[用于图像分割的深度学习]

摘要: 医学图像分割是确定医学图像是否可以为临床诊断和治疗提供可靠依据的关键问题. 医学图像分割技术的发展不仅影响医学图像处理中其他相关技术的发展，如可视化，3D重建等，而且在生物医学图像分析中也占有极其重要的地位. 近年来，由于深度学习算法在医学图像分割中的应用，医学图像分割技术取得了长足的进步. 在本文中，我们讨论了最新的深度学习架构及其在医学图像分割中的优化. 在上一节中，我们讨论了深度学习算法在医学图像分割领域的未来发展和挑战.

关键字: 深度学习；卷积神经网络图像分割医学图像

随着医学成像设备的迅速发展和普及，包括磁共振成像（MR），计算机断层扫描（CT），超声，正电子发射断层扫描（PET）等在内的成像技术已成为疾病诊断不可缺少的医疗机构. 用于外科计划，预后评估和随访的设备. 世界上每天都会生成大量的医学成像信息，并且有报道称，世界上医学成像信息的数量占世界总信息的五分之一以上[1]. 医学图像处理是分析医学图像的第一步，有助于使图像更直观和清晰，并提高诊断效率. 因此，医学图像处理在受到高度重视[2]. 图像分割是图像处理的重要组成部分，也是难点. 这是一个瓶颈问题，限制了3D重建等技术的应用[3]. 近年来，由于深度学习方法的飞速发展，基于深度学习的图像分割算法在医学图像分割领域取得了令人瞩目的成就.

深度学习是机器学习领域中的一系列算法，它们尝试使用多个非线性转换来多层抽象数据. 它不仅学习输入和输出之间的非线性映射，而且学习输入数据向量的隐藏结构. [4]智能识别或预测新样本. 在1980年代后期，用于人工神经网络的反向传播算法的发明掀起了基于统计模型的机器学习浪潮[5]. 在1990年代，浅层学习掀起了第一波机器学习浪潮[6]尽管这些浅层结构与过去的基于人工规则的系统相比显示出巨大的优势，但它们却显示出诸如特征学习能力不足，尺寸灾难以及易于跌落等缺点进入局部最优值以处理复杂问题[7]. 针对上述问题，Hinton于2006年首次在“科学”中提出了“深度学习”，并掀起了第二波机器学习浪潮[8]. 多隐藏层网络具有出色的功能学习功能. 学习的特征对数据具有更重要的特征. 深度学习在医学图像分割中的突破对医学领域的发展非常重要[9].

医学成像具有多种图像模式，例如MR，CT，PET，超声成像等. 成像可以获取反映二维和三维区域中人体生理和生理特征的图像. 本文的内容主要集中在MR和CT成像的特点和临床应用上. 二维图像中的每个元素称为像素，而三维区域中的每个元素称为体素. 在某些情况下，三维图像可以表示为用于观察的一系列二维切片. 优点是计算复杂度低. 并且需要更少的内存.

磁共振成像（MRI）是放射线照相领域中使用最广泛的技术. 作为一种动态而灵活的技术，MRI可以实现可变的图像对比度. 通过使用不同的脉冲序列并更改与纵向弛豫时间（T1）和横向弛豫时间（T2），T1权重相对应的成像参数，可以实现此过程. T2和T2加权成像的信号强度与特定组织的特征有关[10]. 在MR成像中，图像的对比度取决于相衬脉冲序列参数. 最常见的脉冲序列是T1加权和T2加权的自旋回波序列[12]. MR成像可以观察到大脑，肝脏，胸部，腹部和骨盆的结构细节，有助于诊断检测或治疗[13].

MRI对软组织具有良好的成像能力；它具有很高的分辨率；它具有很高的信噪比；可以使用不同的脉冲序列来获得具有不同对比度的多通道图像，这些图像可以用于不同的解剖结构. 对象分割和分类[14]. 但是，MRI中存在许多伪影，例如部分体积，随机场噪声，强度不均匀，梯度，运动，环绕，吉布斯振铃，磁化性等[15]. 此外，与CT图像相比，MRI采集要花费较长的时间，并且在正常条件下很难获得均匀的图像质量.

医用CT成像设备使用X射线（电磁波）来获取人体的结构和功能信息. CT图像是基于X射线吸收轮廓的重建图像. 由于不同的材料和组织具有不同的吸收X射线的能力，因此X射线可用于诊断[16]. CT成像是目前诊断多种疾病实体的金标准，已广泛应用于脑，肝，胸，腹部，骨盆，脊柱和其他身体部位，以及CT血管造影的早期诊断和筛查[ 17]. 然而，与MR图像相比，CT图像的敏感性和特异性相对较差.

