基于电子计算机断层扫描图像的肝癌病灶自动分割方法研究进展

Abstract

Liver cancer is a common type of malignant tumor in digestive system. At present, computed tomography (CT) plays an important role in the diagnosis and treatment of liver cancer. Segmentation of tumor lesions based on CT is thus critical in clinical diagnosis and treatment. Due to the limitations of manual segmentation, such as inefficiency and subjectivity, the automatic and accurate segmentation based on advanced computational techniques is becoming more and more popular. In this review, we summarize the research progress of automatic segmentation of liver cancer lesions based on CT scans. By comparing and analyzing the results of experiments, this review evaluate various methods objectively, so that researchers in related fields can better understand the current research progress of liver cancer segmentation based on CT scans.

引言

肝癌是发生于肝脏的一种恶性肿瘤，包含原发性肝癌和转移性肝癌。根据病发部位，原发性肝癌可以细分为肝细胞癌和胆管细胞癌。肝癌被认为是异质性最强、死亡率最高的难治性肿瘤之一。在我国，肝癌发病率在恶性肿瘤中居第二位，每年约有 38.3 万人死于肝癌，约占全球肝癌致死病例数的 51% ^[1]。目前肝癌治疗中较为有效、彻底的方法是肝切除术和肝移植术^[2]。

基于影像的病灶分割是指依照一定的准则将病灶相关的影像部分划分为不相交的区域，同一区域内部具有相似的特征，而相邻区域之间具有不同的特征且可被边界分开。医学影像分割是了解人体组织结构、对病变区进行体积测量、引导手术规划的基础和必要前提^[3]。由于肝脏电子计算机断层扫描成像（computed tomography，CT）技术具有较高的分辨率，基于 CT 图像可以把肝癌从周围组织中分割出来，可为临床治疗和研究提供可靠依据，成为肝癌诊疗的重要前提。

目前基于 CT 图像的肝癌病灶分割主要依靠医生的肉眼观察和临床经验手动完成。这种人工分割的结果很大程度上取决于操作者的经验，费时费力、效率低下。并且，不同人对同一图像进行分割的结果不太可能完全一样；即便是同一人，在不同的时间，分割的结果也不可能完全相同，不能保证分割结果的一致性和可重复性^[4]。因此，随着计算机技术的发展，基于计算机图像处理技术的自动分割可在保证准确率的同时，保证分割结果的一致性和可重复性。

近年来，基于 CT 图像的肝癌病灶自动分割技术发展迅速，可以有效提高肝癌诊断水平，帮助医生更快更准确地作出诊断。肝癌病灶的 CT 图像往往存在边缘模糊、与周围组织的对比度较低、肿瘤内部密度不均一、形状多样等特点，因此对肝癌病灶进行精确分割具有一定的难度，如图 1 所示［图片来自本文课题组合作单位——中山大学附属第一医院，采集设备为 64 排螺旋 CT（Aquilion 64，东芝/日本），分别进行平扫和增强扫描，已获得患者的知情同意以及该单位的授权］。为解决上述肝癌 CT 图像分割中的难题，研究人员基于不同原理设计开发了多种算法。这些算法可以分为非机器学习方法和机器学习方法。基于非机器学习的医学图像分割主要包括基于区域的和基于边缘的分割算法，一般是对图像特征进行提取并通过相关规则进行处理，这样可以有效地结合操作者的知识和计算机数据处理能力，从而实现交互式地医学图像分割。基于机器学习的图像分割方法主要是对图像特征进行训练，得出相关模型用以测试，该方法包括监督学习和无监督学习。这两类方法均可以有针对性地解决上述挑战，得到较好的分割结果。

图 1.

