32、医学图像分割：皮肤病变与左心房动脉瘤的创新方法

医学图像分割：皮肤病变与左心房动脉瘤的创新方法

1. 皮肤病变分割

1.1 数据集

在皮肤病变分割的研究中，使用了两个重要的数据集：
- PH2 数据集 ：由葡萄牙马托西纽什的佩德罗·伊斯帕诺医院皮肤科服务处使用图宾根痣分析仪系统采集。该数据集提供了 200 张分辨率为 768×560 像素的皮肤镜图像，病变由专业皮肤科医生手动标注。
- ISBI 2016 挑战数据集 ：包含 900 张皮肤镜图像，皮肤图像大小从 1022×767 到 4288×2848 像素不等，真实标签由专家提供。此数据集包含 727 张良性和 173 张黑色素瘤皮肤镜图像。

1.2 性能指标与参数设置

为了衡量所提出方法的性能，采用了不同的指标：
- 曲线下面积（AUC）
- 平均精度（AP）
- 骰子相似度系数（DSC）
- 杰卡德系数（JC）

这些指标用于量化真实标签与获得的分割二值掩码之间的空间重叠。例如，DSC 定义为：$DSC = \frac{2A_{S} \cap A_{G}}{A_{S} + A_{G}}$，其中$A_{S}$和$A_{G}$分别表示分割结果和真实标签。

参数设置如下：
|参数|设置值|
| ---- | ---- |
|$\lambda_1$|0.04|
|$\lambda_2$|0.4|
|优化问题最大迭代次数（式 1）|15|
|更新过程最大迭代次数（式 3）|5|
|聚类数 K|3|
|尺度数 S|3|
|平衡权重 $\alpha$|0.1|
|平衡权重 $\sigma$|8|
|参数 $\beta$|0.2|

这些参数设置通过实验确定，并且对于两个不同的数据集是相同的，分割性能对这些参数不太敏感。

1.3 方法比较

将所提出的病变分割方法与几种先进的方法进行了比较，包括自适应阈值法（AT）、ISO 法、Yen 阈值法、水平集活动轮廓法（LSAC）、统计区域生长法（SRG）以及基于超像素的显著性检测方法。结果如下表所示：

ISBI 2016 数据集比较

方法	AP	JC	DC	AUC
自适应阈值法 [16]	0.80	0.45	0.56	0.72
ISO [14]	0.77	0.56	0.68	0.82
Yen 阈值法 [15]	0.77	0.58	0.67	0.81
水平集活动轮廓法 [9]	0.79	0.46	0.58	0.70
统计区域生长法 [6]	0.76	0.43	0.55	0.73
Bootstrap 学习 [18]	0.75	0.57	0.72	0.78
上下文超图 [10]	0.78	0.60	0.75	0.83
提出的方法 #SP = 100	0.79	0.63	0.77	0.83
提出的方法 #SP = 200	0.80	0.64	0.78	0.94
提出的方法 #SP = 300	0.82	0.65	0.78	0.90
提出的方法 - 融合	0.86	0.67	0.80	0.91

PH2 数据集比较

方法	AP	JC	DC	AUC
自适应阈值法 [16]	0.87	0.72	0.80	0.81
ISO [14]	0.62	0.33	0.44	0.84
Yen 阈值法 [15]	0.67	0.45	0.55	0.87
水平集活动轮廓法 [9]	0.86	0.76	0.83	0.77
统计区域生长法 [6]	0.89	0.43	0.61	0.79
Bootstrap 学习 [18]	0.85	0.60	0.75	0.72
上下文超图 [10]	0.87	0.63	0.77	0.75
提出的方法 #SP = 100	0.91	0.74	0.85	0.93
提出的方法 #SP = 200	0.87	0.75	0.85	0.95
提出的方法 #SP = 300	0.79	0.72	0.83	0.92
提出的方法 - 融合	0.86	0.76	0.86	0.96

