针对磁共振成像脑肿瘤分割存在的肿瘤空间信息变化大与精细标注样本数量少的问题，提出一种基于多尺度伪影生成对抗网络的脑肿瘤影像分割方法。该方法采用三维U-Net模型来获取脑肿瘤分割结果并充当生成器，引入三维PatchGAN作为判别器来评判U-Net输出的脑肿瘤结果与真值标签，通过对抗学习方式来进行模型训练。为提升脑肿瘤分割效果，在生成器编码阶段引入伪影模块，使得在卷积过程中能够捕获到更丰富的深度特征而提升生成器的脑肿瘤生成结果；同时，在解码过程中采用多尺度特征融合方式来有效整合脑肿瘤的浅层信息与深层信息，并在对抗学习中进一步提升分割性能。在公开的BraTS2019-2020数据集上对该方法进行了评估，实验结果验证了所提出方法在脑肿瘤分割任务中的有效性，在两个验证集上获得的全肿瘤、核心肿瘤和增强肿瘤分割Dice值分别为0.902/0.903、0.836/0.826和0.77/0.782。

脑肿瘤分割对医学图像处理领域发展与人类健康都具有积极意义。针对三维卷积神经网络存在复杂度大且对硬件设备要求高等问题，提出一种多视图卷积轻量级脑肿瘤分割算法。首先使用复用器模块有效融合各通道间的信息，并为模型增加提取非线性特征的能力。其次使用伪三维卷积分别从轴向位、矢状位和冠状位进行卷积，并加入组卷积以节约计算资源和降低设备显存使用。最后使用可训练参数权衡不同视图下提取的特征的重要性，提高模型分割精度。此外，实验使用分布式数据并行方法训练模型，以提升图形处理器的利用率。在2019年脑肿瘤分割大赛公开数据集上的实验结果表明，所提算法的平均Dice相似度系数仅低于第一名算法2.52个百分点，然而参数量与浮点运算次数分别降低了84.83%和96.67%，且平均Dice相似度系数高于第二名算法0.05%。通过对比实验分析，验证了所提算法的精确与轻量，为脑肿瘤分割模型的广泛应用提供了可能性。

针对脑肿瘤良恶性分类过程复杂、分类准确率不高等问题，提出了一种基于多尺度特征与通道特征融合的分类模型。该模型以ResNeXt网络为主干网络，首先，将基于空洞卷积的多尺度特征提取模块代替第一层卷积层，利用膨胀率获取不同感受野的图像信息，将全局特征与局部显著特征相结合；其次，添加通道注意力机制模块，融合特征通道信息，提高对肿瘤区域的关注度，降低对冗余信息的关注度；最后，采用学习率的线性衰减策略、图像的标签平滑策略以及基于医学图像的迁移学习策略的组合优化提高模型的学习能力和泛化能力。在BraTS2017和BraTS2019数据集中进行实验，准确率分别达到98.11%和98.72%。与经典模型和其他先进方法相比，该分类模型能够有效地减少分类过程的复杂度，提高脑肿瘤良恶性分类的准确率。

基于卷积神经网络的脑肿瘤图像分割是近年来图像处理领域的研究热点。基于此现状,首先阐述了脑肿瘤图像分割的意义、研究现状以及将卷积神经网络应用于脑肿瘤图像分割的具体优势。然后,对二维卷积神经网络、三维卷积神经网络以及卷积神经网络的经典改进模型应用于脑肿瘤图像分割的研究进展进行了详细综述,总结了在多模态脑肿瘤分割挑战赛的数据集中进行训练的分割结果。最后,讨论了卷积神经网络在脑肿瘤核磁共振图像分割中的未来发展方向。

提出了一种基于深度学习的3D脑肿瘤核磁共振图像(MRI)自动分割方法。为了降低分割难度,采用三级级联网络的策略分割脑肿瘤的三个子区域;为了进一步提高三维分割的精度,采用帧间卷积和帧内卷积,加入额外的多层特征融合机制和空洞卷积;为了进一步细化分割结果,将条件随机场构建的循环神经网络整合到网络结构中。在模型训练中结合了两种损失函数,进一步提高了准确率。该方法在BraTS 2018 数据集上进行验证,对于脑肿瘤整体、肿瘤核以及增强肿瘤,其分割结果的Dice系数分别达到了0.9093、0.8254 和 0.7855,Hausdorff距离达到3.8188、7.8487和4.3264,优于大多数脑肿瘤图像分割方法。

近几年,深度学习在生物医学图像处理中的应用得到了广泛关注。从深度学习的基本理论和医学领域应用出发,提出了一种改进的三维双路径脑肿瘤图像分割网络,用于提高核磁共振成像序列中对脑肿瘤各个区域的检测精度。所提算法以3D-UNet为基础架构,首先,使用改进的双路径网络单元构成类似于UNet的编码-解码器结构,该网络单元在保留原有特征的同时,还可以在脑肿瘤的纹理、形状和边缘等方面产生新特征,来提高网络分割精度;其次,在双路径网络模块中加入多纤结构,在保证分割精度的同时减少了参数量;最后,在每个网络模块中的组卷积之后加入通道随机混合模块来解决组卷积导致的精度下降问题,并使用加权Tversky损失函数替代Dice损失函数,提高了小目标的分割精度。所提模型的平均Dice_ET、Dice_WT和Dice_TC均优于3D-ESPNet、DeepMedic、DMFNet等算法。该研究结果具有一定的现实意义和应用前景。

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。

针对现有方法在脑肿瘤图像分割上的不足,提出一种基于改进的卷积神经网络的脑肿瘤图像分割算法。将DenseNet和U-net网络结构相融合,以提高对图像特征的提取能力。为了扩大卷积核的感受野,采用了空洞卷积。将分割结果通过完全连接的条件随机场循环神经网络进行精细分割输出,从而得到精确的脑肿瘤分割区域。实验结果表明,与传统的深度学习方法相比,平均Dice可以达到91.64%,算法在准确率上有较好的提升。

针对分割核磁共振成像(MRI)三维图像中整个肿瘤病灶运算量大、过程繁复的问题,提出了一种基于深度学习的全自动分割算法。在填充锯齿状空洞的卷积通路上构建并行三维卷积神经网络,提取多尺度图像块进行训练,捕获大范围空间信息。利用密集连接的恒等映射特性,将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、核心区和囊化区。在BraTS 2018数据集中对该模型进行了分割测试,结果表明,该模型分割的全肿瘤区、核心区和增强区的平均Dice系数分别为0.90、0.73和0.71,与已有算法相当,且具有较高的自动化集成度。