166计算机与图像技术Computer&MultimediaTechnology电子技术与软件工程ElectronicTechnology&SoftwareEngineering1引言子宫肌瘤是由子宫平滑肌细胞增生而成，是一种常见于女性生殖系统中的良性肿瘤[1]。据统计，我国育龄女性子宫肌瘤患病率已高达25%[2]。临床上常用的子宫肌瘤检查方法包括超声检查、宫腔镜检查和磁共振成像(MRI)检查。其中MRI由于其成像质量高、优越的软组织对比度，被认为是检测和定位子宫肌瘤最准确的成像技术[3]。子宫肌瘤的传统治疗方法（如子宫切除术和子宫肌瘤切除术）具有手术时间长、可能引起术后并发症等缺点，微创治疗越来越受到人们的关注[4]。高强度聚焦超声（HIFU）是一种新兴的无创治疗子宫肌瘤的热消融技术，该手术在实时超声(称为超声引导聚焦超声手术（USgFUS）)或磁共振成像(称为磁共振成像引导聚焦超声手术（MRgFUS）)引导下，依靠超声的机械能和热能消融目标组织[5]。在HIFU治疗前，需要分割子宫及子宫肌瘤为手术规划提供辅助。在HIFU治疗后，需要分割消融后的子宫肌瘤以测量非灌注体积来获得关于疗效的第一定量反馈。因此，子宫及子宫肌瘤的自动分割对于HIFU手术计划和疗效评估是至关重要的。图1显示了HIFU治疗前后的子宫肌瘤MR图像。目前，子宫及子宫肌瘤分割工作通常依赖于放射科医生进行手动分割，这个过程不仅繁琐耗时且具有主观性，依赖于医生的专业知识和经验水平。因此，为了帮助医生提高子宫肌瘤MRI图像分割的准确性和效率，开发一种快速且准确的子宫肌瘤自动分割方法在临床应用中具有重要的价值。目前在医学图像分割领域常用的分割方法可分为两大类：传统分割方法和深度学习分割方法，具体如图2所示。传统的医学图像分割方法主要包括：阈值法、水平集法、边缘检测法、模糊C均值法及区域生长法。这些方法大多依赖于手工设计的特征实现分割任务，同时自我学习能力较弱，对噪声、灰度不均匀等干扰敏感[6]。近年来，得益于不断提高的计算机性能和持续增长的可用数据量，深度学习技术得到飞速发展,主要包括卷积神经网络（CNN）、自编码神经网络(AENN)和深度置信网络（DBN）。特别是CNN，因其具有自学习和泛化能力被广泛地应用于医学图像分割领域，并在医学图像分析中有明显优于传统方法的潜力[7-8]。本文接下来的部分首先介绍了基于传统方法的子宫肌瘤MRI图像分割，其次阐述了基于深度学习方法的子宫肌瘤MRI图像分割，最后对子宫肌瘤分割方法进行了总结并对其未来的发展趋势进子宫肌瘤MRI图像分割方法研...
