這是專(zhuān)欄《圖像分割應(yīng)用》的第3篇文章，本專(zhuān)欄主要介紹圖像分割在各個(gè)領(lǐng)域的應(yīng)用、難點(diǎn)、技術(shù)要求等常見(jiàn)問(wèn)題。

腫瘤的分割是醫(yī)學(xué)圖像分析領(lǐng)域的一個(gè)重要內(nèi)容，相比較前面提到過(guò)的腦區(qū)域分割和心臟分割，腫瘤分割任務(wù)由于個(gè)體間形狀、紋理等差異大，從而實(shí)現(xiàn)更加困難。本文就來(lái)分析一下，腫瘤分割任務(wù)。

作者 | 孫叔橋

編輯 | 言有三

1 任務(wù)分析

在傳統(tǒng)醫(yī)學(xué)診斷中，專(zhuān)家的判斷幾乎是一個(gè)決定性的考量因素。即使在深度學(xué)習(xí)和人工智能快速發(fā)展的今天，醫(yī)學(xué)診斷問(wèn)題上，依然嚴(yán)重依賴(lài)于醫(yī)生的判斷。然而，這種依賴(lài)存在一定的問(wèn)題，比如耗時(shí)長(zhǎng)，比如在高強(qiáng)度的重復(fù)工作條件下醫(yī)生所出現(xiàn)的疲勞和由此引發(fā)的失誤。

因此，人們開(kāi)展了越來(lái)越多的嘗試，希望通過(guò)深度學(xué)習(xí)來(lái)實(shí)現(xiàn)某些醫(yī)學(xué)診斷。其中一個(gè)很重要的應(yīng)用就是腫瘤的分割。盡管在某些條件和情況下，深度學(xué)習(xí)的診斷效果非常好，但是這些方法仍然嚴(yán)重受限于數(shù)據(jù)庫(kù)、范化性、精度等問(wèn)題。

不同于醫(yī)學(xué)領(lǐng)域中的器官類(lèi)分割，不同腫瘤的形狀、紋理千差萬(wàn)別，很難通過(guò)直接匹配的方式找到它們之間存在的共性。因此，想要利用器官類(lèi)分割的方法來(lái)區(qū)分腫瘤，是非常困難的。

本文我們來(lái)分析一下，醫(yī)學(xué)領(lǐng)域的腫瘤分割有哪些問(wèn)題，并給出應(yīng)用范例。

2 難點(diǎn)介紹

為了更形象化的描述，這里我們用傳統(tǒng)方法的局限分析的方式來(lái)側(cè)面了解腫瘤分割問(wèn)題的困難和產(chǎn)生的原因。

(1) 基于閾值的分割方法

基于閾值的分割方法是圖像分割中最簡(jiǎn)單、高效的方法，也是最基礎(chǔ)的方法之一。這種方法通過(guò)對(duì)圖像內(nèi)設(shè)置全局或局部閾值，實(shí)現(xiàn)灰度圖像的二值化，從而實(shí)現(xiàn)前背景分割，即目標(biāo)區(qū)域分割。然而，在腫瘤分割問(wèn)題上則存在明顯問(wèn)題。以皮膚癌為例，這種方式分割出來(lái)的皮膚鏡圖像往往不連續(xù)。究其原因，是因?yàn)槠つw鏡圖像的對(duì)比度低，且病變與皮膚之間的灰度值變化平滑，從而導(dǎo)致很難找到一個(gè)合適的閾值進(jìn)行分割，致使分割失敗。

(2) 基于區(qū)域的分割方法

基于區(qū)域的分割方法是通過(guò)屬性分析，將具有共同性質(zhì)的部分聚類(lèi)成一個(gè)個(gè)小區(qū)域。這種方法要求的是病變區(qū)域要具有相近的特征（如顏色、紋理等），且該種特征與皮膚正常區(qū)域區(qū)別明顯。但是，由于皮膚病變的顏色、紋理多種多樣，基于區(qū)域的分割方法同樣難以實(shí)現(xiàn)腫瘤分割。

(3) 基于邊界的分割方法

基于邊界的分割方法主要依據(jù)邊緣來(lái)區(qū)分個(gè)體與個(gè)體，從而實(shí)現(xiàn)分割。這種方法盡管簡(jiǎn)單，但是往往，病變區(qū)域與正常皮膚之間的表面過(guò)度是平滑的，因此也很容易分割失敗。同時(shí)，基于邊緣的分割方法容易受到噪聲（如毛發(fā)、皮膚紋理等）的影響，從而在早點(diǎn)周?chē)a(chǎn)生錯(cuò)誤的分割結(jié)果。

(4) 基于聚類(lèi)的分割方法

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法與基于聚類(lèi)思想的分割方法類(lèi)似，其目的都是在某個(gè)高維空間下，找到一種合適的度量，使得在新的空間下，具有相同特征的像素點(diǎn)互相靠近，而具有不同特征的像素點(diǎn)之間的距離盡量遠(yuǎn)離。我們常見(jiàn)的分割結(jié)構(gòu)（如編解碼結(jié)構(gòu)）就可以理解為：首先學(xué)習(xí)一個(gè)特征映射函數(shù)，將原始圖像映射到高維特征空間；隨后學(xué)習(xí)一個(gè)度量函數(shù)，用來(lái)增加不同類(lèi)別像素點(diǎn)之間的距離并對(duì)相同類(lèi)別的像素點(diǎn)聚類(lèi)；最后，通過(guò)損失函數(shù)指導(dǎo)應(yīng)設(shè)函數(shù)和度量的權(quán)重更新。

3 應(yīng)用實(shí)例

腫瘤分割任務(wù)數(shù)據(jù)獲取困難、難度大，因此相關(guān)的研究有很大的提升空間。無(wú)論是從數(shù)據(jù)角度進(jìn)行弱監(jiān)督、無(wú)監(jiān)督改進(jìn)，還是從算法本身實(shí)現(xiàn)更高精度的分割，都不失為一個(gè)不錯(cuò)的改進(jìn)方向。

這里給出幾個(gè)開(kāi)源代碼和其對(duì)應(yīng)的論文供大家參考，作為應(yīng)用的一個(gè)開(kāi)端。

代碼地址：https://github.com/marc-gorriz/CEAL-Medical-Image-Segmentation

論文題目：《Cost-Effective Active Learning for Melanoma Segmentation》

代碼地址：https://github.com/Issam28/Brain-tumor-segmentation

論文題目：《Deep Convolutional Neural Networks Using U-Net for Automatic Brain Tumor Segmentation in Multimodal MRI Volumes》

總結(jié)

本文介紹了醫(yī)學(xué)圖像分割中的腫瘤分割問(wèn)題，包括問(wèn)題介紹和難點(diǎn)分析，并給出了應(yīng)用實(shí)例。下期我們對(duì)醫(yī)學(xué)圖像分割問(wèn)題做一個(gè)總結(jié)，之后開(kāi)啟《圖像分割應(yīng)用》專(zhuān)欄 的第二部分。