曹玉红，徐 海，刘荪傲，王紫霄，李宏亮

（1.中国电子学会，北京 100036；2.中国科学技术大学信息科学技术学院，合肥 230026；3.中国科学院大学工程科学学院，北京 100049）

0 引言

随着医学影像成像技术和成像设备的快速发展和普及，全球每天产生大量的医学影像数据，借助计算机进行医学影像分析在临床诊断、手术方案制定中的重要性日益凸显［1］。其中，医学影像分割能够有效地提取目标区域的形状和空间信息，是进行医学影像定量分析的关键步骤之一［2］，目的是以机器视觉方式自动从医学图像中逐像素地识别出目标区域（器官、组织或病灶）。早期的医学影像分割系统主要基于传统的图像分割算法搭建，如基于边缘检测的分割算法［3］、基于阈值的分割算法［4］和基于区域的分割算法［5］。但医学图像通常具有对比度低、组织纹理复杂、边界区域模糊等特点，极大地限制了此类图像分割算法的效果和应用场景。随后，针对特定任务设计手工特征的分割算法很长一段时间成为了医学影像分割的研究主流［6］，然而手工特征的设计极大依赖医生的专业先验知识，而且往往泛化能力差，无法迁移到新的任务场景下。因此在实际应用中基于传统图像分割技术的医学影像分割系统仍然不够成熟，无法获得令人满意的分割效果。

近年来，随着计算机技术和人工智能的快速发展，卷积神经网络（Convolutional Neural Network，CNN）［7-9］强大的建模能力被广泛研究，相比传统的算法，基于卷积神经网络的深度学习算法在图像处理各领域带来了突破性的进展，如图像分类［10］、语义分割［11］等，基于深度学习的图像分割算法也被引入到医学影像分割［12-15］中。……