甲狀腺圖像分割研究的國內(nèi)外文獻(xiàn)綜述甲狀腺超聲檢查是甲狀腺結(jié)節(jié)手術(shù)前的首選工具，醫(yī)生可以根據(jù)超聲影像中結(jié)節(jié)的邊緣以及周邊淋巴結(jié)的具體情況來鑒別結(jié)節(jié)的良惡性。目前，常見的甲狀腺結(jié)節(jié)分割方法主要可分為傳統(tǒng)方法和基于深度學(xué)習(xí)的方法，傳統(tǒng)方法包括基于活動(dòng)輪廓模型的方法和基于區(qū)域的方法等。雖然上述的傳統(tǒng)圖像分割方法在一些簡單的任務(wù)中有著非常不錯(cuò)的效果，但如果遇到了大量的數(shù)據(jù)處理則會(huì)表現(xiàn)出運(yùn)算能力的局限性與分割準(zhǔn)確度過低的弊端。醫(yī)療行業(yè)每年都面臨由海量數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)帶來的挑戰(zhàn)，因此，基于深度學(xué)習(xí)的方法應(yīng)運(yùn)而生。以下為各種方法的詳細(xì)介紹：基于活動(dòng)輪廓模型的方法[1]利用超聲圖像中的輪廓信息對甲狀腺結(jié)節(jié)進(jìn)行分割，這類方法需要預(yù)先設(shè)定初始輪廓，而甲狀腺結(jié)節(jié)，尤其是惡性甲狀腺結(jié)節(jié)通常存在浸潤性不規(guī)則邊緣，結(jié)節(jié)組織區(qū)域與周圍環(huán)境難以區(qū)分，分割效果并不理想。基于區(qū)域的方法[2]利用區(qū)域間的強(qiáng)度統(tǒng)計(jì)特性（比如均值等）得到邊界能量函數(shù)，通過最小化邊界能量函數(shù)生成結(jié)節(jié)的邊緣輪廓，這類方法適用于相同組織區(qū)域的灰度是均勻分布，而不同組織區(qū)域間的灰度是不均勻分布的圖像。然而，在大多數(shù)甲狀腺結(jié)節(jié)超聲圖像中，不同組織區(qū)域間的灰度差異并不明顯，需要先驗(yàn)位置信息和形狀信息來實(shí)現(xiàn)區(qū)域的準(zhǔn)確分割?；谏疃葘W(xué)習(xí)的圖像分割方法已經(jīng)成為圖像分割領(lǐng)域中的熱門研究內(nèi)容。深度學(xué)習(xí)算法相對于傳統(tǒng)的圖像分割算法具有更強(qiáng)的泛化能力，越來越多的研究人員嘗試在醫(yī)學(xué)圖像分割任務(wù)中使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)分割算法，并提出了不同的深度學(xué)習(xí)模型，如：FCN[3]、U-NET[4]、DEEPLAB[5]、DEEPLABV3[6]等方法被提出，應(yīng)用于圖像分割領(lǐng)域。在FCN網(wǎng)絡(luò)模型中，采用卷積層取代了之前應(yīng)用于網(wǎng)絡(luò)中的全連接層，首次實(shí)現(xiàn)在無需改變圖像尺寸的情況下，完成對圖像端對端的分割。在FCN取得巨大成功之后，基于FCN的改進(jìn)也在不斷進(jìn)行中，源自FCN網(wǎng)絡(luò)的U-NET網(wǎng)絡(luò)，對FCN網(wǎng)絡(luò)進(jìn)行了調(diào)整，使其進(jìn)一步提高分割的精確度。在FCN的基礎(chǔ)上，PSP-NET提出了全局金字塔池化，DEEPLABV1－DEEPLABV3系列網(wǎng)絡(luò)提出了擴(kuò)張卷積和空洞空間金字塔池化，以此來獲得圖像的多尺度特征信息。已經(jīng)提出的基于半監(jiān)督學(xué)習(xí)的甲狀腺結(jié)節(jié)圖像分割方法較少，在文獻(xiàn)[7]中，提出了一種CT圖像器官分割的弱監(jiān)督方法，利用極值點(diǎn)的置信度映射作為線索訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，其結(jié)果可與完全監(jiān)督的U-Net相當(dāng)。文獻(xiàn)[8]提出基于注意力機(jī)制的半監(jiān)督神經(jīng)網(wǎng)絡(luò)，對甲狀腺結(jié)節(jié)超聲圖像進(jìn)行分割，該網(wǎng)絡(luò)通過使用弱注釋的分類數(shù)據(jù)和少量完全注釋的分割數(shù)據(jù)來完成甲狀腺超聲圖像的分割，并取得了較好的分割效果，但該模型的泛化能力還有待提升。文獻(xiàn)[9]將偽標(biāo)簽應(yīng)用到半監(jiān)督模型中，對甲狀腺結(jié)節(jié)圖像進(jìn)行了分類和分割。在上述的半監(jiān)督方法中，需要一個(gè)相對準(zhǔn)確的掩碼作為初始標(biāo)簽集，然后用相對準(zhǔn)確的標(biāo)注數(shù)據(jù)訓(xùn)練相應(yīng)的網(wǎng)絡(luò)。然而，由于甲狀腺超聲圖像中存在大量陰影和斑點(diǎn)噪聲等復(fù)雜信息，結(jié)節(jié)的初始定位標(biāo)注通常比較粗糙和不確定。因此，很難從半監(jiān)督信號(hào)中推斷出詳細(xì)的邊界信息，這些方法可能不足以執(zhí)行準(zhǔn)確的分割任務(wù)。生成對抗網(wǎng)絡(luò)(Generativeadversarialnetworks，簡稱GANs)因其生成難以與真實(shí)圖像區(qū)分的圖像的能力而備受關(guān)注。類似的對抗訓(xùn)練方法已被用于改善圖像分割的質(zhì)量?