文献类型：期刊文章

作　　者：江宗康[1] 吕晓钢[1] 张建新[1] 张强[1,2] 魏小鹏[1,2]

Jiang Zongkang;Lyu Xiaogang;Zhang Jianxin;Zhang Qiang;Wei Xiaopeng(Key Laboratory of Advanced Design and Intelligence Computing(Ministry of Education),Dalian University,Dalian 116622,China;School of Computer Science and Technology,Dalian University of Technology,Dalian 116024,China)

机构地区：[1]大连大学先进设计与智能计算省部共建教育部重点实验室,大连116622 [2]大连理工大学计算机科学与技术学院,大连116024

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(61972062,91546123);国家重点研发计划课题项目(2018YFC0910500);教育部长江学者与创新团队发展计划项目(IRT_15R07);大连市高层次人才创新支持计划项目(2016RQ078);辽宁省“百千万人才工程”项目.

年　　份：2020

卷　　号：25

期　　号：2

起止页码：215-228

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：磁共振成像(MRI)作为一种典型的非侵入式成像技术,可产生高质量的无损伤和无颅骨伪影的脑影像,为脑肿瘤的诊断和治疗提供更为全面的信息,是脑肿瘤诊疗的主要技术手段。MRI脑肿瘤自动分割利用计算机技术从多模态脑影像中自动将肿瘤区(坏死区、水肿区、非增强肿瘤区和增强肿瘤区)和正常组织区进行分割和标注,对于辅助脑肿瘤的诊疗具有重要作用。本文对MRI脑肿瘤图像分割的深度学习方法进行了总结与分析,给出了各类方法的基本思想、网络架构形式、代表性改进方案以及优缺点总结等,并给出了部分典型方法在Bra TS(multimodal brain tumor segmentation)数据集上的性能表现与分析结果。通过对该领域研究方法进行综述,对现有基于深度学习的MRI脑肿瘤分割研究方法进行了梳理,作为新的发展方向,MRI脑肿瘤图像分割的深度学习方法较传统方法已取得明显的性能提升,已成为领域主流方法并持续展现出良好的发展前景,有助于进一步推动MRI脑肿瘤分割在临床诊疗上的应用。

关 键 词：磁共振成像 脑肿瘤 人工神经网络 深度学习  分割  

分 类 号：TP391.41] R739.41[计算机类]