江苏卫生健康职业学院 武 芳 王鸿雁

医学图像是疾病诊断的重要依据，医学图像分割通常是由医学专家手动完成，耗时长，分割准确程度受主观因素影响较大，非常依赖医生的经验。日益增加的阅片量，迫切需要一种自动分割方法来缓解医生的图像分割压力。

传统的图像分割方法是根据图像灰度值的突变进行图像分割，或根据预定义的规则进行分割，这种分割算法计算速度快，不需要标注数据，对样本数量无要求，是一种非监督分割方法。但是大部分的算法对图像中的噪声比较敏感，如阈值处理和区域生长算法等，比较常用的Otsu方法分割后，较细的分割区域往往不连续，通常还需要配合形态学等方法进行后续处理，但是分割的精度低、鲁棒性差。深度学习中的卷积神经网络(CNN)是一种有监督学习方法，具有比传统方法最高的分割精度，其网络最后一层为全连接层，输出类别概率，该网络层数多，模型复杂，易过拟合，计算量大，占用资源较高，常用于多分类和自然图像语义分割，在医学图像处理中多用于疾病诊断；医学图像的分割是分割目标和背景的二分类问题，全卷积神经网络(FCN)将CNN的最后一层改为反卷积层，输出尺寸输入尺寸相同，是一种端对端(end to end)的网络，由于上采样层的倍率过大，导致部分重要细节信息丢失，同时，该网络忽略了像素之间的联系，不适用于医学图像对细节和位置高精度的要求。与FCN同年面世的U-Net网络，也……