Typical CT images of liver cancer (female; 34 years old)

肝癌患者的典型 CT 图像（女；34 岁）

1. 基于非机器学习方法的肝癌病灶分割

文献中基于非机器学习的分割方法已经多有报道，主要可分为两大类^[4]：基于区域的分割方法和基于边缘的分割方法。目前，应用于肝癌 CT 图像的病灶自动分割方法主要包括基于区域的阈值法和区域生长法，以及基于边缘的分水岭和水平集算法。本文进一步总结了基于这些方法的分割表现。

1.1. 基于区域的分割算法

图像分割一般都会用到分割对象的两大特性，即不同对象特征间的不连续性和同一对象内部的特征相似性。基于区域的分割算法大多是利用同一区域内部的特征相似性进行图像处理。根据分割算法对图像处理方式的不同，一般可以将基于区域的图像分割算法分为以下 3 类：① 阈值法；② 区域生长法；③ 区域分裂合并法。

本文主要介绍一下阈值法和区域生长法，而区域分裂合并法是先将图像分裂成若干个区域，再按照某种判断准则迭代进行合并，应用较少，因此不对其进行详细总结。

1.1.1. 阈值法

阈值法是一种较为经典的图像分割算法，是利用像素灰度或其他属性的阈值将图像分割成区域的过程，由于较为直观、简洁，广泛地应用于图像分割领域。

Sethi 等^[5]通过创建相位图划定癌变区域，然后选择一个合适的阈值（不同图像可能需要不同的阈值）将相位图转化成边界图，再从边界图中提取特征图，并将特征图和原始图像结合起来，最后再利用水平集技术得到最终的分割结果，其体积重叠率误差（volume overlap error，VOE）约为 27%，平均表面距离约为 4 mm。与基于区域的经二值化和高斯滤波正则化后的水平集方法和基于边缘距离正则化的水平集演化方法比较，该方法所得结果更准确。在该方法中，由于 CT 图像中肝癌的灰度级和周围组织很相似，若直接利用阈值法对原图进行处理，将无法从正常组织中区分出病灶。因此，Sethi 等^[5]先将原图转化为相位图，再利用相位图中肿瘤组织和正常组织灰度的差异，采用阈值法将相位图转化为边界图，经后续处理便可完成肝癌的分割。上述方法中，在选择阈值时需要用户先做多次尝试性分割后，根据经验判断再确定最终的阈值。为弥补这方面的不足，后来又发展出了一些自适应的阈值选取方法。

Patil 等^[6]通过两级操作实现了肝癌 CT 图像的分割：第一级是先后利用全局阈值和自适应阈值，同时结合形态学知识分割出肝脏；第二级是依次利用自适应阈值、模糊 C 均值聚类、区域生长等方法，从肝脏中分割出肿瘤。该方法利用 CT 图像上肝脏灰度较为均匀这一特点，并结合先验知识（肝脏的位置、大小以及灰度级），用阈值法从腹部 CT 中分割出肝脏，再利用 CT 图像中肿瘤组织和正常组织的灰度差异，用阈值法从肝脏中分割肝癌组织。研究结果显示，该方法的肝癌分割效率为 92.3%。其中，执行第二级操作时，自适应阈值法的肝癌分割效率为 37.69%，模糊 C 均值聚类算法的肝癌分割效率为 22.42%，区域生长法的肝癌分割效率为 32.00%。

事实上，阈值法的主要局限是只考虑了像素本身，而并不考虑图像的空间差异。因此单独使用阈值法对肝癌进行分割往往难以达到预期效果。故而上述文献中都是用阈值法结合其他的分割方法来完成最终的病灶分割。

1.1.2. 区域生长法

区域生长法是按照预先定义的标准进行生长，从而提取出图像中相连区域的方法。区域生长法弥补了阈值分割法没有或很少考虑到的空间关系不足的情况，但这种方法的主要缺陷是每一个需要分割的区域都必须人工给出种子点。

