這是專欄《圖像分割應用》的第3篇文章，本專欄主要介紹圖像分割在各個領域的應用、難點、技術要求等常見問題。

腫瘤的分割是醫(yī)學圖像分析領域的一個重要內容，相比較前面提到過的腦區(qū)域分割和心臟分割，腫瘤分割任務由于個體間形狀、紋理等差異大，從而實現(xiàn)更加困難。本文就來分析一下，腫瘤分割任務。

作者&編輯 | 孫叔橋?

1 任務分析

在傳統(tǒng)醫(yī)學診斷中，專家的判斷幾乎是一個決定性的考量因素。即使在深度學習和人工智能快速發(fā)展的今天，醫(yī)學診斷問題上，依然嚴重依賴于醫(yī)生的判斷。然而，這種依賴存在一定的問題，比如耗時長，比如在高強度的重復工作條件下醫(yī)生所出現(xiàn)的疲勞和由此引發(fā)的失誤。

因此，人們開展了越來越多的嘗試，希望通過深度學習來實現(xiàn)某些醫(yī)學診斷。其中一個很重要的應用就是腫瘤的分割。盡管在某些條件和情況下，深度學習的診斷效果非常好，但是這些方法仍然嚴重受限于數(shù)據(jù)庫、范化性、精度等問題。

不同于醫(yī)學領域中的器官類分割，不同腫瘤的形狀、紋理千差萬別，很難通過直接匹配的方式找到它們之間存在的共性。因此，想要利用器官類分割的方法來區(qū)分腫瘤，是非常困難的。

本文我們來分析一下，醫(yī)學領域的腫瘤分割有哪些問題，并給出應用范例。

腦部腫瘤分割示例

2 難點介紹

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側面了解腫瘤分割問題的困難和產生的原因。

(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單、高效的方法，也是最基礎的方法之一。這種方法通過對圖像內設置全局或局部閾值，實現(xiàn)灰度圖像的二值化，從而實現(xiàn)前背景分割，即目標區(qū)域分割。然而，在腫瘤分割問題上則存在明顯問題。以皮膚癌為例，這種方式分割出來的皮膚鏡圖像往往不連續(xù)。究其原因，是因為皮膚鏡圖像的對比度低，且病變與皮膚之間的灰度值變化平滑，從而導致很難找到一個合適的閾值進行分割，致使分割失敗。

灰度不均衡示例

(2) 基于區(qū)域的分割方法

基于區(qū)域的分割方法是通過屬性分析，將具有共同性質的部分聚類成一個個小區(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現(xiàn)腫瘤分割。

皮膚病變多樣性示例

(3) 基于邊界的分割方法

基于邊界的分割方法主要依據(jù)邊緣來區(qū)分個體與個體，從而實現(xiàn)分割。這種方法盡管簡單，但是往往，病變區(qū)域與正常皮膚之間的表面過度是平滑的，因此也很容易分割失敗。同時，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，從而在早點周圍產生錯誤的分割結果。

干擾項示例

(4) 基于聚類的分割方法

機器學習和深度學習的方法與基于聚類思想的分割方法類似，其目的都是在某個高維空間下，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互相靠近，而具有不同特征的像素點之間的距離盡量遠離。我們常見的分割結構（如編解碼結構）就可以理解為：首先學習一個特征映射函數(shù)，將原始圖像映射到高維特征空間；隨后學習一個度量函數(shù)，用來增加不同類別像素點之間的距離并對相同類別的像素點聚類；最后，通過損失函數(shù)指導應設函數(shù)和度量的權重更新。

皮膚分割結果示例

3 應用實例

腫瘤分割任務數(shù)據(jù)獲取困難、難度大，因此相關的研究有很大的提升空間。無論是從數(shù)據(jù)角度進行弱監(jiān)督、無監(jiān)督改進，還是從算法本身實現(xiàn)更高精度的分割，都不失為一個不錯的改進方向。

這里給出幾個開源代碼和其對應的論文供大家參考，作為應用的一個開端。

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

本文介紹了醫(yī)學圖像分割中的腫瘤分割問題，包括問題介紹和難點分析，并給出了應用實例。下期我們對醫(yī)學圖像分割問題做一個總結，之后開啟《圖像分割應用》專欄 的第二部分。

知識星球推薦

深度學習+圖像分割星球由專欄作者孫叔橋維護，內設圖像分割知識匯總，網絡結構，代碼研讀，數(shù)據(jù)庫及代碼推薦等板塊。

轉載文章請后臺聯(lián)系

侵權必究

往期精選

• 【技術綜述】閑聊圖像分割這件事兒

• 【技術綜述】基于弱監(jiān)督深度學習的圖像分割方法綜述

• 【完結】12篇文章帶你逛遍主流分割網絡

• 【圖像分割應用】醫(yī)學圖像分割（一）——腦區(qū)域分割

• 【圖像分割應用】醫(yī)學圖像分割（二）——心臟分割

總結

以上是生活随笔為你收集整理的【图像分割应用】医学图像分割（三）——肿瘤分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。