一定的收斂條件停止在圖像邊緣，實(shí)現(xiàn)圖像分割［19］。最初的基于模型的分割方法由于各種原因有著一定的局限性，而現(xiàn)有的基于模型的分割方法大都在此基礎(chǔ)上進(jìn)行優(yōu)化和改進(jìn)，并結(jié)合其他算法以達(dá)到更優(yōu)的分割效果。

許存祿等［20］提出一種基于Chan-Vese 模型的腦腫瘤圖像分割與三維重構(gòu)方法，該方法首先通過(guò)對(duì)腦腫瘤MR圖像進(jìn)行形態(tài)學(xué)迭代腐蝕操作來(lái)提取MR 圖像腫瘤組織輪廓，步驟如下：

（1）迭代腐蝕：

然后利用Chan-Vese 模型對(duì)病變組織進(jìn)行分割，接下來(lái)通過(guò)迭代膨脹進(jìn)行恢復(fù)操作。

（2）迭代膨脹：

上式中：i是迭代次數(shù)，K 是基本結(jié)構(gòu)元素。

通過(guò)上面的步驟得到更好的分割效果，最后利用VTK對(duì)分割得到的區(qū)域進(jìn)行三維重構(gòu)與定位。

Ma 等［21］提出一種結(jié)合隨機(jī)森林和活動(dòng)輪廓模型的分割方法，可從多模態(tài)MR 圖像中分割出神經(jīng)膠質(zhì)瘤。該方法采用特征表示學(xué)習(xí)策略，將不同級(jí)別的組織結(jié)構(gòu)信息級(jí)聯(lián)鏈接到隨機(jī)森林中，最后利用稀疏表示技術(shù)使用優(yōu)化的多尺度剖面驅(qū)動(dòng)輪廓模型來(lái)完善分割，其在計(jì)算效率方面效果很好。

蔣秋霖等［22］提出改進(jìn)Chan-Vese 模型的水平集分割方法，該方法在保留Chan-Vese 模型處理模糊邊緣圖像優(yōu)點(diǎn)的基礎(chǔ)上加入了圖像梯度懲罰項(xiàng)：

式中：C()p為演化曲線函數(shù)；?u0為待處理圖像的灰度梯度；N為演化曲線的單位法向量。

該式的梯度下降流為：

因此，改進(jìn)的Chan-Vese 模型的水平集演化方程式為：

完成上述步驟即能準(zhǔn)確分割灰度不均勻的腦腫瘤多模態(tài)MR 圖像。

為克服醫(yī)學(xué)圖像灰度不均現(xiàn)象，根據(jù)其具有的局部灰度聚類特點(diǎn)，Li 等［23］引入偏移因子b 提出局部灰度聚類能量，定義能量泛函如下：

式中，z1,z2為均值，φ為水平集函數(shù)，K(·)為核函數(shù)。該模型在進(jìn)行圖像分割的同時(shí)實(shí)現(xiàn)偏移場(chǎng)校正。

與此同時(shí)，陳紅等［24］為克服醫(yī)學(xué)圖像灰度不均現(xiàn)象，在能量泛函中引入灰度不均勻因子（LIC 模型），提出一種基于多個(gè)描述子局部熵、均值和局部熵的活動(dòng)輪廓模型，該算法在較強(qiáng)噪聲下可獲得較高的分割精度。

基于模型的分割方法雖然一定程度上實(shí)現(xiàn)了半自動(dòng)化分割并且取得了一定效果，但在某些特別的腦腫瘤MR圖像上分割效果仍不如人意，如CV 模型在分割光照、紋理以及灰度不均勻的MR 圖像時(shí)，得到的結(jié)果比想象要差，還有可能將正常區(qū)域劃分為病變組織區(qū)域。

