1. 引言

利用超声图像进行分割能够获得人体器官参数，对评价人体器官功能具有重要意义。但超声图像具有散斑噪声大、区域模糊、弱边界、难以定位感兴趣区域（ROI）等问题，导致目前自动分割技术无法保证分割精度，而仅仅依靠人工对目标区域进行手动分割工作量巨大，且主观因素较强。

2. 方法

目前对超声图像进行分割一般要经过图像预处理、感兴趣区域定位和图像分割三个阶段：

① 图像预处理阶段是图像去噪和图像增强。

② 感兴趣区域的定位是选取需要分割的目标位置。

③ 最后对目标区域进行分割。

医学图像分割的方法主要分为两类：一类是基于训练集学习的分割算法，包括监督学习和半监督学习，需要由人工标注图像进行训练。这类方法包括基于活动形状模型的分割算法和最近很火的基于深度学习语义分割相关算法，前者需要依赖初始轮廓的定位，后者需要手动制作大量训练集，工作量很大。另一类是基于聚类的分割算法，即无监督分割算法，无需人工标注训练集，先后有马尔可夫随机场的分割算法、遗传算法优化的活动轮廓模型、规范化切割方法结合K均值算法、基于自适应核带宽的mean shift图像分割算法、均值漂移- 区域扩展拟合(MS- RSF)模型等。

基于边缘检测的图像分割算法和基于区域的分割算法在医学图像分割领域很少使用，这是由于医学图像具有较强的噪声。

3. 基于深度学习的超声图像分割方法

基于深度学习的超声图像分割方法存在几个问题：

• 提取特征存在冗余；
• 缺乏标注数据，使得网络容易出现过拟合。

目前的图像分割网络常常结合注意力机制。