深度学习丨超声图像分析

与其他医学成像工具（如磁共振成像MRI和计算机断层扫描CT）相比，超声检查具有无痛苦、无电离辐射、重复性好、经济适用、实时成像、易被患者接受等特点，成为临床上不可或缺的扫查与诊断工具。

根据作用部位的不同，超声已细分为超声心动图、乳腺超声、腹部超声、经头颅/直肠/阴道超声、心血管超声等多个临床应用，广泛应用于妇产科。

传统的超声检查流程，从超声扫查到“生物标记物”识别/生物学指标测量，再到筛查与诊断，都是人工手动进行的。这个过程不仅是耗时耗力的，尤其在“生物标记物”识别/生物学指标测量上面会花费大量的时间，还对操作者提出了较高的经验要求，因此降低了超声检查的效用性。

随着机器学习，特别是深度学习技术的发展，超声检查的自动化也得到了快速发展。超声图像的目标检测、组织/结构分割、疾病分类等自动化、智能化研究取得了突飞猛进的发展。

深圳大学MUSIC实验室（Medical UltraSound Image Computing, MUSIC）从目标检测、组织/结构分割、图像（疾病）分类等三个方面总结了当前深度学习在医学超声图像分析中的应用研究现状，并讨论了应用挑战与前景。

1.

目标检测

在临床实践中，肿瘤或者病变的检测是一个难点。这个任务的显著特点是在一张大的图像中定位和检测小的病变位置。

在产前超声检查中，胎儿超声标准切面的获取（标准切面检测）是前提条件，对于后续的生物学指标测量和诊断至关重要。

2.

图像（疾病）分类

在超声图像分类任务中，最常见的是肿瘤（如乳腺癌、肝癌）与结节病变（如甲状腺结节）的良性与恶性分类，还有产前筛查与诊断中不同标准切面的自动分类。

3.

组织/结构分割

基于目标对象的物理特性，组织/结构分割可以分为非刚性组织分割和刚性组织分割。心脏是最常见的非刚性结构，心脏疾病的检测以及心脏功能的分析常常需要先对左心室（left ventricle, LV）进行分割。

对非刚性组织直接进行分割将是非常困难的，通常分为两步实现：1）刚性检测，2）非刚性分割。

在超声图像中，组织/结构边界不完整、不清晰是普遍现象，这给分割任务带来了很大的挑战。

通常有两种解决方案：一是bottom-up方式，即通过监督学习将每个像素分类为前景或背景；二是top-down方式，即充分利用先验形状信息（如对结构形状进行建模、学习以及推理等）来引导分割，这在边界不完整的结构分割中尤其有效。

4.

挑战与展望

短短几年，深度学习在超声图像分析中“攻城略地”，俨然成为当前超声图像自动化分析的主要工具，各项任务的性能指标也在不断被刷新，但是离临床实践还有不少的路要走，以下几个方面的问题值得考虑：

首先，当前医学超声数据的获取比较封闭，大部分研究采用的都是来自单一机构（医院）单一设备采集的少量数据（一般也就几十或者几百个），缺乏多机构多设备采集的大规模数据集（比如ImageNet数据集级别，>100万）验证。为了破解数据难题，建立一个跨越多机构多设备的共享数据库是一个可行的方法。

其次，当前采用的多是监督学习方式，需要标注数据。对于小样本来说还好，当样本数达到万级别时就变得异常费时费力了。机器标注是一个值得研究的方向。此外，不需要标注数据的无监督学习或者少量标注的弱监督学习也是值得研究的方向。深度学习与其他技术的结合，比如强化学习，也将是一个热点研究方向。

最后，尽管当前大部分超声图像都是2D的，但是得益于商业公司与研究人员在超声技术方面取得的进步，3D/4D超声越来越走向成熟。得益于深度学习技术的巨大进步，3D超声图像分析的自动化/智能化研究也日益受到大家的关注。相较于2D超声，3D超声的优势更加明显，因而将成为未来超声发展的主流。

虽然各项研究都在不断刷新各自任务的最佳性能指标，但是考虑到大部分研究使用了非公开的数据集，样本质量及数量差异较大，所以，当前还不能像自然图像分析领域那样准确定量给出当前的超声图像分析的自动化、智能化程度。

尽管离真正的智能超声图像分析还有很长的路要走，但是看到如此多投入在超声图像自动化分析上的研究热情，相信在不久的将来，超声图像自动化分析必将成为临床上医生完成智能诊断的重要助力。

改编丨倪东