肝脏肿瘤CT图像深度学习分割方法综述
肝脏肿瘤的精确分割是肝脏疾病诊断、手术计划和术后评估的重要步骤.计算机断层成像(computed tomography,CT)能够为肝脏肿瘤的诊断和治疗提供更为全面的信息,分担了医生繁重的阅片工作,更好地提高诊断的准确性.但是由于肝脏肿瘤的类型多样复杂,使得分割成为计算机辅助诊断的重难点问题.肝脏肿瘤CT图像的深度学习分割方法较传统的分割方法取得了明显的性能提升,并获得快速的发展.通过综述肝脏肿瘤图像分割领域的相关文献,本文介绍了肝脏肿瘤分割的常用数据库,总结了肝脏肿瘤CT图像的深度学习分割方法:全卷积网络(fully convolutional network,FCN)、U-Net网络和生成对抗网络(generative adversarial network,GAN)方法,重点给出了各类方法的基本思想、网络架构形式、改进方案以及优缺点等,并对这些方法在典型数据集上的性能表现进行了比较.最后,对肝脏肿瘤深度学习分割方法的未来研究趋势进行了展望.
计算机断层成像(CT)、肝脏肿瘤、深度学习、医学图像分割、全卷积网络(FCN)、U-Net、生成对抗网络(GAN)
25
TP391.7(计算技术、计算机技术)
国家自然科学基金项目;宁夏自然科学基金项目;国家民委“图像与智能信息处理”创新团队项目;北方民族大学“计算机视觉与虚拟现实”创新团队项目;北方民族大学重大专项
2020-11-30（万方平台首次上网日期，不代表论文的发表时间）
共23页
2024-2046
