李丰卓，符玲玲，郭金鑫，卢玉红，唐奇伶

（中南民族大学 生物医学工程学院，武汉 430074）

脑胶质瘤是由于大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤，发病率高、治愈率低［1］.LGG（Low-Grade Gliomas）是其中最常见的，具有高度侵袭性［2］，可以是良性或恶性，生长速度较慢.临床上通常采用粗略测量的方法评估，因此，实现肿瘤的准确分割和精确定位十分必要［3］.随着医学影像学的发展，影像学技术在脑肿瘤患者的治疗中起着重要作用，MRI是一种非侵入性成像模式，特别适用于临床脑部病变检查.因此，开发使用磁共振（Magnetic Resonance，MR）图像的LGG分割模型，将为临床LGG的诊断过程自动化提供必要的前提.

近年来，脑肿瘤的分割分为手动分割和自动分割，然而手动分割成本大且耗时，分割结果会因医生经验的不足有显著差异［4］.因此，自动分割是主要的分割方法.而传统计算机图像自动分割如基于区域分割、阈值分割以及特定理论等方法.大都利用图像浅层区域特征来实现分割，分割结果主要取决于图像预处理.近年来，深度学习算法发展迅速，得益于卷积神经网络（Convolution Neural Network，CNN）［5］的提出.例如：AlexNet［6］，FCN［7］，VoxResNet［8］等方法对图像处理方法的应用产生重大影响.深度学习还可以根据检测目标数据的特性来设计模型.HAVAEI等人［9］利用CNN设计一个两通路模型，一个是卷积，一个是全连接，但是由于网络模型的参数较多计算量较大，模型难以收敛，分割结果较差.ZHANG等人［10］利用大脑原始MR图像设计一个粗略分割的全卷积神经……