；谏蓪箤W(xué)習(xí)思想的方法將分割網(wǎng)絡(luò)視為GAN框架中的生成器，并利用經(jīng)過訓(xùn)練的判別器網(wǎng)絡(luò)來區(qū)分人工和生成的分割圖[10]。文獻(xiàn)[11]首次將GAN模型應(yīng)用到圖像語義分割領(lǐng)域。文獻(xiàn)[12]提出了一種基于GAN的半監(jiān)督圖像分割方法，用于乳腺超聲圖像分割。文獻(xiàn)[13]提出了一種基于生成對抗網(wǎng)絡(luò)的半監(jiān)督語義分割框架，采用DEEPLABV2網(wǎng)絡(luò)作為分割網(wǎng)絡(luò)，采用一個(gè)層數(shù)較小的卷積網(wǎng)絡(luò)作為判別網(wǎng)絡(luò)，讓生成器和判別器分別采用不同的對抗損失，取得了較好的分割效果。參考文獻(xiàn)[1]邵蒙恩,嚴(yán)加勇,崔崤峣,等.基于CV-RSF模型的甲狀腺結(jié)節(jié)超聲圖像分割算法[J].生物醫(yī)學(xué)工程研究,2019,38(3):336-340.[2]AlrubaidiWMH,PengB,YangY,etal.Aninteractivesegmentationalgorithmforthyroidnodulesinultrasoundimages[C]//InternationalConferenceonIntelligentComputing.Springer,Cham,2016:107-115.[3]LongJ,ShelhamerE,DarrellT.Fullyconvolutionalnetworksforsemanticsegmentation[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2015:3431-3440.[4]RonnebergerO,FischerP,BroxT.U-net:Convolutionalnetworksforbiomedicalimagesegmentation[C]//InternationalConferenceonMedicalimagecomputingandcomputer-assistedintervention.Springer,Cham,2015:234-241.[5]ChenLC,PapandreouG,KokkinosI,etal.Deeplab:Semanticimagesegmentationwithdeepconvolutionalnets,atrousconvolution,andfullyconnectedcrfs[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2017,40(4):834-848.[6]YurtkuluSC,?ahinYH,UnalG.SemanticSegmentationwithExtendedDeepLabv3Architecture[C]//201927thSignalProcessingandCommunicationsApplicationsConference(SIU).IEEE,2019:1-4.[7]KwakS,HongS,HanB.Weaklysupervisedsemanticsegmentationusingsuperpixelpoolingnetwork[C]//ProceedingsoftheAAAIConferenceonArtificialIntelligence.2017,31(1).[8]WangJ,ZhangR,WeiX,etal.Anattention-basedsemi-supervisedneuralnetworkforthyroidnodulessegmentation[C]//2019IEEEInternationalConferenceonBioinformaticsandBiomedicine(BIBM).IEEE,2019:871-876.[9]WangQ,ZhengJ,YuH,etal.Automaticdetectionofthyroidnoduleswithultrasoundimages:Basingonsemi-supervisedlearning[C]//JournalofPhysics:ConferenceSeries.IOPPublishing,2021,1976(1):012012.[10]GaninY,UstinovaE,AjakanH,etal.Domain-adversarialtrainingofneuralnetworks[J].Thejournalofmachinelearningresearch,2016,17(1):2096-2030.[11]LucP,CouprieC,ChintalaS,etal.Semanticsegmentationusingadversarialnetworks[J].arXivpreprintarXiv:1611.08408,2016.[12]HanL,HuangY,DouH,etal.Semi-supervisedsegmentationoflesionfrombreastultrasoundimageswithattentionalgenerativeadversarialnetwork[J].Computermethodsandprogramsinbiomedicine,2020,189:105275.[13]鄭寒.深度學(xué)習(xí)與解剖學(xué)先驗(yàn)融合的醫(yī)學(xué)圖像