Baâzaoui 等^[7]提出一种基于熵的模糊区域生长方法来分割单个或多个肝癌病灶。首先在各肿瘤组织内分别选取种子点，利用这些种子点分别进行基于熵的区域生长，最后使用基于距离的操作以防止不同肿瘤区域间有重叠。该研究在 3 个数据库中分别测试，均得到较好的分割结果，同时也证实了该方法具有较强的抗噪能力。在该方法中，局部熵值表示局部区域的多样性，对肝癌和正常组织的过渡区敏感；而模糊区域生长是利用一个模糊的隶属函数进行的，它可以通过某点周围的信息来推迟对该点的决断。利用 CT 图像上肿瘤内部熵值的相似性进行模糊区域生长，这种做法不仅可以减少噪声的影响，还解决了 CT 图像上肿瘤边缘模糊这一问题。

Abd-Elaziz 等^[8]则通过强度分析去除掉肝脏周围的其他结构以提高分割速度，然后结合全自动种子点选取技术利用区域生长算法分割出肝脏，在此基础上，进一步自动选取种子点进行区域生长，分割出肝癌。经测试，得到的肝癌分割敏感度和特异性分别为 96.5% ± 0.62% 和 99.2% ± 0.6%。该方法先利用 CT 图像中肝脏位置和大小的先验知识，自动确定出肝脏内一点，作为第一次区域生长的种子点。此后再利用 CT 图像中肝癌灰度值比正常肝组织低这一特点，可以自动确定出肝癌内一点，作为第二次区域生长的种子点。该方法结合 CT 图像中的先验知识实现了种子点的自动选取，有利于分割的全自动化。

综上所述，采用区域生长法不仅可以分割出单个肝癌病灶区，还可以同时分割出多个肝癌病灶区，并且分割效果较好。但是为了使得分割更加快速准确，还需结合运用其他图像处理方法，例如：除去肝脏周围结构、利用基于距离的操作防止区域重叠等。除此之外，为了实现分割的自动化，还应结合 CT 图像上肝脏组织和肿瘤组织的基本特征，如肝脏的位置、形态以及肝脏组织和肿瘤组织的灰度值差异等实现最终的分割。

1.2. 基于边缘的分割算法

边缘检测是医学图像分割中常用的分割方法之一。所谓边缘，就是图像区域中明显变化的像素集合，也是图像分割的重要依据。边缘检测具有可以大幅减少计算量，快速剔除不需要的信息等优点^[1]。

1.2.1. 分水岭

分水岭算法是常用的基于边缘的分割方法，该方法通过基于图像的梯度特征展开分割，因而该算法对图像噪声会比较敏感，单独使用分水岭算法进行图像分割，易导致过度分割。为了解决该问题，人们往往会将分水岭算法与其他的图像处理方法结合，用其他的图像处理方法对图像进行预处理或分割后对图像进行细化。

Yan 等^[9]在病灶区域内人工选择种子点，自动确定双阈值，并利用双阈值确定分水岭内外部的标记，最终实现了与金标准（以放射科医师手动分割的结果为准）82.3% 的中位体积重合率。这一研究结果表明，采用基于标记的分水岭算法是一种有效的肝癌分割方法。该方法利用 CT 图像三维空间的连续性，解决了分支问题，即判断若干小连通域是否属于肿瘤区域。同时，该方法对于位于肝脏边缘或者边缘不清晰的肿瘤的处理有一定优势，但是终末层的肿瘤和周围组织相似，导致边缘极不清晰，甚至是无边缘，容易导致错分。

Xing 等^[10]利用图像增强和分水岭变换对图像进行预处理，再通过支持向量机（support vector machine，SVM）（一种机器学习算法）进行训练，最后经过一系列后处理，得到了肝癌病灶的分割结果，通过测试，得到的 VOE 为 31.14%。在该方法中，用分水岭变换将肝脏分割为多个小区域，与处理体素相比，该方法显得更为高效。

可见，适当地结合运用分水岭算法和其他图像处理方法，可以得到较好的分割准确率，同时还可以提高分割效率。

1.2.2. 水平集

水平集算法的基本思想是将低维的曲线嵌入到比其高一维的水平集函数中。基于水平集的图像分割的优点主要表现在：不需要复杂的数据结构即可较好地分割出感兴趣区，同时水平集也可以描述在分割过程中拓扑结构的变化。

