圖像分割是一個重要過程，用于簡化圖像分析和定位重點區(qū)域，以提高醫(yī)療干預(yù)的準(zhǔn)確性。然而，手動分割存在操作員技能水平和時間成本的限制，因此需要尋找一種自動化解決方案。

人工智能，如深度學(xué)習(xí)方法，通過自動化處理視覺任務(wù)，大數(shù)據(jù)學(xué)習(xí)分析，可能成為解決這些問題的潛在工具，但由于偽影影響和器官變化，其結(jié)果依舊存在誤差。

為打破局限，提出了基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)范式。它是一種模仿大腦工作原理的算法，通過組合不同節(jié)點連接來學(xué)習(xí)對象的不同特征和解決各類任務(wù)。

多層神經(jīng)網(wǎng)絡(luò)被稱為深度神經(jīng)網(wǎng)絡(luò)，每層可以從生物圖像中提取特定信息。從檢測顏色和邊緣到更深層次、更復(fù)雜的特征（具有更語義化的含義）。允許網(wǎng)絡(luò)從數(shù)據(jù)學(xué)習(xí)中識別重要特征，并對解剖結(jié)構(gòu)進行分割。

深度學(xué)習(xí)分割算法的使用需要考慮其開發(fā)策略，以確保結(jié)果的正確解釋。

按照PRISMA報告標(biāo)準(zhǔn)，我們在PUBMED中檢索了深度學(xué)習(xí)、肌骨系統(tǒng)、圖像分割的文章，共140篇。根據(jù)納入/排除標(biāo)準(zhǔn)，其中101篇符合要求，還有14份文檔（文章/書籍）用于支持一般討論。評估采用PICO框架。

文獻(xiàn)顯示，針對不同的成像模態(tài)已經(jīng)開發(fā)了深度學(xué)習(xí)算法，用于分割各類肌肉骨骼結(jié)構(gòu)：33%與下肢相關(guān)（骨骼、肌肉、關(guān)節(jié)、膝蓋軟骨/半月板/韌帶）、8%與上肢相關(guān)（骨骼、肩部肌肉、肌腱）、34%與軀干相關(guān)（椎骨、椎間盤、肌肉、肋骨）、3%與骨盆相關(guān)（骨骼、肌肉）、14%與頭部相關(guān)（眼眶骨、下頜骨、上頜骨、顳骨、顱骨），8%與全身相關(guān)（骨骼、肌肉）。在醫(yī)學(xué)成像方面，有39%的研究使用核磁共振成像（MRI），9%使用超聲波成像（US），41%使用計算機斷層掃描（CT），9%使用X射線，2%使用多模態(tài)成像（見表1）。

與成像模態(tài)相關(guān)的主要困難如：圖像對比度可變、圖像強度固有的異質(zhì)性、因運動引起的圖像偽影、空間分辨率（例如，低分辨率圖像中頸椎成為單一連接的脊柱區(qū)域，這對調(diào)查具有誤導(dǎo)性）等因素。因此，一些作者整合了多模態(tài)成像信息，以結(jié)合各個模態(tài)的優(yōu)勢。

成功使用深度學(xué)習(xí)方法需要高質(zhì)量的帶標(biāo)簽圖像數(shù)據(jù)集，用于訓(xùn)練網(wǎng)絡(luò)。這通常需要耗費大量時間和精力來手動或半自動地對參考數(shù)據(jù)進行注釋。但不同觀察者的注釋可能存在差異。因此需要足夠多的圖像來確?？煽啃?。然而，獲取大規(guī)模的公開數(shù)據(jù)集并不容易。

使用小樣本來訓(xùn)練網(wǎng)絡(luò)可能會導(dǎo)致過擬合問題，即網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在新數(shù)據(jù)上表現(xiàn)不佳，因為它對數(shù)據(jù)中的細(xì)微變化過于敏感。

數(shù)據(jù)增強，即人為增加訓(xùn)練樣本數(shù)量，通常用于解決過擬合問題和提高網(wǎng)絡(luò)效率。

最近的數(shù)據(jù)增強技術(shù)還包括各種生成方法。其中，生成對抗網(wǎng)絡(luò)（GAN）是一種深度學(xué)習(xí)方法，它識別了數(shù)據(jù)集的內(nèi)在分布，并利用它生成逼真的合成樣本。對于分辨率低、圖像偽影或由于不同掃描儀采集而引起的變化等樣本，數(shù)據(jù)增強過程還具有增加模型穩(wěn)健性的優(yōu)勢。

