國內外圖像分割技術在醫療健康領域應用發展態勢分析

劉良斌　杜寶林　盧琰　王建全

摘? 要：文章以近二十年醫學圖像分割領域文獻為研究對象，基于CiteSpace軟件對該項技術的研究現狀、知識群組、研究主題及其演化路徑進行系統研究；并在公開數據集上對同類醫學圖像分割方法進行對比實驗與分析。結果表明，醫學圖像分割技術研究核心主要表現在計算機科學、生物醫學與人工智能等學科，并正在從以區域生長、模糊聚類技術為中心的模式向以深度學習等新興人工智能技術為中心的模式轉變，為產業發展戰略決策提供參考依據。

關鍵詞：醫學圖像分割；CiteSpace；知識群組；演化路徑；醫療健康產業

中圖分類號：TP391? ? ? ? 文獻標識碼：A? ? 文章編號：2096-4706（2023）13-0105-07

Analysis of the Application and Development Trend of Image Segmentation Technology in the Medical Health Field at Home and Abroad

LIU Liangbin1， DU Baolin1，2， LU Yan1，2， WANG Jianquan3

（1.Guangdong Science & Technology Infrastructure Center， Guangzhou? 510033， China; 2.Guangdong Institute of Computing Technology Application， Guangzhou? 510033， China; 3.The First People's Hospital of Kashi Prefecture， Kashi? 844099， China）

Abstract： In this paper， the literature in the field of medical image segmentation in the past 20 years is taken as the research object. Based on CiteSpace software， the research status， knowledge group， research topic and evolution path of this technology are systematically studied. Comparative experiment and analysis of similar medical image segmentation methods are carried out on open dataset. The results indicate that the research core of medical image segmentation technology is mainly manifested in disciplines such as computer science， biomedicine， and artificial intelligence， and is transitioning from a mode centered on regional growth and fuzzy clustering technology to a mode centered on emerging artificial intelligence technologies such as deep learning， providing reference basis for industrial development strategic decision-making.

Keywords： medical image segmentation; CiteSpace; knowledge group; evolution path; medical health industry

0? 引? 言

隨著國際創新環境不斷優化以及科研投入不斷加大，人工智能（Artificial Intelligence， AI）技術正越來越多地集成到醫療健康服務領域。人工智能技術與醫療健康產業的創新融合模式能夠滿足行業的價值鏈多方面需求點，使得精確化醫療衛生服務更加豐富[1]。其中，智能圖像分割作為圖像處理領域的一個重要分支，能夠通過人工智能技術在醫學圖像中高質量劃定病變器官或組織的邊界，提供相關病變組織的形狀以及體積等關鍵定量信息。為此，眾多基于圖像分析的醫療臨床應用產業的發展受益于醫學圖像解剖結構領域智能語義分割技術的迭代更新。綜上，智能語義分割技術已然成為推動醫療健康產業發展的重要力量，而創新是智能語義分割技術發展的主要驅動力。因此，探究醫學圖像分割等人工智能技術在醫療健康領域應用的研究現狀、創新模式及前沿熱點，有助于規劃我國“人工智能+醫療健康”領域的科技計劃，進而為政策制定提供情報依據。

在“人工智能+醫療健康”領域的研究中，學術界與產業界主要通過對研究文獻數據進行數據挖掘，以進一步探究該領域研究的發展現狀、創新路徑及前沿熱點，如，張俐等[2]通過對專利信息以及研究文獻的詞匯計量、引用關系以及標引統計進行數據挖掘分析，進而對全球“區塊鏈+醫療”領域的研究現狀以及發展態勢進行研究，揭示了該領域的研究前沿與研究熱點。付姣慧等[3]從文獻計量學的角度探索了近十年深度學習應用于醫學影像領域的科研熱點，統計分析了該技術領域的發展特點與未來趨勢。陳欣然等[4]通過整體與分領域層面技術，系統分析了人工智能技術在醫療衛生領域的應用發展態勢，研究結果為行業決策者調整與規劃醫療衛生健康服務科技發展戰略及政策提供了情報參考，有利于提高資源配置效率。