Li 等^[11]提出一种基于水平集的肝癌 CT 分割方法，该水平集模型结合了图像梯度、区域竞争和先验知识，改善了用传统的基于边缘的水平集分割肝癌 CT 时边缘较弱等现象。Li 等^[11]在 25 张二维的 CT 图像和 4 个三维的 CT 图像集上进行测试，在二维和三维的数据集上得到的重叠误差分别为 12.75% ± 5.76% 和 26.31% ± 5.79%，相对差异分别为 –4.28% ± 9.58% 和 –10.64% ± 7.55%。由于肝癌的 CT 图像存在与周围组织对比度低、边缘模糊、内部不均匀等问题，而传统的水平集方法不可能同时解决这些问题，因此在该方法中，水平集模型结合了图像梯度、区域竞争和先验知识，与基于边缘的水平集模型相比，能更好地分割边缘弱的肿瘤；与基于区域的水平集模型相比，能更好地分割对比度低的肿瘤。Amarajothi 等^[12]利用水平集模型，同时结合形状和强度先验知识，实现了更为准确的肝癌分割。经测试，传统阈值法的肝癌分割准确率为 93.2%，而该方法取得的分割准确率为 98.7%，确实实现了更为精确的分割。上述方法中，仅使用单水平集法容易导致过分割 CT 图像中肿瘤周围的组织，而将梯度方向运用到水平集模型中，使得水平集与形状强度的先验知识结合，解决了上述问题。Cui 等^[13]提出一种基于形态学梯度修正的水平集分割方法，首先对腹部 CT 图像进行梯度变换，再对梯度图像进行形态学修正，最后对梯度修正后的图像进行水平集分割，即得到最终的分割结果。实验表明，该方法的分割相似度可以达到 95% 以上。由于肝癌 CT 图像中存在边缘模糊的问题，该方法根据梯度的大小，选取不同大小的结构元素进行局部梯度修正，这样能有效地提高模糊边缘的清晰度，防止水平集演进时边缘漏出导致错分。

综上所述，合理利用其他图像处理方法来优化水平集模型，可以克服水平集模型分割时边缘较弱等缺点，因而便可能得到更好的肝癌 CT 分割结果。

总的来说，传统的图像分割方法能够取得较好的分割结果。但分割过程往往离不开操作者的先验知识，如阈值法中选取阈值、区域生长中选取种子点等，这导致分割结果会受到主观因素的影响。因而，对于相关经验不足的操作者而言，可能无法取得上述的分割准确率。

2. 基于机器学习的肝癌病灶分割

机器学习的算法可以大体上分为两类^[14]：监督学习和无监督学习。应用到医学图像分割上的机器学习方法主要包括无监督学习中的聚类、监督学习中的支持向量机、神经网络、随机森林等。本文总结了基于这些机器学习方法的分割结果。

2.1. 监督学习

监督学习是指从给定的训练集中学习出一个函数，当输入新的数据时，可以根据这个学习出的函数预测结果的机器学习方法。它根据一系列配对的输入输出训练样本来获得输入输出关系，其中输出作为输入数据的标签，而输入数据则作为输出数据的被监督者。监督学习的训练集要包括特征和目标，其中目标由人为标记。常见的监督学习算法包括支持向量机、神经网络、随机森林等。

2.1.1. 支持向量机

支持向量机是一种解决多维函数预测的通用工具，其工作机制为：对于给定的训练集，系统会随机产生一个超平面并移动它，直到训练集中属于不同类的点恰好分布于平面的不同侧，并使训练集中的点距离该平面尽可能的远，即寻找一个超平面，使其两侧的空白区域尽可能大。和其他同类方法相比，支持向量机具有较强的适应性和较高的效率。