CT成像中的伪影[18]包括: 部分体积效应，条纹伪影，运动伪影，光束硬化伪影，环形伪影，金属伪影等. 由于这些伪影的存在，CT图像分割带来了一定的困难，不同组织部位的分割精度也不同[19].

医学图像分割是医学图像处理和分析领域中复杂而关键的一步. 目的是对具有特殊含义的医学图像进行分割并提取相关特征，以提供临床诊断和病理学研究. 可靠的证据可帮助医生做出更准确的诊断[20]. 图像分割过程是将图像划分为多个区域. 这些区域具有相似的属性，例如灰度，颜色，纹理，亮度，对比度等. 医学图像分割的目标是（以放射治疗为例）[21]: （1）研究解剖结构； （2）确定感兴趣的区域（即，定位肿瘤，病变和其他异常组织）； （3）测量组织体积； （4）观察治疗过程中肿瘤的生长或肿瘤体积的减少，为治疗前的计划和治疗提供帮助； （5）辐射剂量的计算.

从医学图像自动分割目标是一项艰巨的任务，因为医学图像具有很高的复杂度并且缺乏简单的线性特征. 此外，分割结果的准确性还受到部分体积效应，灰度不均匀，伪影效应，不同软组织之间的灰度接近度等的影响[22]. 对于常用的校正技术，MR和CT图像中的伪影可分类为[23]: （1）需要适当过滤算法的伪影，例如噪声伪影，灵敏度伪影，边缘清晰的非伪影的存在； （2）需要适当的图像修复算法的伪像，例如运动伪像； （3）需要特定算法的伪像，例如部分体积和灰度不均匀. 尽管在图像处理领域中存在许多算法来解决上述问题，但是医学图像分割仍然是复杂且具有挑战性的问题. 从医学图像处理的角度来看，基于灰度和纹理特征技术的分类是常规的分类方法[24]. 另外图像分割c语言，使用机器学习工具来优化这些图像分割算法是当前比较流行的技术[25].

CT和MR图像的分割主要涉及三个相关问题: 噪声变化，像素灰度分类的不确定性和灰度不平衡[26]. 图像中单个组织的灰度通常会逐渐变化，并且其概率密度服从特定的分布函数. 与组织相对应的图像区域包含有限的像素（或体素），并且满足部分体积平均值. 单个像素（或体素）的灰度级别与任何一个类别都不一致，通常被视为混合组织类别[28].

CT和MR图像分割的一些常见方法是: 基于阈值的[29]，基于区域的[30]，基于变形的模型[31]，基于模糊的[32]和基于神经网络的[34] ].

当前，基于深度学习的方法在图像分割领域取得了显著成就，其分割精度已超过传统分割方法. 本文基于近年来的深度学习和医学图像分割文献，对深度学习方法和常用的图像分割算法进行了深入的研究和比较，总结了各种深度学习方法的优缺点及其应用在医学上. 最终在图像分割领域的应用期待着医学图像分割领域深度学习的未来发展.

传统的图像处理技术主要包括特征提取和分类器. 特征提取算法的设计复杂性，应用限制和稳定性，以及将特定特征提取算法与特定分类器组合在一起的多样性限制. 图像处理技术的发展[36]. 神经网络的出现使得端到端图像处理成为可能. 当网络的隐藏层发展为多层时，称为深度学习，但同时，必须使用逐层初始化技术来解决深度网络训练的难题. 深度学习已成为该时代的主角[37]. 卷积神经网络（CNN）是由深度学习和图像处理技术相结合生成的经典模型. 实现此模型的网络示例在处理特定的图像问题方面非常有效[38].

神经网络能够与图像领域结合并具有广阔的发展前景的原因是基于生物学的. 人类视觉信息处理机制的发现是1818年代生物界的主要发现之一，证明了大脑的视觉皮层是分层存在的. 人类的视觉系统是一个反复的过程. 卷积神经网络模拟了这一过程. 首先，每个卷积层是特定信息的抽象过程，而多个卷积层的串联操作是前一层的抽象结果的抽象过程，称为迭代[39]. 在这个抽象的迭代过程中，大脑可以感知的高维特征被不断提取. 例如，当图像穿过视网膜并进入视野时，诸如光像素之类的信息首先被抽象为图像边缘信息，然后抽象为目标对象的特定部分，然后抽象为对象的轮廓形成对整个目标的感知[41].

