文献综述（或调研报告）：
医学图像分割是决定医学图像在临床诊断中能否提供可靠依据的关键问题。三维重建技术也需要医学图像分割技术的发展。近年来，由于深度学习算法在医学图像分割中的应用，医学图像分割技术取得了显著的进展。
随着医学影像学设备的快速发展与普及，成像技术包括磁共振成像（MR）、计算机断层扫描（CT）、超声、正电子发射断层扫描（PET）等。全世界每天都在产生大量的医学影像学信息，而医学图像处理是分析医学影像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率。图像分割使图像处理的重要环节，是制约三维重建技术应用的瓶颈性问题。近年来由于深度学习的迅速发展，基于深度学习的图像分割算法在医学图像分割领域取得了显著的成就。
传统的图像处理技术主要包括特征提取和分类器两部分，特征提取算法的设计复杂性以及特定的特征提取算法与特定的分类器相结合的多样性限制着图像处理技术的发展[1]。神经网络的出现，使端到端的图像处理成为可能，当神经网络的隐藏层发展到多层时便称之为深度学习，而卷积神经网络(Convolutional Neural Network，CNN)是深度学习与图像处理技术相结合所产生的经典模型，实现该模型的网络实例在特定的图像问题处理上都卓有成效[2]。
基于深度学习的医学图像分割需要大量的数据进行训练与测试，而医学成像有多种图像模态，本课题使用的是通过CT成像的数据。医学CT成像设备使用X射线得到人体的结构和功能信息。CT图像是基于X射线吸收剖面的重构图像，由于不同物质和组织吸收X射线能力不同，因此X射线可用于诊断[3]。CT图像作为当前多类疾病实体诊断的标准，广泛应用于大脑、肝脏、胸部、腹部、盆骨、脊柱等身体部位以及CT血管造影的早期诊断筛查[4]。同时CT成像中存在的一些伪影给CT图像分割带来了一定的难度，不同组织部位分割精度也不一样[5]。
医学图像分割是医学图像处理与分析领域的复杂而关键的步骤，其目的是将医学图像中具有某些需要的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的判断。图像分割过程是把图像分割为多个区域，这些区域内部有类似的性质，如灰度、颜色、纹理、亮度、对比度等。医学图像具有较高的复杂性且缺少简单的线性特征，因此从医学图像中自动分割出目标是比较困难的；此外分割结果的准确率还受到部分容积效应、灰度不均匀性、伪影、不同软组织间灰度的接近性等因素的影响[6]。CT图像的分割主要涉及三个相关问题：变化的噪声、像素灰度分类的不确定性及灰度的非均衡性[7]。图像中单一组织的灰度水平一般是逐渐变化的，且概率密度服从特定的分布函数，该组织对应的图像区域包含有限的像素并且满足部分容积平均，然而该区域中的单个像素的灰度往往不与任何一类一直，往往被看作混合组织类。CT图像分割常用的方法包括基于阈值、基于区域和基于神经网络。
卷积神经网络自从在手写字体识别领域获得巨大突破后[8]，逐渐开始应用在图像处理领域中。CNN网络在ImageNet比赛中的杰出表现[9]表明其在图像特征提取、图像分类等图像处理领域拥有巨大的潜能。目前，CNN网络已广泛应用于医学图像分割中。文献[10]中提出了基于迭代的卷积神经网络的细胞膜分割方法，通过在细胞膜检测概率图上迭代使用卷积神经网络算法，提升了细胞膜分割精度。文献[11]将卷积神经网络应用到图像语义分割并提高图像语义分割算法的效果, 将卷积神经网络应用到了图像语义分割领域,构建并实现了卷积神经网络和反卷积层神经网络相结合的深度神经网络结构,直接对图像在像素水平上进行预测其所属的语义类别。采用两阶段的模型训练方法,进一步优化结果和算法效率。文献[12]以经典的卷积神经网络Alex Net为基本框架,对其网络布局做了一定的改动,使其成为全卷积网络结构，并提出了一种融合低层和高层特征的网络结构,通过将低层的局部细节信息与高层的抽象的语义信息融合,进而获得更加精确地分割结果。最终该算法具有较好的鲁棒性和精度,同时与基于Patch的方法相比,本文方法具有更高的效率。随着深度网络的不断发展，硬件条件也逐渐开始限制深度学习的应用，更深的深度也需要更大的GPU内存与更强的运算能力，文献[14]提出了一种网络结构的改进，能够比同类结构有更好的精度并且可以占用更少的内存。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
