黄敬腾，李 锵，关 欣

天津大学微电子学院，天津 300072

神经胶质瘤作为一种致死率较高的原发性脑肿瘤，对人们的生产和生活产生严重的影响.在临床中，医生常使用磁共振成像（Magnetic resonance imaging，MRI）观察肿瘤的位置、大小和形态，磁共振成像作为一种成像技术在肿瘤诊断、监测和分割方面发挥着重要作用.国际医学图像计算和计算机辅助干预协会针对脑部肿瘤问题每年举办一次脑部肿瘤分割挑战赛（Brain tumor segmentation，BraTS）.BraTS 的脑肿瘤磁共振图像有四个序列模态，分别为T1 加权像（T1 weighted image，T1）、T1ce 像（Contrast-enhanced T1-weighted image1，T1ce）、T2 加权像（T2 weighted image，T2）和液体衰减反转恢复序列（Fluid attenuated inversion recovery，Flair），这些图像模态具备一定的软组织对比度和杰出的功能成像能力，通过多模态融合方法可判断出胶质瘤分割的区域.

神经胶质瘤分割传统上依赖具备丰富经验的医师，这不仅耗时耗力，也会因医师的水平不同、主观因素产生差异.随着技术的发展，胶质瘤等医学疾病的半自动分割、自动分割方法都已经发展起来并作为临床应用的参考工具，其中，随机森林（Random forest）和支持向量机（Support vector machine）等机器学习方法[1-4]有效提高了医学图像分割的分割水平和工作效率，深度学习方法[5-6]的发展更是进一步推动了包括脑肿瘤图像分割在内的各类医学图像分割的发展.

脑肿瘤图像分割任务的挑战主要在于胶质瘤和它的子区域（水肿、增强肿瘤区域、坏疽和健康组织）在外观、位置和形状边界上的多样性和模糊性导致的复杂性.针对这一复杂任务，目前医学上对图像进行分割的方法均……