熊志勇，邓天齐，李娜

(中南民族大学 计算机科学学院，武汉 430074)

脑肿瘤是一种恶性脑部疾病，由正常细胞变异形成的肿瘤细胞生长而成.临床上诊断脑肿瘤通常观察以核磁共振成像(Magnetic Resonance Imaging, MRI)技术对大脑做断层扫描形成的三维图像.MRI可以在不伤害人体的情况下观察任意地点的切面，显示软组织的精细结构，对于诊断有着极大的帮助，已成为脑部病变检查中最常用的手段[1].从MRI里人工分离肿瘤区域费时费力，分割结果受到图像成像质量和操作者个人因素的影响往往不稳定，用计算机辅助分割肿瘤的需求因此而生.

自计算机技术发展以来，图像分割领域出现了许多分割方法.传统分割方法主要包括阈值分割、分水岭分割、边缘查找[2]、聚类[3]、区域生长[4]等.它们有着实现简单、快速高效的优点.相对地，传统分割方法需要复杂的图像预处理与参数调整，处理脑肿瘤分割任务较为困难,精度也不尽人意.机器学习方法以人工提取的图像特征为出发点，通过优化目标函数完成分割任务，主要分割算法有RF[5]、SVM[6]、KNN[7]、贝叶斯等等.相比起传统分割方法精度有了较大提升，但是提取特征的手段比较复杂.近年来神经网络的崛起使脑肿瘤分割的任务有了新的变化.从AlexNet[8]伊始，ResNet[9]、Unet[10]、Vnet[11]、DenseNet[12]等各种各样的模型不断地出现.它们或是提出了新的卷积网络思路，或是直接用于分割肿瘤，使肿瘤分割正确率节节上升，相应地网络复杂程度和训练开销也大大增加.结合条件随机场……