亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        子宮和子宮肌瘤分割方法綜述

        2022-07-09 15:08:54李光輝戴夢(mèng)瑩呂發(fā)金
        科技視界 2022年15期
        關(guān)鍵詞:特征區(qū)域方法

        李光輝 戴夢(mèng)瑩 胡 艷 張 劍 呂發(fā)金 ,2*

        (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(guó)家重點(diǎn)實(shí)驗(yàn)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)

        0 引言

        子宮肌瘤是良性腫瘤,常見(jiàn)于育齡婦女中,發(fā)病率高達(dá)25%。 傳統(tǒng)的治療子宮肌瘤的手段以手術(shù)切除為主,但手術(shù)切除的侵入性和創(chuàng)傷性較大。 高強(qiáng)度聚焦超聲(HIFU)是一種治療子宮肌瘤的新型微無(wú)創(chuàng)的手術(shù)方法,目前已廣泛應(yīng)用于子宮肌瘤的治療中。當(dāng)前,在HIFU 治療中磁共振圖像(magnetic resonance imaging,MRI)和超聲圖像(ultrasound images,US)是診斷子宮肌瘤的主要方法。 子宮肌瘤的分割有利于術(shù)前方案的制訂、 術(shù)中導(dǎo)航和術(shù)后療效的評(píng)估, 它是HIFU 治療的必要步驟。 由醫(yī)生進(jìn)行手動(dòng)分割是一項(xiàng)耗時(shí)、煩瑣的任務(wù),而且具有主觀(guān)性。 因此,一種能夠?qū)ψ訉m肌瘤進(jìn)行準(zhǔn)確的自動(dòng)分割方法至關(guān)重要。

        如圖1 所示,MR 圖像中子宮肌瘤與其他組織之間的對(duì)比度較低,因此很難區(qū)分它們之間的界限。 第一列的超聲圖像中的子宮肌瘤邊界不清、自身噪聲大以及偽影嚴(yán)重。 而且,不同患者中子宮肌瘤的數(shù)目及其形狀大小未知。 這些都給子宮肌瘤的分割任務(wù)帶來(lái)了巨大的挑戰(zhàn)。

        圖1 第一列是患者的原始的MR 圖像

        與人工分割相比, 早期提出的傳統(tǒng)分割方法,例如基于主動(dòng)輪廓模型的方法、基于區(qū)域的方法、基于模糊C 均值的方法等,對(duì)人的依賴(lài)性相對(duì)較小,但依然會(huì)依賴(lài)人工制作的特征,而且特征表示能力有限。 最近,深度學(xué)習(xí)方法已廣泛應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域,它使得人們不再需要單獨(dú)對(duì)特征進(jìn)行選擇與變換,而是將原始數(shù)據(jù)輸入到模型中,通過(guò)端到端的方法學(xué)習(xí)特征,節(jié)省了更多的工作和時(shí)間。 并且通過(guò)不斷地調(diào)整參數(shù)來(lái)實(shí)現(xiàn)分割任務(wù),往往要比傳統(tǒng)的分割方法表現(xiàn)出更好的性能。 本文接下來(lái)的部分首先介紹基于傳統(tǒng)方法的子宮肌瘤圖像分割方法;其次將介紹基于深度學(xué)習(xí)的子宮肌瘤圖像分割方法;最后對(duì)子宮肌瘤分割方法進(jìn)行了總結(jié)并對(duì)未來(lái)的發(fā)展趨勢(shì)進(jìn)行展望。

        1 基于傳統(tǒng)方法的子宮肌瘤圖像分割方法

        1.1 基于主動(dòng)輪廓模型的方法

        基于主動(dòng)輪廓模型的圖像分割方法是目前流行的圖像分割算法,主要思想是將圖像數(shù)據(jù)、初始輪廓選取、目標(biāo)特征及運(yùn)動(dòng)的約束都集中在一個(gè)變分框架下,將尋找目標(biāo)邊界的問(wèn)題轉(zhuǎn)化為求解能量泛函數(shù)最小化的問(wèn)題。可以分成參數(shù)化主動(dòng)輪廓方法:Snake 和幾何主動(dòng)輪廓方法:水平集方法(level set)。

