文献类型：期刊文章

作　　者：黄晓鸣[1] 何富运[1,2,3] 唐晓虎[1] 王勋[1,2] 丘森辉[1,3] 胡聪[2]

Huang Xiaoming;He Fuyun;Tang Xiaohu;Wang Xun;Qiu Senhui;Hu Cong(College of Electronic Engineering,Guangxi Normal University,Guilin 541004,China;Guangxi Key Laboratory of Automatic Detection Technology and Instrument,Guilin 541004,China;Guangxi Key Laboratory of Wireless Wideband Communication and Signal Processing,Guilin 541004,China)

机构地区：[1]广西师范大学电子工程学院,桂林541004 [2]广西自动检测技术与仪器重点实验室,桂林541004 [3]广西无线宽带通信与信号处理重点实验室,桂林541004

出　　处：《中国生物医学工程学报》

基　　金：国家自然科学基金(62062014);广西自然科学基金(2018GXNSFAA050024,2018GXNSFAA294142)

年　　份：2022

卷　　号：41

期　　号：5

起止页码：567-576

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EMBASE、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：医学图像分割可以为临床诊疗和病理学研究提供可靠的依据,并能辅助医生对病人的病情做出准确的判断。基于深度学习的分割网络的出现解决了传统自动分割方法鲁棒性不强、准确率低等问题。U-Net凭借其出色的性能在众多的分割网络中脱颖而出,研究者以U-Net为基础相继提出了多种改进变体。以U-Net网络及其变体为主线,首先详细介绍U-Net的网络结构及常用改进方法;然后根据分割对象的不同,将U-Net变体网络进一步划分为泛用型分割网络及特定型分割网络,并就其在医学图像分割中的研究进展进行论述;最后,分析了目前研究中工作尚存在的难点与问题,并对今后的发展方向进行展望。

关 键 词：医学图像分割 深度学习  卷积神经网络 U-Net  

分 类 号：R318[生物医学工程类] TP391.41[基础医学类]