吴天宇

（唐山职业技术学院后勤及国有资产管理处，唐山 063000）

0 引言

随着数字成像技术的发展及图像分割技术［1-2］的持续改进，医学影像在临床诊断中的应用越来越广泛，已成为医生诊治的首要根据。通过计算机技术对医学图像中感兴趣区域（ROI）进行定位和分割，识别出ROI区域的像素点，获得ROI的特征参数，以便为后续的分析病情、评估治疗提供可靠的参考信息，辅助医生进行诊断治疗。医学图像分割是医学图像处理的关键步骤，对于下一步的诊断治疗至关重要［3］。

经过多年的研究，许多学者将大量的图像分割方法应用于医学图像分割并取得了较好的效果［4-6］。张滨凯等［7］提出了一种医学图像聚类分割算法，利用字典作为聚类分割的聚类中心，通过稀疏表示确定聚类归属，实现医学图像分割；房巾莉等［8］提出了一种水平集模型，该模型将整体信息与局部信息结合来分割医学图像，可以得到较完整的边界曲线。

近年来，深度学习算法在图像处理中展现出了强大的能力，对于医学图像的分割效果要优于传统的分割算法。Ronneberger等［9］提出U-net网络架构，已应用在对神经元、细胞瘤和HeLa细胞的医学图像分割任务中。Rathiba等［10］将几个网络结构结合，组成深度残差全卷积网络，可以自动分割皮肤图像上的黑色素瘤；杨兵等［11］为了解决特征信息易丢失的问题，提出了一种用于脑图像和眼底血管分割的深度特征聚合网络，有效的提高了分割精度；闫超等［12］总结了利用深度学习进行医学图像分割的发展过程，并对当前面临问题的解决提出了展望。……