摘要：指出了深度学习方法在医学图像分刻中取得较大的进展，但医学图像处理的复杂性使得全自动分割方法难以取得较好的分割效果。在卷积网络分割的基础上，结合应用场景使用适当的后处理手段來提升图像的分割效果是一种比较有临床意义的研究方法。主要研究了基于概率图的全连接条件随机场模型和基于用户交互的深度编辑网络，并分析总结了这两种方法的实现原理和各自优势，并对未来的研究工作进行了一些展望。

关键词：医学图像;语义分割;条件随机场;用户交互;深度编辑网络

中图分类号：R318 文献标识码：A 文章编号：1674-9944（2020）04-0177-02

1 引言

近年来，神经网络技术的兴起极大地促进了医学图像处理研究的进展川。图像分割作为影像医学中的关键技术，不少基于卷积网络的新分割方法相继被提出并应用，如FCN、DeepLab和UNet等经典分割模型，其中UNet在医学图像分割中表现优异[2]。卷积神经网络能够自动提取图像隐藏的高级语义特征，一方面避免了人工设计方法提取特征的困难，另一方面，高级语义信息十分有利于像素级的分类任务。

然而，基于卷积网络的全自动分割方法在复杂情况下依然无法准确分割病变组织，甚至会存在噪声的影响，这也导致这些方法也难以直接应用于临床医学[3]。所以，在神经网络分割的基础上，如何自动编辑修复以精细化分割结果的研究将变得十分有意义。目前存在不少有效的解决方法，本文主要研究分析两种方法：基于全连接条件随机场（CRFs）[4]的方法和基于交互式深度编辑框架的方法[3]。……