基于深度学习的全肾脏分割算法研究文献综述

 2022-11-26 13:08:14

肾癌图像分析中，分割肾脏相关结构是肾部分切除术术前准备的重要步骤，也是手术辅助的重要视觉模型来源。它描绘了医学影像中该任务感兴趣的区域，如肾脏，肾血管，肾肿瘤，肾脏内部结构或腹部肾脏相关器官，为医生提供直观的器官视觉资料，从而精准地做出有效判断。进一步的，分割区域还可以应用于手工提取形态指标，如肿瘤的体积，肾动脉的血流动力学指标等，用于诊断和其他应用。本文将按照不同肾癌结构，对肾癌医学影像上相关分割工作及其应用进行总结。

肾脏、肿瘤分割

肾脏分割受到广泛的关注和研究，在计算机辅助肾部分切除术任务中起到了关键的作用。根据肾脏分割所在的数据模态可分为CT，MRI和超声图像上的肾脏分割；而根据分割对象可分为对肾脏的单独分割、同时分割肾脏和其他相关器官结构和分割肾脏及其内部结构。Torres等人综述了医学影像上的肾脏分割。

CT影像由于其快速的成像速度和对病灶区域较为清晰明显的成像特点，广泛应用于肾癌检测和肾脏和肿瘤分割任务。Heller等人[1]于2019年Medical Image Computing and Computer Assisted Intervention(MICCAI)会议上举办肾脏肾肿瘤分割挑战赛（Kits19），并开放了一个大型肾癌CT数据集，包含210名肾癌患者CT影像用于训练模型，90名肾癌患者的CT影像用于测试模型，这些数据中，病人左右肾脏和肿瘤被精细地标注上分割掩模。大量的研究基于该数据集展开。Da等人[2]采用四步，利用深度学习模型（U-Net）在Kits19数据集上获得了良好的肾脏分割结果。Li等人[3]采用深度学习技术，提出一种基于非局部上下文引导的三维U-Net，并且在Kits19数据集上实现了高效准确的肾脏肾肿瘤分割。Mansoor等人[4]将U-Net结合深度监督技术，精细化分割结果，在Kits19数据集中获得了良好的肾脏肾肿瘤分割性能。Qayyum等人[5]讨论了不同肿瘤的一致性，采用深度学习方法，结合了三维残差网络和挤压激励网络构建深度分割模型，从而同时在Kits19数据集和2017年MICCAI肝脏肿瘤分割数据集上获得了良好的性能。

MRI以其多序列和良好的时间分辨率的特点，被广泛应用于医学成像，近年来已成为研究肾功能的有效工具。Shehata等人[6]提出了一种基于形状的水平集框架，用于扩散加权核磁共振图像（MRI）上三维肾脏的分割。Bazgir等人[7]利用期望最大化优化3D U-Net神经网络，从而获得了MR图像上的肾脏分割。

超声图像由于其廉价、快速且无人体损伤的成像方式，被广泛应用于疾病的快速筛查，在肾癌诊断中，早期的肾癌发现往往依靠腹部超声成像。Yin等人[8]利用边界距离回归和像素级分类网络构建模型，结合肾形状自动配准算法进行数据增强，从而仅依靠少量数据实现在超声图像上的自动分割肾脏。Cerrolaza等人[9]利用主动形状模型现超声图像上的肾脏分割，进一步采用主动轮廓法实现收集系统的分割任务。Marsousi等人[10]将肾脏的形状先验知识结合解剖学知识，生成三维肾脏形状模型，从而将模型与超声图像上的肾脏结构拟合，实现对肾脏的分割。他们进一步[11]结合神经网络，提出一种复数隐式形状模型，实现在超声图像上对肾脏的鲁棒分割。Aedon等人[12]将支持向量机结合基于模型的的变形技术，利用480张3D肾脏超声图像实现病变肾脏的快速分割。

