杨 兵，刘晓芳，张 纠

（1.中国计量大学计算机应用与技术研究所，杭州 310018；2.中国计量大学电子信息与通信研究所，杭州 310018；3.浙江省电磁波信息技术与计量检测重点实验室，杭州 310018）

0 概述

医学图像分割对于研究人体解剖结构和制定诊疗计划起到重要作用［1］，其目的是分割出医学图像中感兴趣的部分并提取相关特征，为临床诊断以及病理学研究提供可靠信息基础。传统的图像分割方法通过人工设计或抽取一系列的图像特征，并将这些特征用于一些分类器，从而完成分割任务。然而此类分割方法具有一定局限性，其有时只能处理一些简单的分类（分割）问题，难以解决复杂问题，此外，人工设计的特征是个人的主观结果，是否能表征数据的内在特征也没有明确的界限和定义。

近年来，以卷积神经网络（Convolutional Neural Network，CNN）为代表的深度学习技术在医学影像自动分析中得到广泛应用。针对多模态脑部分割问题研究者提出了多种方法。文献［2］提出一种全卷积神经网络用于婴儿脑部区域分割，通过单独训练每个模态的图像数据，将高层特征融合用于最后的分割，从而利用编码-解码网络结构实现了对婴儿脑部的准确分割。文献［3］提出一种深度卷积神经网络用于3 种主要脑组织的分割，通过提取脑部图像块训练CNN，将多种模态的图像数据作为输入，网络输出同时具有多种模态图像的底层特征。针对网络上采样所带来的信息丢失导致分割效果欠佳的问题，文献［4］提出一种半密集网络同时对两种模态的脑部数据进行分割，采用早期融合策略融合两种模态的脑部图像特征，在此基础上通过全连接层对特征信息进行聚合。……