Zhou 等^[15]提出一种改进的支持向量机框架，先通过一类支持向量机分类器对肝脏肿瘤区域作初始化分割，再使用一种辅助工具自动生成无肿瘤的样本，最后用肿瘤和非肿瘤区域的样本训练出一个二类的支持向量机分类器。该研究首先通过设置不同的窗宽窗位可以得到两个图像数据集，选用这两个图像上各点的强度作为训练特征。随后用该分类器在 16 组腹部 CT 图像上进行测试，得到的分割结果较好，VOE为 27.0% ± 6.7%；而通过一类支持向量机和二类支持向量机得到的 VOE 分别为 39.4% ± 9.4% 和 32.1% ± 6.4%。因为一类支持向量机只关注用户选取的正样本的特征，没有关注负样本的特征，所以对于边缘模糊的异质性肿瘤而言，仅用一类支持向量机得到的分割结果不尽如人意。该方法将一类支持向量机得到的结果作为正样本，在其外部抽取负样本点，再利用二类支持向量机分类，这样有利于改善一类支持向量机的分割结果。Xing 等^[10]利用图像增强和分水岭变换对图像进行预处理，以得到的各连通域的灰度最小值、最大值、平均值、标准差为特征集，再通过支持向量机训练，最后进行一系列图像后处理，得到了肝癌 CT 的分割结果。该研究在 10 个肿瘤数据集上进行了测试，得到的平均重叠误差为 31.14%，分割一位患者的肝癌 CT 图像大约需要 30 s。这种利用分水岭变换做预处理的方法可以减少训练数据集，从而大大减少分割的时间，并且对小区域进行处理可以减少 CT 图像中噪声对分割的影响。同时，这种方法结合了操作者的先验知识来选取训练集，有利于分割的鲁棒性。

上述结果显示，支持向量机确实是一种行之有效的方法，但是直接、单独使用时准确率和效率并不会太高，若想得到较理想的分割结果，还需结合其他方法提取特征或改进分类算法。

2.1.2. 神经网络

神经网络是一种以有向图为拓扑结构的动态系统，它是通过对连续或断续的输入作为状态响应，进而进行信息处理的。神经网络不仅具有一般非线性系统的共性，它还具有一些特性，例如系统的高维性、神经元间的广泛互连性和自适应性等。

Li 等^[16]通过对图像预处理、特征提取，再用卷积神经网络（convolutional neural network，CNN）进行训练分类并对图像进行后处理即得到了分割的结果。经测试，与其他机器学习方法（如 AdaBoost、随机森林、支持向量机等）相比，CNN 在腹部 CT 图像的肝癌分割上表现更加出众，其 Dice 系数（一种度量集合相似度的指标）为 80.06% ± 1.63%，精确率为 82.67% ± 1.43%，召回率为 84.34% ± 1.61%。虽然，对于密度不均或边界较弱肿瘤的分割，这些方法都存在一定的局限性，容易导致正常组织的错分或肿瘤组织的漏分，但当获得更多肿瘤边缘信息后，CNN 在肝癌分割上会表现最佳。Hoogi 等^[17]提出一种基于自适应评估主动模型参数的水平集分割方法，首先用 CNN 来评估定位病变区的水平集轮廓，然后用 CNN 输出的概率来自适应计算主动轮廓的参数，最后用可迭代的方法来确定病变区的大小和空间结构。在 164 个磁共振成像（magnetic resonance imaging，MRI）图像和 112 个 CT 图像上进行测试，得到的平均中值 Dice 系数为 84% ± 3%。该方法利用 CNN 自适应地计算参数，避免了大量的人机交互，提高了分割的准确率，同时对于 CT 图像中肝癌具有高度多样性这一分割难点，CNN 计算的自适应参数使得该方法具有较强的处理能力。Christ 等^[18]应用级联的全卷积神经网络（fully convolutional neural network，FCN）和稠密三维条件随机场（conditional random fields，CRFs）来自动分割腹部 CT 图像中的肝脏和病变区，他们首先训练出一个 FCN 来分割肝脏，再训练出一个 FCN，从第一步分割出来的肝脏中进一步分割出病变区，最后用 CRFs 来细化分割结果，这将有助于改善其外观和空间相干性。经 2 折交叉验证，得到分割结果的 Dice 系数超过了 94%，并且每份 CT 集的计算时间低于 100 s，这表明该方法在获得较高的分割准确率的同时也保证了较快的计算速度。

