基于深度学习的医学图像分割技术研究进展

闫 超，孙占全，田恩刚，赵杨洋，范小燕

(上海理工大学 光电信息与计算机工程学院，上海200093)

随着医疗科学技术的快速发展，医学影像已成为医生了解、分析病情的重要参考信息，在诊断疾病、评估治疗等方面发挥着重要作用。全球医学影像信息量在全世界信息总量中占20%以上[1]。医学领域形成了不同的医学成像技术，包括计算机断层扫描(Computer Tomography，CT)、核磁共振成像(Magnetic Resonance Image，MRI)和超声成像等。医学图像分割是从医学影像中识别病变器官的像素点，旨在获取这些病变部位的信息特征，在医学图像分析任务中具有一定的技术难度[2]。医学图像分割方法在发展的过程中形成了不同的分割算法，包括：基于灰度阈值的分割算法、基于边缘检测的分割算法、基于区域的分水岭分割算法以及结合特定理论的分割算法等[3]。

随着计算机硬件性能的迅速提高，深度学习方法应运而生，在图像处理任务中展现出强大能力。深度学习的本质是将大量数据样本输入构建的多层机器学习模型之中，学习对象的特征信息，最终提高分类精度[4]。基于深度学习的图像处理技术优势明显，已成为研究热点之一。Shen等人总结了各种医学图像分析方法[5]。微软团队He等人提出了残差网络架构，有效地解决了神经网络梯度弥散的问题[6]。Prathiba等融合多种网络结构，构造出的深度残差全卷积网络(Fully Convolutional Residual Network，FCRN)，在皮肤镜图像中自动分割黑色素瘤效果显著[7]。文献[8]总结了深度学习在医学图像分割、检测、分类、配准、检索等多个方面的研究[8]。……