第4章：高级分割算法——水平集、图割、U-Net与分割后处理

各位同学，欢迎来到第四章。这一章我们聊聊超声图像分割里那些「硬核」的东西。说实话，分割算法在超声里是个老话题，但真正能落地到产品里的，其实就那么几种。我这些年踩过的坑，基本都集中在这一块。

4.1 水平集方法：边界演化与能量最小化

水平集方法，说白了就是让一条曲线自己「长」到目标边界上去。你想想看，超声图像里边界模糊、噪声大，传统的边缘检测根本扛不住。水平集的好处是——它不依赖局部梯度，而是靠全局能量驱动。

我在项目中遇到过一个问题：用水平集分割囊肿，初始轮廓放得不好，结果曲线直接「跑飞」了。后来我学乖了，先用一个简单的阈值粗分割，把初始轮廓放在目标附近，再跑水平集，收敛快得多。

E(φ) = λ · L(φ) + ν · A(φ) + ∫ R(x) · H(φ) dx

4.2 图割算法：全局最优的离散分割

图割算法，嗯，这个我特别喜欢。它把分割问题转化成图论里的最小割问题。你想想看，每个像素是一个节点，相邻像素之间连边，边的权重代表相似度。然后我们找一条「割」，把前景和背景分开，代价最小。

图割的优点是能保证全局最优。但缺点也很明显——计算量大。我记得有一次处理一个 512×512 的超声图像，建图就花了 3 秒，跑最小割又花了 5 秒。这在实时系统里根本没法用。

4.3 U-Net 深度学习分割：从数据到模型

U-Net 现在几乎是超声分割的标配了。为什么？因为它结构简单，效果好，而且特别适合医学图像这种「小样本」场景。U-Net 的编码器-解码器结构，加上跳跃连接，能同时保留全局上下文和局部细节。

我建议你从 U-Net 的轻量版本开始，比如 MobileUNet 或者 ENet。为什么呢？因为超声设备算力有限，你不可能在床旁超声上跑一个 100M 参数的模型。我做过一个项目，把 U-Net 的通道数砍了一半，推理速度从 200ms 降到了 50ms，精度只掉了 2%。

4.4 分割后处理：形态学操作与连通域分析

分割完了，你以为就结束了？不，后处理才是决定成败的关键。我见过太多模型输出一堆「毛刺」和「孤岛」，直接拿去用肯定出问题。

形态学操作，说白了就是「膨胀」和「腐蚀」。膨胀可以让断裂的边界连起来，腐蚀可以去掉细小的噪声。我常用的组合是：先腐蚀去掉小噪点，再膨胀恢复边界，最后用开运算平滑轮廓。

import cv2
import numpy as np

# 定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))

# 开运算：先腐蚀后膨胀，去除小噪点
opened = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

# 闭运算：先膨胀后腐蚀，填充小孔
closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel)

# 连通域分析：只保留最大区域
num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(closed, connectivity=8)
largest_label = 1 + np.argmax(stats[1:, cv2.CC_STAT_AREA])
final_mask = (labels == largest_label).astype(np.uint8) * 255

4.5 实战经验总结

好了，这一章的内容差不多就这些。我最后给你几个建议：

• 先简单后复杂：别一上来就上 U-Net，先试试水平集或图割，看看能不能解决问题。很多时候传统方法就够了。
• 后处理不能省：模型输出直接用的后果就是「毛刺」和「空洞」。形态学操作和连通域分析是标配。
• 数据质量第一：我见过太多团队花 3 个月调模型，结果发现标注数据有 30% 的错误。先把数据洗干净，比什么都强。

下一章我们会讲超声图像的超分辨率重建，那又是一个很有意思的话题。到时候见。