57、医学图像与智能车辆编队控制技术研究进展

医学图像与智能车辆编队控制技术研究进展

膀胱病变图像分割研究

膀胱肿瘤多数为恶性，良性肿瘤占比不到 3%。膀胱癌是泌尿系统常见的三大恶性肿瘤之一，也是全身十大常见肿瘤之一。当膀胱癌侵犯膀胱肌肉层或发生远处转移时，患者往往需要切除整个膀胱，这会严重降低患者的生活质量。因此，众多学者致力于膀胱癌的研究。

随着人工智能在医疗领域的发展与成熟，深度学习在图像特征识别和分析方面展现出强大优势，其在疾病预防、影像诊断、个性化诊疗和临床决策等方面的应用受到越来越多的关注。基于卷积神经网络的深度学习模型被应用于临床智能诊断辅助系统，该系统集分类、定位和分割功能于一体，以帮助医生分析疾病，其中医学图像分割是难点所在。

医学图像分割任务可分为基于传统算法和基于深度学习两类。传统医学图像分割算法包括基于阈值、边界、区域增长、聚类和图论等方法。然而，传统神经网络由于重复计算效率低下，图像块限制了感受野，不利于特征提取。为解决这一问题，学者们提出了多种网络结构。

• FCN ：Long 等人提出的全卷积网络（FCN）成为主流框架。
• SegNet ：Badrinarayanan 等人提出的 SegNet 探索了不同解码器结构对分割网络性能的影响。
• Unet ：Ronneberger 等人提出的 Unet 是一种编码器 - 解码器结构，包括下采样、上采样和跳跃连接三个模块，能有效整合高低层信息。
• Deeplabv3+ ：Chen 等人提出的 Deeplabv3