所提出的方法在大多数指标上显著优于其他先进方法，在 ISBI 2016 挑战数据集的 JC 指标上，与其他方法相比有超过 6%的显著优势。

1.4 结论

提出了一种基于稀疏编码技术的无监督皮肤病变分割方法。主要贡献是一种新的皮肤病变分割细化方法，其中超像素的置信度得分根据每个超像素及其相邻超像素的置信度得分的一组规则在时间步长中演变。实验结果表明，该方法在大多数指标上显著优于其他先进方法。

2. 基于深度残差网络的左心房动脉瘤自动分割

2.1 引言

左心房动脉瘤是一种严重的心脏病，早期诊断和治疗计划非常重要。在临床实践中，动脉瘤的体积被广泛用于评估其严重程度和跟踪进展。目前，体积是通过临床医生手动获取的动脉瘤直径进行估计和近似。手动方法主观、不准确、不可重复且劳动强度大，因此迫切需要自动分割左心房动脉瘤。

常规分割方法依赖于形状轮廓由相对清晰的边缘和区域均匀性支持的假设，但在医学图像中，由于低强度对比度和复杂的图像纹理，边缘并不总是可见，区域均匀性也会被破坏。卷积神经网络（CNN）在许多领域取得了高分类准确率，但在左心房动脉瘤分割中，由于动脉瘤图像的复杂特征，难以训练出理想的模型。

左心房动脉瘤分割的挑战主要包括：
1. 动脉瘤与左心房壁紧密相连，难以从粘连组织中提取，在某些 CT 切片中，动脉瘤模糊，难以与背景区分。
2. 动脉瘤周围的解剖结构具有相似的强度，导致低强度对比度，人类很难区分左心房动脉瘤和心房壁。
3. 与心脏心室等器官不同，左心房动脉瘤在不同患者之间的位置、大小和形状差异很大，动脉瘤有时很小，与血管规模相同，分割的微小差异会极大影响结果。

2.2 深度残差网络的优势

近期研究表明，使用深度为 16 到 30 层的“非常深”模型在具有挑战性的 ImageNet 数据集上取得了显著成功。然而，随着网络深度的增加，准确率会饱和并迅速下降。深度残差网络（DRN）可以达到 152 层，解决了退化问题，同时具有较低的复杂度，在许多比赛中获得第一名。深度残差网络的成功依赖于残差映射，将原始映射替换为$F(x) + x$，因为优化残差映射更容易。因此，极深的残差网络可以学习更复杂和分层的判别特征，对不同的临床数据集更具鲁棒性。

2.3 提出的框架

提出了一种基于深度残差网络的新框架来完成左心房动脉瘤的分割。为了克服图像外观变化和动脉瘤形状的巨大差异，构建了更强大的模型来训练深度为 152 层的极深网络，该网络可以学习比传统 CNN 更复杂和分层的判别特征。此外，使用训练好的 DRN 模型计算像素属于动脉瘤的概率，并基于这些概率和一种新的结构融合算法进行分割。

2.4 方法步骤

2.4.1 预处理

训练数据集由 3D 原始 CT 图像序列和相应的标注图像组成。首先，从包含左心房动脉瘤的 3D 图像中提取一系列单张 2D 图像。为了降低计算成本并提高准确性，手动从原始 2D 图像中提取感兴趣区域（ROI）。

2.4.2 生成训练/测试集

借助临床医生预先手动标注的真实标签，将训练单元分为三类：左心房动脉瘤、心房壁和背景。由于 ROI 中动脉瘤的特征容易与其他两类特征混合，因此选择小补丁作为训练单元。在处理输入数据集时，将 ROI 划分为大量 7×7 的小补丁，步长为 1×1。每个补丁的类别由补丁中对应真实标签的主要像素确定。

2.4.3 训练

构建一个 152 层的残差网络来训练模型。DRN 的输入是一个 7×7 的张量，输出是一个 1×3 的向量。第一层是 DRN 管道的入口，准备经过预处理的输入。它从训练集中获取分类单元并将其放入下一层。最后，一个 Softmax 层连接到最后一个全连接层。