卷积神经网络（CNN）是一个多阶段，可全局训练的人工神经网络模型，经过少量的预处理[42]即可从原始数据中学习抽象，必要和深入的特征. 在CNN中，每一层的数据都是大小为h×w×d的三维数组，其中h和w是空间维，d是特征维或通道维. 在图像处理领域，h×w代表图像尺寸，d代表色彩通道. CNN高级层中的每个点都对应于图像中的一个区域，称为局部感受野.

在本地输入区域上运行的CNN的基本操作包括卷积，整流线性单位（ReLu）和合并. 这些操作仅取决于相关的空间坐标[43]. 让我们表示某一层上的坐标的数据矢量，而下一层中的坐标的数据矢量则可以通过以下公式计算得出:

（2-2）

其中: 是卷积核的大小，s是步长或下采样系数，确定层的类型: 矩阵乘法对应于卷积层或平均池化层；空间域的最大值对应于最大池化层；非线性函数对应于激活函数层.

（1）卷积

研究表明，自然图像的一部分的统计特征与其他部分的统计特征相同，因此CNN网络在图像的一部分中学习到的特征也可以用于图像的其他部分[ 44]. 当CNN网络对图像执行卷积运算时，可以将相同的卷积内核用于图像上所有位置的卷积运算. 在卷积层中，卷积内核与在上一层中获得的特征图进行卷积. 卷积运算的计算公式如下:

（2-3）

在公式中，是的邻域.

（2）激活功能

卷积神经网络中每一层的特征图通常与上一层的多个特征图相关，这些特征图是在激活函数之后上一层的特征图的卷积结果之后获得的. CNN网络中常用的激活函数包括ReLu函数，Sigmoid函数和双曲正切函数. 计算公式如下:

（3）池化

CNN网络完成卷积特征提取后，将每个隐藏单元提取的特征视为一个矩阵，并将该矩阵划分为几个非重叠区域，并计算出每个划分区域中的特征. 然后，将该值的平均值或最大值用于计算出的平均值或最大值的后续训练. 此过程正在汇集. 上述使用均值和最大值来计算区域特征的合并方法分别称为均值合并和最大合并.

由于卷积神经网络在手写字体识别领域取得了巨大突破[45]，因此已逐渐开始应用于图像处理领域. CNN网络在ImageNet竞赛中的出色表现[46]表明，它在图像处理领域（如图像特征提取和图像分类）具有巨大的潜力. 目前，CNN网络已被广泛用于医学图像分割.

武迅东等. [47]提出了一种基于迭代卷积神经网络的细胞膜分割方法. 通过在细胞膜检测概率图上迭代使用卷积神经网络算法，在一定程度上提高了细胞膜分割的准确性. 曹桂宝等. [48]提出了一种结合卷积神经网络和随机森林分类器的方法来实现神经细胞图像的分割. 使用传统的森林分类器代替传统的softmax分类器. 卷积在实验中分别进行了训练. 神经网络模型和分类器模型用于训练具有学习特征的随机森林分类器. 最后，完成了电子显微镜图像的神经细胞膜分割. 实验结果的分割精度明显高于传统的分割算法SVM，使用随机森林作为分类器的效果要优于传统的softmax作为分类器.

CERNAZANUGLAVAN等. [49]提出使用卷积神经网络分割X射线图像中的骨骼结构，使用四个不同的卷积神经网络提取骨骼X射线图像的图像特征，并提取图像特征使用softmax分类器进行分类实现骨骼结构的分割. 实验表明，第四网络卷积神经网络结构的分割精度较高.

Su，Hai等. [50]提出了一种快速扫描卷积神经网络以分割乳房磁共振图像的方法. 与传统的卷积神经网络结构不同，该文档使用卷积核对从卷积层中的先前卷积层提取的整个图像或特征图进行卷积，并重新排列最大池化层以减少冗余计算. . 实验表明，本文提出的基于快速扫描卷积神经网络的分割方法大大提高了图像分割速度，保证了恒定的分割精度，为乳腺癌的实时诊断提供了技术支持.

当通过卷积神经网络进行图像分割时，由于其出色的特征提取能力和良好的特征表达能力，因此无需手动提取图像特征或对图像进行过多的预处理. 在医学成像（MRI，CT，X射线等）分割和辅助诊断领域已经取得了巨大的成功[51].

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-158793-1.html