文献类型：期刊文章

作　　者：葛婷[1,2] 詹天明[3] 李勤丰[2] 牟善祥[1]

Ge Ting;Zhan Tianming;Li Qinfeng;Mu Shanxiang(School of Electronic and Optical Engineering,Nanjing University of Science and Technology,Nanjing 210094,China;School of Sciences,Jinling Institute of Technology,Nanjing 211169,China;School of Information Engineering,Nanjing Audit University,Nanjing 211815,China)

机构地区：[1]南京理工大学电子工程与光电技术学院,江苏南京210094 [2]金陵科技学院理学院,江苏南京211169 [3]南京审计大学信息与工程学院,江苏南京211815

出　　处：《南京理工大学学报》

年　　份：2021

卷　　号：45

期　　号：2

起止页码：179-188

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：利用脑肿瘤核磁共振(Magnetic resonance,MR)图像提供的关于肿瘤和脑组织的形状、大小与定位等信息准确地分割出脑肿瘤区域,对监测脑肿瘤患者的肿瘤生长或缩小、制定手术或放化疗计划都起着重要的作用。探讨了脑肿瘤MR图像分割的背景与意义,整理了脑肿瘤分割方法中常用的评估指标以及实验数据库的发展过程。基于脑肿瘤MR图像的特点讨论了脑肿瘤分割的难点,并从MR成像缺陷、脑组织解剖结构以及脑肿瘤的复杂性等方面进行归纳。对脑肿瘤分割方法的分类以及常见的分割方法进行了研究,分析了基于图论的分割方法、基于可形变模型的分割方法以及基于机器学习的分割方法及其进展。最后,结合脑肿瘤分割中存在的问题对未来的研究工作进行展望。

关 键 词：脑肿瘤  核磁共振成像 脑肿瘤分割  医学图像分割 图论  水平集 模糊C-均值 人工神经网络  核方法

分 类 号：TP391.4] TN911.73[计算机类]