Softmax 层计算概率$P$的公式为：
$P (Y_i|\chi) = \frac{e^{\chi_i}}{\sum_{j} e^{\chi_j}}$

其中$\chi$是输入向量，$Y \in {0, 1, 2}$；$Y_i = 0$表示左心房动脉瘤的标准输出向量；$Y_i = 1$表示心房壁的标准输出向量；$Y_i = 2$表示背景的标准输出向量。

Softmax 层还使用预测标签和真实标签计算输入的逻辑损失，并将其反向传播到网络。损失函数$L$定义为：
$L(y, \chi) = -\log \sum_{j} e^{\chi_j - \chi_y}$

损失函数用于在训练时校正网络的权重。

2.4.4 结构融合和分割

训练后，DRN 生成一个分类模型。在分类之前，输入测试图像将进行相同的预处理。因此，输入测试图像被划分为 7×7 的补丁，由训练好的 DRN 模型逐个分类。每个测试补丁从训练好的模型中获得三个可能性值，即可能性向量$v = (l, w, b)$，分别对应三个类别。

结构融合利用每个像素的邻域信息来确定类别，而不是直接选择$v$中的最大可能性值来决定每个像素的类别。这充分利用了结构信息，进一步提高了最终结果的准确性。

可能性向量$v$构建了三个可能性图：$P_l$（左心房动脉瘤）、$P_w$（心房壁）和$P_b$（背景），分别表示测试图像中索引像素属于三个类别的可能性。为了利用结构信息，这三个可能性图将使用预定义的 7×7 权重矩阵进行更新和卷积。最后，对于每个对应的可能性值，计算$max(x_l, x_w, x_b)$作为最终可能性来确定像素的类别。

2.5 贡献

1. 首次实现了左心房动脉瘤的全自动准确分割，能够更准确、高效地估计体积，并应用于其他重要的临床应用。
2. 在生成结果图像时，创造性地将结构融合纳入每个像素的类别确定中，利用每个像素的邻域信息进一步提高分割准确性，可广泛应用于相关领域。
3. 首次收集并使用了大规模的左心房动脉瘤临床数据集。

2.6 实验结果

在足够的训练和测试数据集上的实验结果表明，所提出的框架在准确性和相对误差方面优于现有先进方法。该方法与真实标签具有高度相关性，在临床应用中具有很大的潜力。

2.7 总结

本文介绍了两种医学图像分割方法，分别针对皮肤病变和左心房动脉瘤。皮肤病变分割方法通过加权求和和动态规则细化，在多个指标上优于现有方法。左心房动脉瘤分割方法基于深度残差网络和结构融合算法，克服了传统方法的局限性，实现了全自动准确分割，为临床应用提供了更有效的工具。这些方法的提出为医学图像分割领域带来了新的思路和解决方案。

3. 两种分割方法的技术要点对比

3.1 数据处理对比

方法	数据来源	数据预处理	训练单元选择
皮肤病变分割	PH2 数据集、ISBI 2016 挑战数据集	无特殊说明	未提及特殊处理
左心房动脉瘤分割	3D 原始 CT 图像序列及对应标注图像	提取 2D 图像，手动提取 ROI	将 ROI 划分为 7×7 小补丁

从数据处理环节来看，左心房动脉瘤分割由于其图像的复杂性，需要更精细的数据预处理和训练单元选择，以突出目标特征。

3.2 核心算法对比

• 皮肤病变分割 ：基于稀疏编码技术，通过加权求和和动态规则细化来演变超像素的置信度得分，实现分割细化。
• 左心房动脉瘤分割 ：采用深度残差网络（DRN）构建 152 层网络，结合 Softmax 层计算概率，并通过结构融合算法利用邻域信息确定像素类别。

