医学图像分割的研究进展

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：医学图像是医生对患者进行病情诊断和治疗规划的有力工具。现今对于医学图像的分割不再局限于手工分割方法，通过传统方法与深度学习方法来实现医学图像分割已经取得更好、更准确的结果。本文基于近年来一些较为出众的医学图像创新分割方法进行综述，通过阐述深度学习方法如SAM、SegNet、Mask R-CNN和U-NET以及传统方法如活动轮廓模型、阈值分割模型创新等，对比各种图像分割方法的异同点，对医学图像分割方法做出总结与展望。以此来帮助学者们更好地了解目前的研究进展与未来的发展趋势。

外文标题：Review on medical image segmentation methods

外文摘要：Medical image is a powerful tool to assist doctors in the diagnosis and treatment planning.Nowadays,the segmentation of medical images is no longer limited to manual segmentation methods.Traditional methods and deep learning methods have been used to achieve more accurate results in medical image segmentation.Herein some innovative medical image segmentation methods in recent years are reviewed.By elaborating on the innovations of deep learning methods(SAM,SegNet,Mask R-CNN,and U-NET)and traditional methods(active contour model and threshold segmentation model),the differences and similarities between them are compared.The summary of medical image segmentation methods and the prospect is expected to help researchers better grasp and familiarize themselves with research status and development trend.

外文关键词：

medical image segmentationdeep learningthreshold segmentationneural networksegment anything modelreview

作者：

黄仟甲、张恒、李奇轩、曹德政、焦竹青、倪昕晔

展开 >

作者单位：

常州大学计算机与人工智能学院,江苏常州 213164

南京医科大学附属常州第二人民医院放疗科,江苏常州 213003

江苏省医学物理工程研究中心,江苏常州 213003

南京医科大学医学物理研究中心,江苏常州 213003

常州市医学物理重点实验室,江苏常州 213003

展开 >

关键词：

医学图像分割深度学习阈值分割神经网络任意分割模型综述

基金：

国家自然科学基金江苏省医学重点学科建设单位肿瘤治疗学(放射治疗)项目江苏省重点研发计划社会发展项目江苏省卫生健康委面上项目江苏省自然科学基金常州市社会发展项目

项目编号：

62371243JSDW202237BE2022720M2020006BK20231190CE20235063

出版年：

2024

DOI：

10.3969/j.issn.1005-202X.2024.08.003

中国医学物理学杂志

南方医科大学,中国医学物理学会

中国医学物理学杂志

CSTPCD

影响因子：0.483

ISSN：1005-202X

年,卷(期)：2024.41(8)