综上所述，在机器学习方法中，对于基于 CT 图像的肝癌分割而言，神经网络是一种较为有效的方法，并且神经网络通常可以实现肝癌的自动分割，加上对分割结果的优化、细化，便可能达到较高的分割准确率。

2.1.3. 随机森林

随机森林是一种统计学习方法，其工作机制为：先用重抽样技术——自助法（bootstrap）从原始样本中抽取出多个样本，并对其中每个样本进行决策树建模，然后结合多颗决策树的预测，通过投票得出最终的预测结果。该方法具有预测准确率较高、对噪声具有较好的容忍度、不易出现过拟合现象等优点。

Conze 等^[19]利用基于多相聚类特征的随机森林，设计出一种在动态增强 CT 图像中实现半自动肝癌分割的方法，测试得到的坏死组织分割的 Dice 系数为 71.9% ± 19.5%，实质组织分割的 Dice 系数为 93.3% ± 3.08%，均强于基于单相体素、基于单相超像素以及基于多相体素方法得到的结果。该方法中利用超像素增加了分割结果的空间一致性，利用多相特征可以减少错分的影响。后来，Conze 等^[20]又提出一种新的结合超像素和随机森林的分割方法，与之前的方法相比，通过分层多尺度树将特征联系起来以描述超像素，解决了一个较大的超像素中可能存在多种类型的组织这一问题。实验表明，用基于超像素的多尺度随机森林与基于超像素的单尺度随机森林的相比，分割准确率有所提高：坏死组织分割的 Dice 系数由 85.3% ± 12.5% 提高到 86.9% ± 10.5%，实质组织分割的 Dice 系数由 94.3% ± 4.12% 提高到 95.5% ± 3.56%，肿瘤分割的 Dice 系数由 88.9% ± 8.51% 提高到 91.0% ± 6.99%。

综上所述，随机森林结合超像素来使用，分割准确率可得到明显提升，同时如果其结合合适的图像处理方法，对于改善分割结果也有很大的帮助。

2.2. 无监督学习

无监督学习是一种对原始数据进行分类，以便了解数据内部结构的机器学习方法。与监督学习不同的是，无监督学习网络在学习过程中并不知道其分类结果的正误。无监督学习的目标就是要在数据集上找到某种感兴趣的内在结构，也就是要找出或估计一种可能产生该数据集的概率密度。当学习完毕并经测试以后，可以将习得的网络用到新的数据集上。

用于肝癌 CT 图像分割的无监督学习方法主要是聚类算法。聚类是一种将数据集划分为若干簇的无监督学习方法，它使得同类对象间相似度较高，而异类对象间相似度较低^[21]。

Sajith 等^[22]先用空间模糊 C 均值聚类（fuzzy c-means clustering，FCM）算法，再结合参数可变形模型，先分割出包含肿瘤的肝脏组织，进一步分割出肿瘤组织。其中模糊 C 均值聚类算法利用体素间的相似性将图像分为多个簇，参数可变形模型则根据约束条件演进出一条曲线来趋近感兴趣区的边缘，模糊 C 均值聚类算法结合参数可变形模型可更好地检测边缘，从而优化分割结果。Obayya 等^[23]通过两步来分割出腹部 CT 图像中的肝癌，第一步是对图像进行预处理，通过形态滤波、连通分量、边界提取等算法分割出肝脏；第二步是利用 CT 图像上肝癌组织和正常组织灰度级上的不同，用模糊 C 均值聚类算法将像素分为 3 个不同的簇，分别为背景、肝脏和肝癌可疑区。该方法的平均成功率达到 93.3%，平均用时为 21.32 s，均强于基于区域的算法。