可以看出，左心房动脉瘤分割利用了深度学习的强大特征学习能力，而皮肤病变分割更侧重于传统的稀疏编码和规则演变。

3.3 性能评估对比

两种方法都采用了多种性能指标进行评估，如 AUC、AP、DSC 和 JC 等。但从实验结果来看，皮肤病变分割方法在 ISBI 2016 挑战数据集的 JC 指标上有显著优势，而左心房动脉瘤分割方法在准确性和相对误差方面优于现有先进方法，与真实标签具有高度相关性。

4. 医学图像分割方法的应用前景与挑战

4.1 应用前景

• 临床诊断 ：准确的分割结果可以帮助医生更精确地评估病情，制定更合理的治疗方案。例如，左心房动脉瘤的准确分割可以更准确地估计体积，为治疗决策提供重要依据；皮肤病变的分割有助于早期发现病变，提高治愈率。
• 研究分析 ：大规模的医学图像分割数据可以用于医学研究，如疾病的发病机制研究、治疗效果评估等。

4.2 面临挑战

• 数据获取与标注 ：医学图像数据的获取需要专业的设备和患者的配合，且标注工作需要专业的医生，成本高、难度大。例如，左心房动脉瘤和皮肤病变的标注都需要专业医生手动完成，耗时耗力。
• 图像复杂性 ：医学图像的复杂性，如低强度对比度、复杂的纹理和形状变化，给分割带来了很大的挑战。左心房动脉瘤与心房壁的低对比度，以及皮肤病变的多样性，都增加了分割的难度。
• 算法的泛化能力 ：不同患者的医学图像存在差异，算法需要具有良好的泛化能力，才能在不同的数据集上取得良好的效果。

5. 未来发展趋势

5.1 多模态数据融合

结合多种医学成像模态的数据，如 CT、MRI、PET 等，可以提供更丰富的信息，提高分割的准确性。例如，在左心房动脉瘤分割中，结合 CT 和 MRI 数据可能会更好地识别病变的边界和特征。

5.2 强化学习与主动学习

引入强化学习和主动学习机制，让算法在学习过程中不断优化，减少对大量标注数据的依赖。例如，在训练过程中，算法可以主动选择最有价值的数据进行标注，提高学习效率。

5.3 跨领域合作

医学图像分割需要医学、计算机科学、数学等多领域的合作。未来，跨领域的研究团队将共同推动医学图像分割技术的发展，解决更多的临床问题。

6. 总结与展望

6.1 总结

本文介绍的皮肤病变分割和左心房动脉瘤分割方法，分别采用了不同的技术手段，在各自的领域取得了良好的效果。皮肤病变分割方法通过动态规则细化提高了分割的准确性，左心房动脉瘤分割方法利用深度残差网络和结构融合算法实现了全自动准确分割。

6.2 展望

随着技术的不断发展，医学图像分割方法将不断完善，为临床诊断和治疗提供更有力的支持。未来，我们期待更多创新的算法和技术出现，解决医学图像分割中的难题，推动医学领域的进步。同时，也希望这些技术能够在实际临床应用中得到广泛推广，造福更多患者。

7. 流程图总结

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px

    A(医学图像分割):::process --> B(皮肤病变分割):::process
    A --> C(左心房动脉瘤分割):::process
    B --> B1(数据集选择):::process
    B --> B2(性能指标与参数设置):::process
    B --> B3(方法比较):::process
    B --> B4(结论):::process
    C --> C1(引言):::process
    C --> C2(深度残差网络优势):::process
    C --> C3(提出框架):::process
    C --> C4(方法步骤):::process
    C --> C5(贡献):::process
    C --> C6(实验结果):::process
    C --> C7(总结):::process
    C4 --> C41(预处理):::process
    C4 --> C42(生成训练/测试集):::process
    C4 --> C43(训练):::process
    C4 --> C44(结构融合和分割):::process

这个流程图总结了本文介绍的两种医学图像分割方法的整体流程，从大的分类到具体的步骤，清晰地展示了两种方法的结构和关系。