文献类型：期刊文章

作　　者：曹玉红[1] 徐海[2] 刘荪傲[2] 王紫霄[2] 李宏亮[3]

CAO Yuhong;XU Hai;LIU Sun’ao;WANG Zixiao;LI Hongliang(Chinese Institute of Electronics,Beijing 100036,China;School of Information Science and Technology,University of Science and Technology of China,Hefei Anhui 230026,China;School of Engineering Sciences,University of Chinese Academy of Sciences,Beijing 100049,China)

机构地区：[1]中国电子学会,北京100036 [2]中国科学技术大学信息科学技术学院,合肥230026 [3]中国科学院大学工程科学学院,北京100049

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(62022076,U19A2057,61976008)。

年　　份：2021

卷　　号：41

期　　号：8

起止页码：2273-2287

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：医学影像分割是计算机辅助诊断中的一项基础且关键的任务,目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像,医学影像往往纹理复杂,同时受限于成像技术和成像设备,医学影像噪声大,边界模糊而不易判断。除此之外,对医学影像进行标注极大依赖于医疗专家的认知和经验,因此可用于训练中的标注数据少且存在标注误差。由于上述的医学影像边缘模糊不清、训练数据较少和标注误差较大等特点,基于传统图像分割算法搭建的辅助诊断系统难以满足临床应用的要求。近年来随着卷积神经网络(CNN)在计算机视觉和自然语言处理领域的广泛应用,基于深度学习的医学影像分割算法取得了极大的成功。首先概述了近几年基于深度学习的医学影像分割的研究进展,包括这些医学影像分割算法的基本结构、目标函数和优化方法。随后针对医学影像标注数据有限的问题,对目前半监督条件下医学影像分割的主流工作进行了整理归纳和分析。此外,还介绍了针对标注误差进行不确定度分析的相关工作。最后,总结分析了深度学习医学影像分割的特点并展望了未来的研究趋势。

关 键 词：医学影像分割  深度学习  卷积神经网络 半监督学习 不确定性估计  

分 类 号：TP391.7]