张相芬，刘艳，袁非牛

（上海师范大学信息与机电工程学院，上海 201400）

0 概述

医学图像分割能够最大程度地为医生提供患者的信息，对疾病的诊断和治疗手段的选择具有重要意义。人脑图像分割是根据强度同质性等特征将脑组织分割成白质（WM）、灰质（GM）和脑脊液（CSF）。受脑组织复杂特征的限制，脑组织的分割面临极大的挑战。

现有的脑组织分割方法主要分为基于传统算法的分割方法和基于深度学习的分割方法［1］。基于传统算法的脑组织分割方法包括基于区域增长、边缘、聚类和阈值的分割方法。其中，SOMASUNDARAM等［2］根据不同脑组织的强度信息自动选取种子点，并进行多种子点的区域生长，最终得到分割结果。LI等［3］使用K-means 聚类方法实现对脑组织的分割，方法简单且分割速率较快。SALMAN等［4］提出一种结合K-means、聚类、分水岭变换等多种传统分割算法的边缘检测分割网络，分阶段地完成图像分割。但传统分割方法易受噪声影响，导致分割精度降低。基于深度学习的分割方法［5］多借助端到端的网络，这种网络不易受噪声影响，能更好地学习图像特征，因此广泛应用在医学图像分割任务中。例如，RONNEBERGER等［6］提出U-Net 网络，该网络能够提取单层二维图像的上下文信息，但不能获得医学图像的三维空间信息。CICEK等［7］设计3D U-Net 网络模型，将3D 的卷积、池化、反卷积等操作引入到U-Net 中，从而获取医学图像的3D 空间信息，但仅依靠单一模态提供的信息，存在局限性问题。此外，受上采样、下采样操作的影响，深度学习网络不能准确表达输出特征，进一步影响分割精度。……