Ben-Cohen 等^[24]在定期复查患者的 CT 图像中，诊断并分割出肝脏转移性病变区。他们通过结合之前的 CT 图像，用二维的基线分割掩膜、非刚性配准及模板匹配来定位肝脏病变区和周围组织，以缩小病变区的搜索范围。再用自适应的区域生长和均值漂移聚类来实现肝脏病变区的分割。检出率达 90%，分割的平均 Dice 系数为 84% ± 7%。虽然诊断和分割的效果还不错，但是由于要用到之前的 CT 图像来缩小处理范围，该方法在某些情况下（如患者中途有做外科手术或病变区的大小变化过大导致肝脏变形等）存在局限性。

综上所述，聚类算法经常用来实现基于 CT 图像的肝癌自动分割。同时研究发现，运用聚类算法分割肿瘤时，通常会先分割出肝脏或者是定位出肝脏病变区和周围组织，以缩小病变区的搜索范围，在此基础上再去分割肿瘤组织，这有助于得到较好的肝癌分割结果。

总的来说，机器学习方法也可以得到不错的分割效果。不难发现，图像预处理后，选取合适的特征对机器学习尤为关键，这样将有助于提高分割的准确率。同时可以观察到机器学习的分割结果受操作者主观因素的影响相对较小。虽然部分机器学习方法存在耗时较长的缺点，但是经过算法的不断优化后，这方面的问题在逐渐改善。

3. 总结与展望

不难发现，近年来，基于 CT 图像的肝癌病灶自动分割算法已有长足的发展。其中，非机器学习方法通常是通过给计算机一连串的指令，让它遵照这些指令一步步执行下去，有因有果，非常明确，而机器学习则是通过训练数据，以实现对输入图像的自动分割，其核心在于相关而非因果。面对一个问题时，人们更希望程序可以对以往的经验进行存取以应用于将来的任务，机器学习恰好可以做到这一点。但是机器学习方法在某些情况下分割准确率并不高，因而许多学者希望通过将非机器学习算法与机器学习算法结合，在实现肝癌 CT 自动分割的前提下，优化分割结果，提高分割的准确率。同时，目前多数方法都倾向于自动分割，一方面，全自动的分割方法可以使没有临床经验的操作者也可以获得良好的分割结果。另一方面，交互式半自动分割方法虽然需要操作者设置一系列的参数，但是与全自动的分割方法相比，一般具有更好的分割结果^[25]。这就进一步说明了各种方法都具有一定的优点和局限性。同时使用多种方法，可实现各算法间的优势互补，从而提高分割准确率。

目前肝癌 CT 图像分割的准确率还不够高，肝癌分割过程中还存在一些难点，包括：① 腹部 CT 图像具有噪声；② 肝癌具有异质性；③ 肝癌的形状复杂且多变等^[26]。对于这些难题，可以着重在算法优化方面进行改进，例如：可以通过基于熵的模糊区域生长、用分水岭做预处理、使用随机森林做决策等方法来减少噪声的影响；用 CNN 初始化水平集参数，能够更好地处理复杂多变的肿瘤；还可用分水岭和超像素来提高算法的效率。然而，没有一种方法可以解决所有难题，因此适当综合多种方法是必要的。例如研究者们可以试图用机器学习方法初始化非机器学习方法的参数，再用非机器学习方法来分割肝癌，以便处理复杂多变的肿瘤；也可以用非机器学习方法结合先验知识实现自动化，并用于机器学习方法的预处理或进行结果细化，从而优化分割结果。这些方法如能顺利推广到临床应用中，或许能够提高临床医师的工作效率以及保证分割的准确性，则最终将使医生和患者都从中受益。

Funding Statement

广东省医学科研基金（B2016031）；深圳市海外高层次人才创新创业专项资金（KQCX20140519103243534）；广东省大学生创新训练计划项目（201610590031）；深圳大学高端人才科研启动项目（000048）；深圳市科技计划项目（JCYJ20160307114900292）