文献综述
一、前言
肿瘤是危害人类健康的常见恶性疾病之一。根据起源，肿瘤一般分为原发性和继发性。相对于乳腺、肺和食管等部位的肿瘤，脑肿瘤的发病率相对较低，与人体肿瘤总体的发病情况相比，约占1.4%左右;但死亡率却达到人体发病肿瘤比例的2.4%[1]。胶质瘤，也叫神经胶质瘤，是成年人中最常见的原发性脑肿瘤，分布在神经胶质细胞和它所浸润的组织中，是恶性脑肿瘤中的最常见的顽疾。根据肿瘤的性质，胶质瘤一般分为两种类型，即:良性(LG)和恶性(HG)。良性胶质瘤一般生长相对缓慢，病人有较长的存活期，病程长是良性胶质瘤的主要表现;恶性胶质瘤，一般生长较快，病人有两年或者更短的存活期，短病程是恶性胶质瘤的突出表现。针对脑肿瘤，临床较早的发现和检测到颅内病变，并加以针对性的治疗，是减少和降低脑肿瘤对人类的健康危害的有效途径之一。通过CT或者MRI成像，分析脑组织的病变状态，是目前检查脑肿瘤较普遍的方式。不同的成像技术对于肿瘤的诊断都有着不同的优势，相对于CT成像，MRI采用一种非侵入式的成像手段，能够给观察者呈现出无损伤和无颅骨伪影的高质量影像，和清晰的解剖结构以及非常好的软组织分辨力，同时，通过调整相关参数可以得到任意方向的颅内的影像。除此之外，利用不用的显影序列，MRI成像还可以得到同一个组织的不同的结构显影，也就是多模态的MRI图像。
脑肿瘤图像分割是脑肿瘤诊断和治疗过程中非常重要的一步，通过在MRI的图像中对肿瘤进行分割，医生可以定位肿瘤的位置，并得到肿瘤的尺寸。然后制定相关的治疗和康复策略。近年来，随着物质生活的丰富和科技水平发展以及相关技术诊断技术的提高，针对脑肿瘤的计算机辅助诊断研究，逐渐地成长起来。医学图像计算和计算机辅助干预国际会议(MICCAI)从2012开始，连续4年组织相关的多模态脑肿瘤分割竞赛，极大地推动脑肿瘤分割技术的发展。以MRI显影技术为基础，通过图像处理技术和机器学习的方法挖掘脑肿瘤显影图像的潜在病理信息，对提高诊断精度和效率有着巨大的研究价值和实际意义。然而，肿瘤在MRI图像上仅仅以灰度信息表征，肿瘤结构边缘和正常组织有着显著的灰度相似性;同时脑组织中的肿瘤尺寸、位置、形状和相应的扩张情况会随着患者的不同表现出不同的状态，这些都对肿瘤分割技术的发展，提出了挑战。
二、正文
脑肿瘤分割是一种从脑灰质、脑白质和脑脊液等这些正常组织中划分出不同的肿瘤组织，例如活跃的肿瘤组织、水肿组织和坏死的肿瘤组织等的技术。由于肿瘤分割本身较高的临床相关性和挑战性，脑肿瘤分割问题在过去20年里得到了广泛的关注。根据人的干预程度，脑肿瘤的图像分割[2]主要可以分为三类:基于人工的手动分割、人工初始化的半自动分割和没有人干预的全自动分割。手动分割包括手动描绘出肿瘤轮廓和感兴趣的结构如图1-1所示，或者用不同的标签描绘解剖结构的区域。手动的分割是一个枯燥、乏味、费时的工作。不同的分割者，有着不同的分割倾向。但是，手动分割却是我们能够从图像上得到肿瘤信息比较专业和相对最准确的分割方式。在半自动和自动分割的方法中，手动分割的结果往往作为我们比照的对象，我们称之为Ground Truth，为我们提供了一种定性和定量的分析依据。对于半自动分割，它的分割结果相对依赖人的初始化，使用者可以跟它进行交互，而不仅仅是看到输出的结果。相对于半自动分割方法，自动分割在设定好相关参数之后，能够在没有人干预的情况下，自动定位并分割肿瘤区域。
图1 肿瘤分割实例
检测、定位、诊断和分类脑肿瘤在临床和肿瘤学研究中都是非常重要的环节。较早的发现和定位肿瘤疾病，并准确的判定肿瘤类型和所处的阶段对病人的康复和生命延长有着至关重要的影响。脑肿瘤的图像研究伴随着相关技术的发展由来己久，从开始的肿瘤检测到如今的肿瘤分割，以发展计算机辅助诊断为目的，各种各样的优秀算法被引入到脑肿瘤的图像研究中。在脑肿瘤分割技术的发展历程中，大多数优秀的算法，最初都是为了分割其他的结构或者病变而开发的，例如:脑白质和脑灰质的分割，在这些问题上获得了相当高的分割精度后被引入到脑肿瘤分割的问题上来。
在脑肿瘤分割研究中，还没有一种方法可以对所有脑肿瘤图像都获得令人满意的结果。通常情况下，分割的方法都是在针对特定影像数据或者说特定数据模态的优化。回顾相关文献，肿瘤图像分割方法大致可以分为:
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。
