陈 浩，秦志光，丁 熠

（电子科技大学信息与软件工程学院，成都610054）（*通信作者电子邮箱qinzg@uestc.edu.cn）

0 引言

脑胶质瘤是最常见的原发性脑肿瘤，具有很强的侵略性和很高的致死率。根据世界卫生组织（World Health Organization，WHO）的脑肿瘤分级制度，可以将脑肿瘤分为四级，其中一、二级肿瘤被称为低级别肿瘤，三、四级肿瘤被称为高级别肿瘤。高级别肿瘤患者平均寿命往往只有两年。因此，早发现、早治疗往往能够大幅提高病人寿命。在临床中，核磁共振成像（Magnetic Resonance Imaging，MRI）技术是最常用的脑肿瘤诊断技术。目前，四种MRI 成像技术经常用于实际临床诊断上，分别是T1加权成像（T1-weighted MRI，T1）、钆增强对比的T1 加权（T1-weighted MRI with gadolinium enhancing contrast，T1c）、T2 加权成像（T2-weighted MRI，T2）和液体衰减反转恢复的T2 加权成像（T2-weighted MRI with FLuid-Attenuated Inversion Recovery，FLAIR）。由于病人MRI图像数量巨大，医生手动标注脑肿瘤耗时且效率低下，因此基于机器学习的自动脑肿瘤分割在辅助医生诊断、手术规划及术后恢复效果评估等方面具有巨大的作用。

近年来，许多基于机器学习的半自动化或自动化方法被用于脑肿瘤分割，这些方法往往基于聚类［1-4］、图模型［5-8］以及随机森林［9-11］等学习模型。但这些方法所依赖的特征常常是人工设计的特征。随着深度学习在图像、音频及自然语言等很多领域取得一系列的成功，深度神经网络也广泛应用在脑肿瘤分割上。文献［12］采用小的卷积核及减少下采样层构建了较深的卷积神经网络来分割脑肿瘤；在此基础上，文献［13-16］采用了多尺度卷积神经网络来实现脑肿瘤分割。此外基于U 型网络（U-Net）［17］、全卷积网络（Fully Convolutional Network，FCN）［18-19］及对抗生成网络（Generative Adversarial Network，GAN）［20-21］等网络结构的脑肿瘤分割算法也被广泛应用。……