        Ben-Zadok 等人探討了磁共振(MR)圖像引導(dǎo)治療子宮肌瘤的研究。 他們基于水平集的方法提出了一個(gè)互動(dòng)的水平集分割框架,首先使用水平集算法在治療之前對(duì)子宮肌瘤MR 圖像進(jìn)行自動(dòng)分割。 然后用戶(hù)根據(jù)初始分割的結(jié)果選擇種子點(diǎn),并將用戶(hù)的反饋整合到后續(xù)分割過(guò)程來(lái)細(xì)化分割結(jié)果。Yao J 等人基于快速行進(jìn)水平集和拉普拉斯水平集的級(jí)聯(lián)的方法在MR 圖像上分割子宮肌瘤。 首先應(yīng)用遞歸高斯濾波器來(lái)降低噪聲, 以及使用Sigmoid 函數(shù)重新映射梯度值,以增加邊界附近的動(dòng)態(tài)范圍。 隨后使用快速行進(jìn)水平集來(lái)獲得粗略的分割,并且使用曲率各向異性擴(kuò)散濾波器平滑圖像以保留邊緣。 最后,通過(guò)拉普拉斯水平集從快速行進(jìn)水平集的結(jié)果中搜索局部最小值來(lái)細(xì)化分割。

        Ni B 等人探討了超聲圖像引導(dǎo)HIFU 治療子宮肌瘤的研究。 他們針對(duì)超聲圖像中嚴(yán)重的強(qiáng)度不均勻性和模糊邊界,提出了一種新的基于主動(dòng)輪廓的圖像分割方法。 利用圖像序列中目標(biāo)形狀的相關(guān)信息作為先驗(yàn)知識(shí)來(lái)輔助現(xiàn)有的主動(dòng)輪廓分割方法。 合成子宮肌瘤和臨床子宮肌瘤超聲圖像序列的實(shí)驗(yàn)結(jié)果表明,相較于傳統(tǒng)的主動(dòng)輪廓模型,該方法提高了對(duì)缺失或誤導(dǎo)邊界的魯棒性。同樣,Liao X 等人提出了一種新穎的自適應(yīng)局部區(qū)域和基于邊緣的主動(dòng)輪廓模型去分割超聲圖像中的子宮肌瘤。 首先為基于局部區(qū)域的模型定義了自適應(yīng)局部半徑,并將其與基于邊緣的模型相結(jié)合,以準(zhǔn)確高效地捕獲圖像的異構(gòu)特征和邊緣特征。 然后,它們結(jié)合形狀約束以減少邊界泄漏或過(guò)度收縮,以獲得更準(zhǔn)確的分割。

        1.2 基于區(qū)域生長(zhǎng)的方法

        基于區(qū)域生長(zhǎng)的方法是首先設(shè)定一個(gè)種子點(diǎn),然后通過(guò)預(yù)先定義的相似度規(guī)則對(duì)相鄰區(qū)域的像素進(jìn)行融合, 從而不斷的生成新的區(qū)域以便分割整個(gè)圖像。 這種方法對(duì)噪聲和對(duì)比度不均勻的像素區(qū)域特別敏感,容易出現(xiàn)空洞或者過(guò)度分割的現(xiàn)象。 因此,在實(shí)際應(yīng)用中經(jīng)常和其他的方法結(jié)合使用。