肾血管分割

肾部分切除术需要对肾脏血管结构清晰了解，从而在手术过程中快速阻塞对肾肿瘤供血的肾动脉分支，从而大大节约手术时间，同时清晰了解病人的肾血管结构可以大大降低手术过程中对血管错误破坏的风险，从而提高手术成功率。肾血管分割包括肾动脉、肾静脉和收集系统，而由于血管细小、拓扑结构复杂的特点，难以在超声图像和MR图像中清晰成像，因此分割此类结构的工作通常基于造影剂增强的CT影像。Wang等人[13]提出一种基于图割法和二阶张量的肾动脉分割模型——TensorCut，从而实现对肾动脉的精细分割。他们进一步将该方法结合深度学习和Voronoi图[14]，实现了肾动脉分割和肾动脉各分支对肾脏供血区域的估计。Taha等人[15]提出了一种Kid-Net，在肾脏造影剂增强的动脉期CT图像上实现了肾动脉、肾静脉和收集系统的一次性分割。Li等人[16]提出一种基于残差结构的肾脏、异常结构、肾动脉、肾静脉和收集系统一体化分割神经网络，并探讨了肾脏结构分割在肾脏手术中的应用。He等人[17]提出一种半监督的肾动脉精细分割模型，并且在少量数据上取得了快速精确的分割结果。

肾脏结构分割

肾脏内部结构分割对肾功能的评估起到了重要作用，通常包括肾皮质、肾实质（肾柱、肾髓质）、肾盂等结构。Xiang等人[18]提出一种基于模型和图搜索的方法，在三维的腹部CT图像上实现了肾皮质分割。Jin等人[19]利用活动轮廓法结合随机森林，在CT图像上实现对肾皮质、肾柱、肾髓质和肾盂的一体化分割。Yang等人[20]将主成分分析和K-Means方法结合，实现了在MRI上的肾皮质、肾髓质和肾盂的一体化分割。

总结

由于肾癌开放数据集的逐渐完善，参与研究的团队逐渐增多，肾脏器官结构分割正在逐渐受到关注。由于2019年Kits数据集的开放，肾脏、肾肿瘤分割的研究工作已经大量被报道，而其他肾脏器官结构分割正在向着两个方向发展。1）更加精细化。研究者们逐渐关注更加精细的肾脏结构分割，包括：肾脏内部结构（肾皮质、肾实质、肾盂等），从而辅助对肾功能的量化以及手术中潜在风险的评估；肾脏血管（肾动脉、肾静脉、收集系统），从而术前帮助分支肾动脉夹闭位置的快速确定，血管供血区域的确定，进一步确定肿瘤切除面，并且降低在手术过程中意外破坏血管的风险。2）对包括肾脏在内的其他器官的分割。对腹部更多器官的分割能够完整建模人体器官结构，帮助医生了解肾脏周边器官形态，进一步避免手术中对其他器官的危害。同时对人体器官的建模也可以进一步辅助机器人手术，帮助机器人认知病人的人体内部结构。

