胡春燕，司明明，陈 玮

(上海理工大学 光电信息与计算机工程学院，上海 200093)

1 引 言

核磁共振成像(Magnetic Resonance Imaging，MRI)通过磁共振现象获取并重建人体信息，相比于计算机断层扫描(computed tomography，CT)成像，MRI能获得更高对比度的脑部图像[1]，再加上其成像清晰和对人体无伤害的特点，因此被广泛的应用与临床医学的诊断和治疗上[2].清晰精确的脑部MR肿瘤分割图像，对疾病诊断、手术规划以及术后评估等至关重要[3].然而由于脑部肿瘤MR图像自身的复杂的特征，精确的多模态分割仍面临很多问题[4].

目前，针对2D脑部肿瘤图像分割，主要有以下几类方法：阈值处理的分割方法，区域增长的分割方法，基于聚类的分割方法.基于深度学习的分割方法等等.基于阈值处理的方法旨在寻找一个合适的分割阈值，将背景目标分割开来.但此方法需要人为的设置阈值，易产生过分割或欠分割.Weglinski等人[5]提出了用中值滤波减少噪声再用区域生长法来进行脑肿瘤图像的分割，但对于图像的阴影区域，区域增长的分割并不理想.基于聚类的分割方法是对脑部肿瘤MR图像的像素值进行分类，使像素值差异较大的区域分割开来，以完成分割.Havaei[6]等人通过K近邻聚类和一些低层次的用户交互信息完成了对脑部肿瘤图像的较好分割考虑的是每个像素点的相似性，忽略像素点的空间信息，所以受图像的噪声影响较大.且聚类算法的分割结果往往很分散[7].基于深度学习的分割方法是用卷积神经网络提……