3 基于深度學(xué)習(xí)的腦腫瘤分割方法

自2006 年深度學(xué)習(xí)概念首次被提出以來(lái)，深度學(xué)習(xí)算法成為眾多學(xué)科研究熱點(diǎn)，尤其是在交叉學(xué)科領(lǐng)域更是重中之重。1998 年，LeCun 等［25］提出LeNet 是真正的卷積神經(jīng)網(wǎng)絡(luò)，也是卷積神經(jīng)網(wǎng)絡(luò)的現(xiàn)代雛形，在目標(biāo)檢測(cè)與識(shí)別、圖像分割、語(yǔ)音識(shí)別等領(lǐng)域受到廣泛關(guān)注。一些學(xué)者和研究機(jī)構(gòu)將深度學(xué)習(xí)算法應(yīng)用于醫(yī)學(xué)影像的識(shí)別與分割，實(shí)現(xiàn)對(duì)人體組織器官、病變區(qū)域的分割。

根據(jù)采用的基礎(chǔ)網(wǎng)絡(luò)架構(gòu)不同，常見的基于深度學(xué)習(xí)腦腫瘤分割方法主要分為基于卷積神經(jīng)網(wǎng)絡(luò)、基于全卷積神經(jīng)網(wǎng)絡(luò)和基于生成對(duì)抗網(wǎng)絡(luò)3 種分割方法［26］。

3.1 深度學(xué)習(xí)在腦腫瘤分割中的應(yīng)用

在基于深度學(xué)習(xí)的腦腫瘤分割方法中，最常見的要數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤分割。理論上，卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的多層感知器或前饋神經(jīng)網(wǎng)絡(luò)，一個(gè)標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成。2012 年，Krizhevsky 等［27］采用修正線性單元作為激活函數(shù)提出了著名的AlexNet，在當(dāng)年的ILSVRC 圖像分類和物體識(shí)別算法競(jìng)賽中獲得冠軍。如圖3 所示，AlexNet 主要包含輸入層、5 個(gè)卷積層、3 個(gè)池化層、2 個(gè)全連接層和輸出層，表1 為AlexNet 網(wǎng)絡(luò)參數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)通常是在卷積層之后接上若干個(gè)全連接層，將卷積層產(chǎn)生的特征圖映射成一個(gè)固定的特征向量，其中以AlexNet 最為經(jīng)典。Zhang 等［28］在獲取3D 卷積特征的同時(shí)，結(jié)合MR 圖像的鄰域灰度信息、鄰域內(nèi)均值、Haar 小波低頻系數(shù)等特征構(gòu)造算法分割的原始特征，并采用主成分分析方法對(duì)構(gòu)造的特征集進(jìn)行篩選，以達(dá)到降維和剔除冗余信息的目的。

Fig.3 Network structure of AlexNet圖3 AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)

Table 1 Structure parameters of AlexNet network表1 AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

文獻(xiàn)［29］根據(jù)成像方式不同建立相應(yīng)的CNN 模型來(lái)預(yù)測(cè)腫瘤概率，然后根據(jù)預(yù)測(cè)錯(cuò)誤樣本點(diǎn)建立非線性映射，將這兩類圖像像素點(diǎn)的映射結(jié)果作為模糊推理系統(tǒng)輸入，從而預(yù)測(cè)該像素點(diǎn)是否屬于腫瘤區(qū)域，該算法流程分為訓(xùn)練階段和預(yù)測(cè)階段。該算法在分割一整幅圖像時(shí)用時(shí)較短，在Sensitivity 指標(biāo)上提高了12%，DSC 也提高了4%，分割效果有了顯著提升，如圖4 所示。

Fig.4 Algorithm flow圖4 算法流程

Sérgio 等［30］使用強(qiáng)歸一化作圖像預(yù)處理，搭建3×3 小卷積核的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以此降低過(guò)擬合現(xiàn)象影響，減少網(wǎng)絡(luò)權(quán)值數(shù)量；Ding 等［31］構(gòu)建了一種將深度殘差網(wǎng)絡(luò)與膨脹卷積相結(jié)合的中期監(jiān)督深度殘差膨脹網(wǎng)絡(luò)（RDMNet），在不降低分辨率的情況下解決了梯度消失問(wèn)題，增加了接受域。