基于此，為了探索醫學圖像分割領域的研究現狀與發展態勢，本研究以CNKI中國學術期刊網絡出版總庫中1997至2022年間862篇以及Web of Science數據庫中3 563篇醫學圖像分割研究文獻為研究對象，基于CiteSpace軟件采用文獻關鍵詞聚類網絡圖譜分析方法對醫學圖像分割技術的研究現狀與知識群組進行研究，并且通過將文獻計量與系統綜述相結合的方式分析其研究熱點主題與演化路徑。最后，在公開數據集上對同類醫學圖像分割方法進行定量的性能對比實驗與分析，為我國智能醫療健康產業發展提供參考。

1? 數據來源及研究方法

1.1? 數據來源

以醫學圖像分割相關文獻為研究對象，其文獻數據來源分為兩個部分：中文文獻和外文文獻。其中，中文文獻全部選自CNKI中國學術期刊網絡出版總庫，檢索關鍵詞為“醫學圖像分割”，檢索起始時間為1997年1月1日，檢索結束時間為2022年12月31日，來源類別選擇核心期刊、EI、SCI以及博士學位論文，共檢索到文獻862篇。外文文獻全部選自Web of Science數據庫核心合集，檢索關鍵詞為“Biomedical image segmentation”“Medical image segmentation”“Convolutional neural network”，共獲得有效文獻3 563篇。

1.2? 研究方法

采用計量學方法對醫學圖像分割研究文獻進行分析，進而通過繪制科學知識圖譜研究相關領域的技術熱點、知識網絡以及發展態勢；其中知識圖譜被定義為分析知識領域的過程、方法和工具[5]，能夠發現大數據蘊含的特征或意義，并以透明與全面的格式將其可視化，它是知識管理中最重要的步驟之一。因此，本研究使用信息可視化分析軟件CiteSpace對引文及被引文獻進行科學計量分析和數據挖掘，探索醫療圖像分割研究領域的知識基礎，進而對醫學圖像分割研究的知識群組、演化路徑等進行研究，為智能醫療健康產業發展戰略決策提供參考依據。

2? 研究文獻的特征分析

2.1? 知識群組識別

隨著科學學科縱深、交叉、快速的發展，新興的研究課題以及研究領域不斷涌現，然而，一個新興學科的發展需要建立在相關學科知識積累的基礎上，而研究論文在一定程度上代表了某一學科前沿，其文獻關鍵詞反映了該文獻的研究重點及知識基礎。因此，本研究基于醫學圖像分割學科或其他相關學科研究文獻，在CiteSpace軟件的支持下，通過聚集醫學圖像分割研究論文中標注的關鍵詞，確定該領域的知識群組。醫學圖像分割研究文獻關鍵詞聚類圖譜如圖1所示，關鍵詞共現頻次及年份統計分析（前20位）如表1所示。

由如圖1所示的文獻關鍵詞聚類圖譜和表1可知，在醫學影像語義分割研究中，“圖像分割”關鍵詞出現的頻次最高，其次是“醫學圖像”“深度學習”“水平集”“圖像處理”以及“三維重建”等，這與關鍵詞共現頻次的統計呈現一致。另一方面，由如圖1所示的文獻關鍵詞聚類圖譜可知，研究網絡集中性較強，且節點文獻之間表現出較強的關聯性；其中，部分關鍵的節點文獻關鍵詞存在于相鄰知識群組的交界處，并且在相鄰群組間起到串聯的功效，具有聯系緊密且主題交叉融合等特征，能夠為后續研究提供基礎理論的支持以及主題方向的指引。

基于上述的描述性統計分析，可知近幾年該領域取得大量優質的研究成果，相關研究文獻的關鍵詞聚類特征展示出清晰的知識群組區間劃分以及相鄰知識組群之間的強關聯度，并且具有較為明顯的學科交融性，以技術融合推進技術創新，進而對產業變革產生潛在影響。

2.2? 關鍵聚類主題分析

根據如圖1所示的文獻關鍵詞聚類圖譜和如表1所示的關鍵詞共現頻次統計信息，本研究將醫療圖像分割研究領域劃分為：基于區域生長技術的圖像分割方法、基于模糊聚類的圖像分割方法和基于深度學習的圖像分割方法三個知識群組。