為了管理小樣本數(shù)據(jù)集，另一種解決方案是遷移學(xué)習(xí)技術(shù)，這在超過10%的分析論文中得以實施。

遷移學(xué)習(xí)的目標(biāo)是使現(xiàn)有的算法可重用于新的數(shù)據(jù)集，因為它包括使用預(yù)先訓(xùn)練的網(wǎng)絡(luò)（在另一個上下文數(shù)據(jù)集中進行訓(xùn)練）并將其定制為特定的分割任務(wù)，以便算法單單學(xué)習(xí)新數(shù)據(jù)的特定特征（例如，來自新中心的新數(shù)據(jù)）。

建立數(shù)據(jù)庫時的一個主要問題是數(shù)據(jù)通常來自不同醫(yī)院、使用不同設(shè)備采集、具有不同的分辨率、噪聲和照明，而且缺乏一致性。

因此，數(shù)據(jù)在不同受試者之間，甚至在同一受試者不同時間監(jiān)測時都可能存在巨大差異。為了獲得最佳的計算機視覺結(jié)果，以改善圖像特征并消除不需要的偽影，所以必須對數(shù)據(jù)進行預(yù)處理。

為了確保不改變圖像的信息內(nèi)容，必須了解要分割的解剖結(jié)構(gòu)的特性、潛在的變化、研究人群、研究問題以及后續(xù)處理和分析步驟的穩(wěn)健性。舉例來說，在圖像強度歸一化時，作為一致參考的組織應(yīng)始終存在于圖像中，并且不太可能受到病理過程的影響。

過半的研究者在深度學(xué)習(xí)訓(xùn)練之前，實施了預(yù)處理。最常見的比如歸一化；直方圖均衡化，用于通過擴展圖像的強度值來增加圖像的對比度；以及基于強度/尺度的濾波（見圖2）。

同時，裁剪和調(diào)整圖像大小的方法通常用于節(jié)省內(nèi)存空間并確保圖像符合網(wǎng)絡(luò)的輸入要求。如果感興趣區(qū)域相對于背景很小，那么一些操作（如重新采樣、降低分辨率、裁剪）可能會導(dǎo)致信息的丟失，因此會失去對象細(xì)節(jié)和周圍環(huán)境的上下文數(shù)據(jù)。

相反，可以考慮兩次運行的方法，首先在原始圖像上進行處理，以便網(wǎng)絡(luò)可以學(xué)習(xí)到在經(jīng)過預(yù)處理的圖像中無法捕獲的重要特征。如果不經(jīng)過預(yù)先處理，會提高計算機處理數(shù)據(jù)所需的時間。

多年來，已經(jīng)開發(fā)了許多不同的網(wǎng)絡(luò)架構(gòu)來分割肌肉骨骼結(jié)構(gòu)。其中一種流行的模型是U-Net，它是一種卷積神經(jīng)網(wǎng)絡(luò)，用于成像領(lǐng)域的任務(wù)。在本次研究中，超過60%的作者選擇了基于U-Net的網(wǎng)絡(luò)，因為它在生物醫(yī)學(xué)圖像分割中非常有效，即使數(shù)據(jù)有限。

如果想要進一步提高網(wǎng)絡(luò)的分割能力，可以考慮引入注意模塊。這種模塊可以幫助網(wǎng)絡(luò)更好地關(guān)注圖像中重要的結(jié)構(gòu)區(qū)域，從而提高性能。

不同的深度學(xué)習(xí)架構(gòu)之間進行比較是一項復(fù)雜的任務(wù)。一個良好的神經(jīng)網(wǎng)絡(luò)性能指標(biāo)，是它能否與人類觀察者的表現(xiàn)相媲美。然而，不同的作者可能會選擇不同的性能指標(biāo)來評估結(jié)果，具體情況取決于研究的特定方向。

例如，對于一種可以識別患有肌肉萎縮風(fēng)險較高患者的臨床實用算法，關(guān)鍵是盡量減少假陰性。相反，可以稍微接納多一些的假陽性，因為治療肌肉萎縮需要更好的營養(yǎng)和更多的功能性活動，這些不太可能對患者造成傷害。