        Militello 等人等人探討了磁共振引導(dǎo)聚焦超聲(MRgFUS)治療子宮肌瘤的研究。 他們基于區(qū)域生長(zhǎng)提出了一種半自動(dòng)分割方法。 首先使用平均濾波器對(duì)MR 圖像進(jìn)行去噪處理, 隨后利用區(qū)域生長(zhǎng)方法對(duì)消融后的肌瘤區(qū)域進(jìn)行分割。 并且將分割出來(lái)的肌瘤區(qū)域的體積用于對(duì)MRgFUS 治療的初步評(píng)估。 作為MRgFUS 治療評(píng)估的步驟, 所取得的實(shí)驗(yàn)結(jié)果改進(jìn)了基于手動(dòng)分割子宮肌瘤的方法。 區(qū)域生長(zhǎng)適用于單個(gè)區(qū)域分割,并且必須為每個(gè)肌瘤區(qū)域選擇種子。 因此不完全可靠且不足以在具有多個(gè)肌瘤的病理情況下準(zhǔn)確的檢測(cè)出肌瘤。 為了解決多個(gè)肌瘤分割,Rundo等人提出了基于區(qū)域生長(zhǎng)的新方法以在治療后評(píng)估肌瘤內(nèi)的非灌注體積(NPV)。第一階段應(yīng)用拆分和合并的算法進(jìn)行多個(gè)種子區(qū)域選擇和檢測(cè)。 第二階段通過(guò)自適應(yīng)區(qū)域生長(zhǎng)分割子宮肌瘤。 在同一MR 圖像中可以分割具有不同像素強(qiáng)度的多個(gè)肌瘤。

        1.3 基于模糊C 均值的方法

        基于模糊C 均值(FCM)的方法是一種聚類(lèi)的方法,主要思想是按照距離將樣本聚成不同的簇,簇中各點(diǎn)距簇類(lèi)中心距離越近,相似度就越大,以得到緊湊且獨(dú)立的簇作為聚類(lèi)目標(biāo)。 FCM 算法實(shí)現(xiàn)簡(jiǎn)單,不過(guò)算法收斂速度取決于聚類(lèi)中心的設(shè)定,當(dāng)選擇不當(dāng)時(shí)容易陷入局部最優(yōu)解。

        Fallahi 等人首次提出基于模糊C 均值的方法在T1W 磁共振增強(qiáng)圖像中分割子宮肌瘤。 首先使用模糊C 均值方法對(duì)子宮肌瘤進(jìn)行初步分割。 其次應(yīng)用形態(tài)學(xué)操作來(lái)細(xì)化初始分割。 最后,利用MIPAV 軟件包將T1 圖像配準(zhǔn)到增強(qiáng)的T1 圖像上,并使用閾值法去除冗余部分。 在此方面,Militello 等人提出了一種基于無(wú)監(jiān)督模糊C 均值聚類(lèi)和迭代最優(yōu)閾值選擇算法的子宮和肌瘤分割的新型全自動(dòng)方法。 第一階段應(yīng)用模糊C 均值聚類(lèi)分割子宮區(qū)域(ROI),在聚類(lèi)之后使用一系列形態(tài)學(xué)操作應(yīng)用于二值圖像細(xì)化ROI 分割結(jié)果。第二階段從分割的ROI 中使用自適應(yīng)閾值來(lái)識(shí)別區(qū)域的灰度特征進(jìn)而分割子宮肌瘤。