全卷積神經(jīng)網(wǎng)絡(luò)（FCN）實(shí)現(xiàn)對(duì)圖像像素級(jí)分類，從而解決語(yǔ)義級(jí)別的圖像分割問(wèn)題。與卷積神經(jīng)網(wǎng)絡(luò)不同的是，F(xiàn)CN 可以接受任意尺寸的輸入圖像，將CNN 的全連接層替換為卷積層從而達(dá)到像素處理級(jí)別。2017 年起逐漸有研究機(jī)構(gòu)將FCN 網(wǎng)絡(luò)應(yīng)用于腦腫瘤MR 圖像分割，Shen等［32］提出一種對(duì)稱驅(qū)動(dòng)的全卷積神經(jīng)網(wǎng)絡(luò)，將原始圖像和對(duì)應(yīng)的對(duì)稱映射連接起來(lái)作為網(wǎng)絡(luò)輸入，進(jìn)一步提高了網(wǎng)絡(luò)的分割性能，特別是對(duì)于完整的腫瘤區(qū)域。為了提高分割精度，Wang 等［33］將包含腫瘤組織信息的感興趣區(qū)域用光譜聚類方法進(jìn)行分割，而不考慮整個(gè)圖像，并且使用圖像塊的集中趨勢(shì)值（CTV）生成超像素，將這些超像素點(diǎn)作為節(jié)點(diǎn)進(jìn)行聚類來(lái)識(shí)別ROI（感興趣區(qū)域）。通過(guò)對(duì)超像素的分割得到腦腫瘤超像素，實(shí)現(xiàn)對(duì)圖像進(jìn)行預(yù)分割，提取感興趣區(qū)域，縮小分割范圍；最后，選擇訓(xùn)練好的VGGNet16 轉(zhuǎn)化為適合分割問(wèn)題模型，最終實(shí)現(xiàn)分割。

在基于FCN 的腦腫瘤分割中常見的還有U-Net 網(wǎng)絡(luò)。U-Net 是由Ronneberger 等［34］提出的，主要用于生物醫(yī)療細(xì)胞分割領(lǐng)域，其整體流程是一個(gè)編碼（收縮路徑）和解碼（擴(kuò)張路徑）過(guò)程，具有支持少量數(shù)據(jù)訓(xùn)練模型、對(duì)每個(gè)像素點(diǎn)進(jìn)行分類、獲得更高的準(zhǔn)確率、分割速度快等優(yōu)點(diǎn)；Ahmed 等［35］將經(jīng)過(guò)預(yù)處理的腦腫瘤MR 圖像進(jìn)行語(yǔ)義分割，使不同區(qū)域得以分割并標(biāo)注不同的顏色，在此基礎(chǔ)上提出一種基于3D 卷積塊的U-Net 網(wǎng)絡(luò)架構(gòu)。在神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)對(duì)深度神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性、學(xué)習(xí)率和精度有很大影響，尤其是在處理梯度消失問(wèn)題時(shí)。為了進(jìn)一步提高深度網(wǎng)絡(luò)的分割精度和準(zhǔn)確率，Salih 等［36］在U-Net 網(wǎng)絡(luò)架構(gòu)基礎(chǔ)上對(duì)比了ELiSH、Swish、HardELiSH 等幾種激活函數(shù)，分割效果相對(duì)于ReLU 有了明顯改變。表2 為基于深度學(xué)習(xí)的腦腫瘤MR 圖像分割方法評(píng)估結(jié)果。

Table 2 Evaluation results of MR brain tumor segmention methods based on deep learning表2 基于深度學(xué)習(xí)的腦腫瘤MR 圖像分割方法評(píng)估結(jié)果