参考文献：

  1. Nicholas Heller, Fabian Isensee, Klaus H Maier-Hein, Xiaoshuai Hou, Chunmei Xie, Fengyi Li, Yang Nan, Guangrui Mu, Zhiyong Lin, Miofei Han, et al. The state of the art in kidney and kidney tumor segmentation in contrast-enhanced ct imaging: Results of the kits 19 challenge. Medical Image Analysis, 67:101821, 2019.
  2. Luana Batista da Cruz, Jose Denes Lima Araujo, Jonnison Lima Ferreira, Joao Otavio Bandeira Diniz, Aristofanes Correa Silva, Joao Dallyson Sousa de Almeida, Anselmo Cardoso de Paiva, and Marcelo Gattass. Kidney segmentation from computed tomography images using deep neural network. Computers in Biology and Medicine, 123:103906, 2020.
  3. Zhuoying Li, Junquan Pan, Huisi Wu, Zhenkun Wen, and Jing Qin. Memory-efficient automatic kidney and tumor segmentation based on non-local context guided 3d u-net. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 197- -206. Springer, 2020.
  4. SM Mansoor Roomi, D Sabarinathan, and M Parisa Beham. Hyper vision net: Kidney tumor segmentation using coordinate convolutional layer and attention unit. 2019.
  5. Abdul Qayyum, Alain Lalande, and Fabrice Meriaudeau. Automatic segmentation of tumors and affected organs in the abdomen using a 3d hybrid model for computed tomography imaging. Computers in Biology and Medicine, 127: 104097, 2020.
  6. Mohamed Shehata, Fahmi Khalifa, Ahmed Soliman, Rahaf Alrefai, Mohamed Abou EI Ghar, Amy C Dwyer, Rosemary Ouseph, and Ayman EI- Baz. A level set-based framework for 3d kidney segmentation from diffusion mr images. In 2015 IEEE International Conference on Image Processing (ICIP), pages 4441-4445. IEEE, 2015.
  7. Omid Bazgir, Kai Barck, Richard AD Carano, Robby M Weimer, and Luke Xie. Kidney segmentation using 3d u-net localized with expectation maximization. In 2020 IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI), pages 22- 25. IEEE, 2020.
  8. Shi Yin, Qinmu Peng, Hongming Li, Zhengqiang Zhang, Xinge You, Katherine Fischer, Susan L Furth, Gregory E Tasian, and Yong Fan. Automatic kidney segmentation in ultrasound images using subsequent boundary distance regression and pixelwise classification networks. Medical image analysis, 60: 101602, 2020.
  9. Juan J Cerrolaza, Nabile Safdar, Elijah Biggs, James Jago, Craig A Peters, and Marius George Linguraru. Renal segmentation from 3d ultrasound via fuzzy appearance models and patient-specific alpha shapes. IEEE transactions on medical imaging, 35(11):2393- -2402, 2016.
  10. Mahdi Marsousi, Konstantinos N Plataniotis, and Stergios Stergiopoulos. An automated approach for kidney segmentation in three -dimensional ultrasound images. IEEE journal of biomedical and health informatics, 21(4): 1079- 1094, 2016.
  11. Mahdi Marsousi, Konstantinos N Plataniotis, and Stergios Stergiopoulos. Kidney detection in 3-d ultrasound imagery via shape-to-volume registration based on spatially aligned neural network. IEEE Journal of Biomedical and Health Informatics, 23( 1):227- -242, 2018.
  12. Roberto Ardon, Remi Cuingnet, Ketan Bacchuwar, and Vincent Auvray. Fast kidney detection and segmentation with learned kernel convolution and model deformation in 3d ultrasound images. In 2015 IEEE l2th International Symposium on Biomedical Imaging (ISBI), pages 268- -271. IEEE, 2015.
  13. Chenglong Wang, Masahiro Oda, Yuichiro Hayashi, Yasushi Yoshino, Tokunori Yamamoto, Alejandro F Frangi, and Kensaku Mori. Tensor-cut: A tensor based graph cut blood vessel segmentation method and its application to renal artery segmentation. Medical Image Analysis, 60: 101623, 2020.
  14. Chenglong Wang, Holger R Roth, Takayuki Kitasaka, Masahiro Oda, Yuichiro Hayashi, Yasushi Yoshino, Tokunori Yamamoto, Naoto Sassa, Momokazu Goto, and Kensaku Mori. Precise estimation of renal vascular dominant regions using spatially aware fully convolutional networks, tensor-cut and voronoi diagrams. Computerized Medical Imaging and Graphics, 77:101642, 2019.
  15. Ahmed Taha, Pechin Lo, Junning Li, and Tao Zhao. Kid-net: convolution networks for kidney vessels segmentation from ct-volumes. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 463- 471. Springer, 2018.
  16. Junning Li, Pechin Lo, Ahmed Taha, Hang Wu, and Tao Zhao. Segmentation of renal structures for image-guided surgery. In International Conference on Medical Image Computing cand Computer-Assisted Intervention, pages 454 -462. Springer, 2018.
  17. Yuting He, Guanyu Yang, Jian Yang, Yang Chen, Youyong Kong, Jiasong Wu, Lijun Tang, Xiaomei Zhu, Jean-Louis Dillenseger, Pengfei Shao, et al. Dense biased networks with deep priori anatomy and hard region adaptation: Semi-supervised learning for fine renal artery segmentation. Medical Image Analysis, page 101722, 2020.
  18. Dehui Xiang, Ulas Bagci, Chao Jin, Fei Shi, Weifang Zhu, Jianhua Yao, Milan Sonka, and Xinjian Chen. Cortexpert: A model-based method for automatic renal cortex segmentation. Medical image analysis, 42:257-273, 2017.
  19. Chao Jin, Fei Shi, Dehui Xiang, Xueqing Jiang, Bin Zhang, Ximing Wang, Weifang Zhu, Enting Gao, and Xinjian Chen. 3d fast automatic segmentation of kidney based on modified aam and random forest. IEEE transactions on medical imaging, 35(6): 1395- 1407, 2016.
  20. Xin Yang, Hung Le Minh, Tim Cheng, Kyung Hyun Sung, and Wenyu Liu. Automatic segmentation of renal compartments in dce-mri images. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 3-11. Springer, 2015.

资料编号：[548550]

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章