因此，驗證神經(jīng)網(wǎng)絡(luò)性能的方法之一是將所選技術(shù)與手動分割以及其他網(wǎng)絡(luò)架構(gòu)進行比較。用于量化網(wǎng)絡(luò)性能的最常見指標(biāo)包括DICE指數(shù)（DSC），交集聯(lián)合（IoU或Jaccard指數(shù)），豪斯多夫距離（HD）和表面距離（SD）。這些指標(biāo)通常在從多個切片分割進行3D模型重建的情況下使用。

另一個衡量網(wǎng)絡(luò)性能的方式是預(yù)測的運行時間，因為這對于工具在臨床實時應(yīng)用中的可行性至關(guān)重要。然而，分割的時間也可能因不同的硬件而有所不同。

此外，網(wǎng)絡(luò)超參數(shù)的調(diào)整也可能影響時間（由用戶設(shè)置以控制學(xué)習(xí)過程的參數(shù)）。該操作可以通過網(wǎng)格搜索、隨機搜索或貝葉斯優(yōu)化來完成。

需要注意的是，網(wǎng)絡(luò)的收斂性能也可能受到患者臨床因素的影響。例如，當(dāng)用超重者的圖像訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，應(yīng)用于低體重指數(shù)（BMI）者時，可能會不準(zhǔn)確。

在上述步驟之后，可以實施不同的后處理策略，以確保更準(zhǔn)確的結(jié)果，提高一致性，優(yōu)化預(yù)測并糾正標(biāo)簽錯誤。18%研究者選擇了不同的后處理技術(shù)來進行分割的改進（包括形態(tài)學(xué)運算或尺寸閾值）。

無論如何，在分割過程之后，都需要恢復(fù)原始圖像的屬性，包括尺寸和分辨率，因為神經(jīng)網(wǎng)絡(luò)通常使用方陣。

這個綜述旨在介紹醫(yī)學(xué)AI圖像分割工具，幫助臨床專家了解如何自動化這一任務(wù)。這些智能工具可以減少人工標(biāo)注工作，提高效率，降低成本。不過，需要注意適用性、數(shù)據(jù)多樣性和準(zhǔn)確性。

瓶頸問題如樣本規(guī)模小、數(shù)據(jù)不均勻和分割不準(zhǔn)確，可通過數(shù)據(jù)增強和前后處理來解決，但要考慮這些計算解決方案對結(jié)果的影響，避免錯誤解釋。準(zhǔn)確性是重要指標(biāo)，不僅在獲得高值時，還要考慮網(wǎng)絡(luò)學(xué)習(xí)過程是否充分考慮了真實情況的差異，如日常實踐中所見。

深度學(xué)習(xí)能夠以自學(xué)的方式從生物圖像中學(xué)習(xí)對象的有效表達(dá)，并且無需事先疊加用戶設(shè)計的特征(從而超越了傳統(tǒng)機器學(xué)習(xí)方法的限制)。深度學(xué)習(xí)范式允許我們從一個輸入中同時研究多條信息，并了解它們相互集成和相互影響的方式。因此，通過生物成像分析(可能克服人類感知的局限性)，從海量數(shù)據(jù)中進行網(wǎng)絡(luò)學(xué)習(xí)可能會提出新的生物標(biāo)志物作為肌肉骨骼疾病的預(yù)測指標(biāo)。

對于工具開發(fā)的“深入”了解可以支持評估當(dāng)前或新的臨床應(yīng)用軟件解決方案的能力，其中“以患者為中心”的范式需要定制分析和優(yōu)化設(shè)置。如果分割工具能夠根據(jù)每個具體情況和肌肉骨骼結(jié)構(gòu)的條件進行實時參數(shù)調(diào)整，那么它可能會增加物理治療（如激光徑向沖擊波等）的效果，從而將干預(yù)重點放在被改變的結(jié)構(gòu)自身的精確水平上。幫助指導(dǎo)臨床醫(yī)生定制調(diào)查可能與特定病癥相關(guān)的結(jié)構(gòu)，規(guī)劃最佳干預(yù)方案，重新評估治療的有效性并監(jiān)測其后續(xù)進展。

將深度學(xué)習(xí)模塊集成到醫(yī)療設(shè)備中，用于肌肉骨骼結(jié)構(gòu)的分割，可以加速和精確治療的進展，減少人為錯誤，提高患者生活質(zhì)量，同時為醫(yī)學(xué)成像領(lǐng)域提供新的解釋視角，邁向醫(yī)療護理的新前沿。