        2 基于深度學(xué)習(xí)的子宮肌瘤圖像分割方法

        相較于傳統(tǒng)算法,深度學(xué)習(xí)算法不需要人工標(biāo)記特征,節(jié)省了更多的工作和時(shí)間。 并且,傳統(tǒng)圖像分割方法大多利用圖像的灰度、 紋理及形狀等表層信息,不適用于需要大量語(yǔ)義信息的分割任務(wù)。 近年來(lái),深度學(xué)習(xí)算法廣泛地應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域,其中基于 卷 積 神 經(jīng) 網(wǎng) 絡(luò) (convolutional neural networks,CNNs)的方法應(yīng)用最為廣泛。 全卷積神經(jīng)網(wǎng)絡(luò)(FCN)是CNN 的變體, 它允許網(wǎng)絡(luò)為整個(gè)圖像提取感興趣結(jié)構(gòu)的前景區(qū)域,以完成像素級(jí)的分割任務(wù)。 在2015年,Ronneberger 等人提出了結(jié)構(gòu)對(duì)稱(chēng)的U 型全卷積神經(jīng)網(wǎng)絡(luò)(Unet),它通過(guò)反卷積可以逐步將特征圖上采樣到原始輸入圖像的大小。 并且在編碼器和解碼器之間引入了跳躍連接,這樣可以很好地結(jié)合低分辨率的空間信息和高分辨率的語(yǔ)義信息。Unet 最早應(yīng)用在生物細(xì)胞結(jié)構(gòu)的分割上,以良好的分割準(zhǔn)確率和較低的計(jì)算成本取得了巨大的成功。

        在深度學(xué)習(xí)方法應(yīng)用在MR 圖像中的子宮肌瘤分割方面, Kurata 等人最早嘗試使用Unet 自動(dòng)分割MR 圖像的子宮。 他們納入122 例女性患者(14 例子宮內(nèi)膜癌,15 例子宮宮頸癌和55 例子宮平滑肌瘤),得到的所有患者的平均DSC 為0.82。結(jié)論證明了改良的Unet 全自動(dòng)子宮切斷術(shù)在臨床上是可行的,并且模型分割性能不受子宮病變的影響。 同樣,TANG Chun-ming 等人提出了一種新型的分割網(wǎng)絡(luò)AR-Unet (Attention ResNet101-Unet) 自動(dòng)分割MRI T2W 圖像的子宮肌瘤, 該網(wǎng)絡(luò)以深層神經(jīng)網(wǎng)絡(luò)ResNet101 為特征提取前端,結(jié)合了Unet 的設(shè)計(jì)思想構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)。 并且在上采樣和下采樣特征圖連接之前引入了注意力模塊,讓網(wǎng)絡(luò)提取的特征更具有針對(duì)性。 他檢測(cè)了13 例患者共123 例子宮肌瘤的MRI T2W 圖像。 得到的DSC=90.44%、IOU=84.43%、SE=88.55%、SP=94.56%。為了避免在治療中對(duì)脊髓造成任何傷害,脊柱的分割也很重要。 Chen Zhang 等人在HIFU 手術(shù)術(shù)前使用全卷積網(wǎng)絡(luò)(HIFUNet)對(duì)MR 影像的子宮、子宮肌瘤和脊柱進(jìn)行多類(lèi)分割。 他們使用大型內(nèi)核通過(guò)擴(kuò)大有效接受域來(lái)捕獲多空間尺度上下文。 此外,還采用了一個(gè)深層多原子卷積模塊來(lái)擴(kuò)大感受并提取更密集的特征圖。 研究納入了來(lái)自297例患者的矢狀方向的術(shù)前脂肪抑制T2 加權(quán)MR 圖像。 測(cè)試的結(jié)果為DSC=86.58%、IOU=88.17%、SE=88.45%、SP=99.52%。 并且將HIFUNet 的性能與當(dāng)前六種最新的分割網(wǎng)絡(luò)(U-Net、HRNet 等)進(jìn)行了比較,研究結(jié)果表明HIFUNet 的準(zhǔn)確性和魯棒性相對(duì)于其他分割網(wǎng)絡(luò)有顯著的改善。 張僑丹把基于深度學(xué)習(xí)的子宮腺肌瘤超聲圖像分割算法引入HIFU 消融技術(shù)的療效評(píng)估中。分別使用Deeplab 模型,通過(guò)空洞卷積算法和全連接CRF 來(lái)優(yōu)化病灶邊緣細(xì)節(jié)信息,并對(duì)比兩種語(yǔ)義分割網(wǎng)絡(luò)得到最優(yōu)的結(jié)果。 以及使用Mask RCNN 實(shí)例分割模型,通過(guò)ResNet 結(jié)構(gòu)來(lái)有效提取特征,結(jié)合RPN 網(wǎng)絡(luò)實(shí)現(xiàn)特征的有效利用并融合,并不斷對(duì)網(wǎng)絡(luò)訓(xùn)練進(jìn)行優(yōu)化,實(shí)現(xiàn)了對(duì)病灶區(qū)域的精細(xì)化分割, 納入了200 多名子宮腺肌瘤患者的近1 600 張超聲影像。 證明了兩種分割模型在醫(yī)學(xué)超聲圖像方面的精準(zhǔn)度與可行性。