3.2 深度學(xué)習(xí)優(yōu)化策略

基于深度學(xué)習(xí)的腦腫瘤MR 圖像分割方法取得了很好的成績(jī)，基于深度學(xué)習(xí)的分割方法以經(jīng)過(guò)大量數(shù)據(jù)訓(xùn)練的模型為基礎(chǔ)，具有很好的魯棒性和適應(yīng)能力，但其仍存在一些問(wèn)題：①隨著網(wǎng)絡(luò)結(jié)構(gòu)的加深，梯度消失、過(guò)擬合等現(xiàn)象層出不窮；②深度網(wǎng)絡(luò)對(duì)輸入圖像的特征表達(dá)能力會(huì)制約最終的分割效果，因此尋找更優(yōu)的特征表達(dá)方法也很重要；③現(xiàn)有的深度網(wǎng)絡(luò)非常依賴影像專家標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練，導(dǎo)致前期耗費(fèi)大量的人力和時(shí)間，因此尋找較少訓(xùn)練樣本或半監(jiān)督網(wǎng)絡(luò)很有必要。

針對(duì)上述問(wèn)題許多學(xué)者進(jìn)行了相關(guān)研究，Salih 等［36］使用不同的激活函數(shù)降低梯度消失影像現(xiàn)象；Hu 等［37］提出多級(jí)上采樣網(wǎng)絡(luò)（MU-Net）可將編碼器獲得的低階特征圖與解碼器獲得的高階特征圖結(jié)合，以此學(xué)習(xí)橫向、矢狀面和冠狀面的圖像特征，從而提高分割精度。因此，在基于深度學(xué)習(xí)的腦腫瘤MR 圖像分割領(lǐng)域，對(duì)原本方法進(jìn)行有效改進(jìn)或優(yōu)化是研究熱點(diǎn)。

4 結(jié)語(yǔ)

基于閾值、區(qū)域、模型的傳統(tǒng)圖像分割方法在處理自然圖像上可以達(dá)到令人滿意的效果，但腦腫瘤MR 圖像不同于自然圖像，大多數(shù)腦腫瘤MR 圖像都具有分辨率低、噪聲點(diǎn)多、對(duì)比度低、邊界模糊以及灰度、光照、紋理不均勻等特點(diǎn)。因此，基于閾值、區(qū)域、模型的傳統(tǒng)分割方法在處理普通腦腫瘤MR 圖像時(shí)效果不錯(cuò)，但對(duì)于某些復(fù)雜的圖像算法可能出現(xiàn)過(guò)分割問(wèn)題。在醫(yī)療數(shù)據(jù)增長(zhǎng)迅速情況下，普通分割算法效果、速度很難達(dá)到醫(yī)療工作者需求。基于深度學(xué)習(xí)的腦腫瘤MR 圖像分割方法出現(xiàn)后，傳統(tǒng)的分割算法常常作為該方法的一部分，尤其是在數(shù)據(jù)預(yù)處理等方面，以此提高分割精度。

基于深度學(xué)習(xí)算法的腦腫瘤MR 圖像分割方法相對(duì)傳統(tǒng)分割方法而言有著一些無(wú)法替代的優(yōu)點(diǎn)，該方法主要是對(duì)大量數(shù)據(jù)集訓(xùn)練提取特征，因?yàn)橛胸S富的數(shù)據(jù)集并考慮了不同MR 圖像之間的差別，因而可以達(dá)到更高的分割精度，并對(duì)多種不同腦腫瘤MR 圖像都能達(dá)到不錯(cuò)的分割效果。

不論傳統(tǒng)的分割算法還是目前最熱門的基于深度學(xué)習(xí)的分割算法，或多或少都存在一些缺陷，相比而言，基于深度學(xué)習(xí)的分割方法效果更優(yōu)于傳統(tǒng)方法。基于深度學(xué)習(xí)的腦腫瘤MR 圖像分割方法因其在自動(dòng)分割、效率、精度等方面都有著比傳統(tǒng)方法更好的表現(xiàn)，因此更具發(fā)展?jié)摿?，但相關(guān)研究要解決以下幾個(gè)問(wèn)題：①大多數(shù)算法功能比較單一，只能應(yīng)用于單種圖像或數(shù)據(jù)集，在其他方面難有出色效果；②現(xiàn)有的分割算法大都處于實(shí)驗(yàn)階段，臨床應(yīng)用較少；③大部分算法只注重分割效果，在處理速度上很難讓人滿意，并且對(duì)硬件條件要求很高。