基于椭圆形状先验约束的弱监督超声图像分割

《Artificial Intelligence in Medicine》：Weakly-supervised ultrasound image segmentation with elliptical shape prior constraint

超声图像分割中提出椭圆形状先验约束的多实例学习（ESPC-MIL）方法，利用椭圆边界模拟减少标注需求，在Achilles腱、正中神经、乳腺肿瘤等数据集上Dice系数达0.748-0.876，优于传统弱监督方法。

　　在医学影像领域，超声（US）图像的像素级分割对于疾病筛查、诊断和治疗效果评估具有至关重要的作用。然而，传统方法通常依赖于大量精确标注的像素级数据，这不仅耗时耗力，而且在实际应用中存在一定的限制。为了解决这一问题，近年来研究者们致力于开发弱监督学习算法，以减少对密集标注的依赖，同时保持较高的分割性能。其中，多实例学习（MIL）因其在有限标注数据下的有效性而受到广泛关注，并被广泛应用于预测任务中。特别是在超声图像分析中，放射科医生通常使用交线形成的椭圆形区域来标注目标结构，这为分割任务提供了重要的先验信息。因此，我们提出了一种基于椭圆形先验约束的弱监督方法——椭圆形形状先验约束多实例学习（ESPC-MIL），旨在提升超声图像的像素级分割精度。

ESPC-MIL的核心思想是将椭圆形形状先验信息融入到MIL框架中，从而优化分割模型对前景和背景候选区域的识别能力。这种方法不仅增强了模型对近似椭圆形结构的预测性能，还通过全局监督进一步提升了边缘分割和定位的准确性。与传统的弱监督方法相比，ESPC-MIL在四个超声图像数据集上取得了显著的性能提升，包括Achilles腱数据集、正中神经数据集、私人乳腺肿瘤数据集以及公开的乳腺超声图像数据集（BUSI）。在这些数据集上，其Dice相似度系数分别达到了0.855、0.849、0.876和0.748，显示出与完全监督分割方法相当的性能，同时显著降低了标注的需求。值得注意的是，该方法在分割近似椭圆形结构的对象时，表现出更显著的性能提升，相较于复杂形状的对象，其分割结果更加精确。

在超声图像分割任务中，通常采用的弱监督标注方式包括图像级标签、边界框、点或涂鸦等。这些标注方式虽然比像素级标注更容易获取，但在分割精度上存在一定局限性。特别是边界框标注，由于其无法提供足够的前景像素信息，且难以精确捕捉复杂结构的边界，往往导致分割模型的性能受限。此外，边界框的标注质量对分割结果的影响较大，因为它们作为约束条件，可能影响整体分割的准确性。为了解决这一问题，研究者们尝试将MIL应用于边界框标注的分割任务中，通过利用图像中所有实例的集体信息，而非依赖于像素级标注，来提升分割模型的性能。

MIL的基本原理是将训练集组织成包含多个实例的“袋”，其中标签是在袋级别分配的，而实例级别的标签则未知。MIL不仅可以进行袋级别的分类，还能预测实例级别的标签。在弱监督分割的背景下，图像中的每个像素可以被视为一个实例，正袋和负袋则根据是否包含目标结构的像素进行定义。这种方法将基于边界框的弱监督分割任务重新定义为以袋为中心的预测任务，如图1a所示。通过MIL，分割模型可以利用图像中所有实例的信息，而不是依赖于精确的像素级标注，从而实现对目标结构的识别和定位。

为了进一步提升基于边界框的弱监督分割性能，研究者们提出了引入形状先验的方法。形状先验为分割算法提供了重要的指导，通过约束形状变化并强制合理的边界条件，能够有效应对医学影像中的噪声、模糊边缘以及不完整或碎片化的结构问题。在超声图像诊断中，放射科医生常常使用四个点来勾勒病变区域，这些点可以形成两条相交的线段，进而近似为椭圆的长轴和短轴。这种形状先验信息为分割任务提供了更精确的位置和边界信息，同时比边界框标注更容易获取。基于这一观察，我们设计了一个名为“椭圆形形状先验约束”（ESPC）的模块，并将其整合到MIL框架中，以提升弱监督分割的性能。