        3 結(jié)語(yǔ)

        本文總結(jié)了包括傳統(tǒng)方法和深度學(xué)習(xí)方法在子宮肌瘤分割領(lǐng)域的研究現(xiàn)狀。 從中可以看出兩種方法的優(yōu)點(diǎn)和不足: 傳統(tǒng)的方法相對(duì)于手動(dòng)分割來(lái)說(shuō),提高了分割效率,但大多數(shù)依然離不開(kāi)人工的干預(yù)。 深度學(xué)習(xí)方法實(shí)現(xiàn)了自動(dòng)分割,同時(shí)提高了模型的分割性能。 由于目前應(yīng)用在子宮肌瘤分割中深度學(xué)習(xí)模型使用的都是2D 卷積,3D 卷積相比于2D 卷積增加了一個(gè)深度維度,3D 卷積可以充分地利用了圖像的三維信息,從而改進(jìn)模型的分割性能。但3D 卷積對(duì)設(shè)備性能的要求過(guò)高,隨著計(jì)算機(jī)硬件的發(fā)展,將3D 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于子宮肌瘤分割也是一個(gè)很值得研究的方向。 由于不同研究納入的數(shù)據(jù)樣本量較小而且來(lái)源不同,限制了在臨床上的應(yīng)用范圍,因此在未來(lái)建立統(tǒng)一標(biāo)準(zhǔn)的大型數(shù)據(jù)庫(kù)是一個(gè)很值得研究的方向。

        猜你喜歡
        特征區(qū)域方法
        如何表達(dá)“特征”
        不忠誠(chéng)的四個(gè)特征
        抓住特征巧觀(guān)察
        可能是方法不對(duì)
        關(guān)于四色猜想
        分區(qū)域
        用對(duì)方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        捕魚(yú)
        基于嚴(yán)重區(qū)域的多PCC點(diǎn)暫降頻次估計(jì)
        国产在线无码精品无码| av手机在线天堂网| 黑丝国产精品一区二区| 国产性虐视频在线观看| 日本做受120秒免费视频| 国产精品一区二区三区卡| 欧美日韩国产精品自在自线| 久久精品人妻一区二区三区| 在线偷窥制服另类| 91国产自拍精品视频| 国产极品大秀在线性色| 亚洲男人av天堂久久资源| 亚洲人成77777在线播放网站| 少妇人妻在线视频| 麻豆久久久国内精品| 偷拍韩国美女洗澡一区二区三区 | 国产精品 亚洲 无码 在线| 久久久久亚洲精品无码网址| 亚洲色AV天天天天天天| av网站国产主播在线| 国99久9在线 | 免费| 99久久夜色精品国产网站| 中文字幕五月久久婷热| 偷拍色图一区二区三区| 丰满少妇a级毛片野外| 国产999视频| 女同另类专区精品女同| 亚洲av中文无码乱人伦在线视色| 亚洲av无码一区二区二三区| 亚洲成精品动漫久久精久| 国产亚洲中文字幕一区| 中文字幕人妻第一区| 亚洲欧美国产日韩字幕| 亚洲黑寡妇黄色一级片| 亚洲人成网77777色在线播放| 亚洲欧洲日本综合aⅴ在线 | 女优视频一区二区三区在线观看 | 国产一在线精品一区在线观看| 久久精品国产一区二区涩涩| 国产成年人毛片在线99| 人妻精品动漫h无码网站|