ESPC模块的主要作用是利用形状先验信息优化分割模型的正负袋划分过程。通过预定义的实例划分方式，该模块能够为MIL框架中的正袋和负袋提供更精确的位置和形状先验信息，从而提升分割结果的准确性。具体来说，我们采用Swin-Unet作为分割模型的主干网络，并基于标注信息生成椭圆形边界掩码（Mask_E），模拟椭圆形边界以增强分割性能。通过引入ESPC，我们不仅获得了比边界框标注更准确的袋标签，还对形状变化施加了更强的约束，从而提升了分割模型的整体性能。

为了验证ESPC-MIL方法的有效性，我们在三个私人超声数据集（Achilles腱数据集、正中神经数据集和乳腺肿瘤数据集）以及一个公开的乳腺超声图像数据集（BUSI）上进行了实验评估。这些数据集涵盖了不同的器官和病变类型，具有一定的代表性。在实验过程中，我们对比了多种现有的弱监督分割方法，并通过统计检验评估了不同方法在分割性能上的显著性差异。结果表明，ESPC-MIL方法在Achilles腱数据集和正中神经数据集上表现尤为突出，其分割性能显著优于其他弱监督方法。

此外，为了进一步验证该方法的泛化能力，我们还对乳腺肿瘤数据集进行了评估。在这些数据集中，我们特别关注了ESPC-MIL方法在分割近似椭圆形结构的肿瘤时的表现。实验结果表明，与仅依赖边界框标注的弱监督方法相比，ESPC-MIL在分割这类对象时取得了更高的准确性。这一结果不仅验证了该方法的有效性，也展示了其在实际医学应用中的潜力。通过引入椭圆形形状先验信息，我们能够更精确地捕捉目标结构的边界，从而提升分割结果的边界清晰度和定位准确性。

ESPC-MIL方法的优势不仅体现在分割精度上，还在于其对标注需求的降低。在传统分割方法中，标注工作通常需要大量的像素级标签，这不仅增加了数据标注的成本，还可能影响模型的训练效率。而ESPC-MIL通过利用椭圆形形状先验信息，将标注工作简化为对椭圆形区域的标记，从而降低了标注的复杂性和工作量。这一特性使得该方法在实际应用中更具可行性，特别是在医疗资源有限的场景下，能够有效提升分割任务的自动化水平。

在方法的实现过程中，我们还对模型的训练和优化进行了深入研究。通过设计合理的损失函数和优化策略，我们确保了模型在训练过程中能够充分利用椭圆形形状先验信息。同时，我们对模型的结构进行了调整，以适应超声图像的特性，如低对比度、噪声干扰和结构模糊等。这些调整使得模型在处理实际医学影像时能够保持较高的鲁棒性和稳定性。

此外，我们还对ESPC-MIL方法在不同数据集上的表现进行了详细分析。在Achilles腱数据集上，该方法在分割腱结构时表现出较高的准确性，尤其是在边缘分割和定位方面。在正中神经数据集上，ESPC-MIL方法在分割神经结构时同样取得了优异的性能，其分割结果在边界清晰度和结构完整性方面均优于其他弱监督方法。在乳腺肿瘤数据集上，该方法在分割肿瘤区域时表现出较高的Dice相似度系数，显示出其在处理复杂结构时的有效性。

ESPC-MIL方法的成功不仅得益于形状先验信息的引入，还在于其对MIL框架的优化。通过改进正负袋划分机制，我们确保了模型在训练过程中能够更准确地识别目标结构的边界，从而提升分割结果的准确性。同时，我们还对模型的全局监督机制进行了优化，使得其能够更好地利用形状先验信息进行边界学习和定位优化。这些优化措施共同作用，使得ESPC-MIL方法在多个数据集上均取得了优异的性能。

在实际应用中，ESPC-MIL方法具有广泛的应用前景。其在减少标注需求的同时，能够保持较高的分割精度，这为医学影像的自动化分析提供了新的解决方案。特别是在资源有限的医疗环境中，该方法能够有效降低数据标注的成本，提高分割任务的效率。此外，该方法在处理近似椭圆形结构的对象时表现出更显著的性能提升，这为医学影像的精准诊断和治疗评估提供了有力支持。

综上所述，ESPC-MIL方法通过引入椭圆形形状先验信息，优化了MIL框架，提升了弱监督分割的性能。该方法在多个超声图像数据集上均取得了优异的分割结果，显示出其在医学影像分析中的应用潜力。同时，该方法在减少标注需求的同时，保持了较高的分割精度，为医学影像的自动化分析提供了新的思路和方法。未来，我们计划进一步优化该方法，以适应更多类型的医学影像，并探索其在其他医学领域的应用可能性。