2.2.1? 基于區域生長的圖像分割技術研究

傳統的圖像分割技術大多魯棒性較好，常常作為圖像分析的預處理流程提取目標圖像的關鍵特征信息，傳統圖像分割方法主要有基于閥值、邊緣、區域生長的分割方法等。其中，基于區域生長的圖像分割方法根據圖像像素的相似性特征對像素點進行分類以構成分割區域。被引頻次前五的基于區域生長的醫學圖像分割研究論文統計分析如表2所示。然而，由于基于區域生長的圖像分割方法對噪聲敏感，在提取焦點區域上容易存在區域空缺等現象[6-10]。

2.2.2? 基于模糊聚類的圖像分割技術研究

隨著醫學圖像分割任務需求的日益復雜化，基于聚類算法的分割技術也在不斷地發展。其中，最具代表性的方法是Ahmed等[11]提出的模糊C-均值聚類算法（Fuzzy C-means clustering， FCM），該分割技術能夠確定圖像像素所屬的區域，從而實現圖像的自動分割。然而，傳統的FCM算法使用單個像素的灰度信息作為特征空間，不包含空間上下文信息，并對噪聲和強度不均勻性非常敏感[12-14]，針對于此，研究人員通過使用收斂速度快的K-均值聚類技術獲得聚類中心，使得FCM算法收斂的迭代次數降低，提高了圖像分割任務的處理速度[15-17]。被引頻次前五的基于模糊聚類的醫學圖像分割研究論文統計分析如表3所示。

為了對比基于模糊聚類的圖像分割方法的性能，本文在COVID-CT-Dataset新冠感染數據集上對基于模糊C-均值的分割算法（如FCM模型、EnFCM模型）進行了性能對比實驗。各模型的圖像分割效果對比如圖2所示。由圖2（a）、2（b）和2（c）可知，相較于FCM算法，EnFCM算法在分割后的圖像質量以及處理速度上有了一定的改善。綜上，基于模糊聚類的圖割方法各有利弊，在圖像信息復雜、圖像像素強度區分不明顯等情況下，其圖割性能較差；因此，在臨床使用中，應當依據圖割場景選擇適當的圖像分割模型。

2.2.3? 基于深度學習的圖像分割技術研究

傳統的圖像處理方法通常依賴圖像像素的強度差異進行圖像分割，對語義信息復雜化的醫學圖像分割任務來說具有不小的挑戰性，而深度神經網絡因其強大的特征提取和表示能力而受到廣泛關注[18-22]?；谏疃葘W習的醫學圖像分割研究論文統計分析如表4、表5所示。本節將重點探索四種基于深度學習的圖像分割方法，分別為FCN網絡、U-Net網絡、DeepLab網絡以及Segformer網絡。

2.2.3.1? FCN網絡

全卷積網絡是第一個用于像素級分割的深度學習網絡體系，以全監督學習方式兼容任意尺寸圖像進行圖像語義分割，主要由下采樣和上采樣兩部分組成，并將最后一個全連接層替換為全卷積層，這一重大改進使網絡具有像素級的密集預測能力，并在語義分割方面優于同時代的最先進技術。FCN啟發了許多后續研究，Shelhamer等[28]將分類卷積神經網絡改進為完全卷積網絡框架，并使用微調技術將其學習表示轉移到分割任務中以實現精確分割。然而，對于醫學圖像分割任務，FCN網絡的一個弊端是需要用到大量的樣本數據來訓練模型，因此，相關基于卷積神經網絡的圖像分割任務目前仍十分具有挑戰性。

2.2.3.2? U-Net網絡

U-Net網絡是醫學圖像分割領域最著名的體系結構之一，由Ronneberger等于2015年率先提出，截至目前該研究成果的總被引量達到了21 450次，得到業內學者的高度認可，U-Net網絡模型結構如圖3所示。其骨干網是一個完全卷積的網絡，該網絡的結構是完全對稱的，由擴張路徑和收縮路徑組成。由此可見，U-Net模型修改并擴張了FCN網絡，使其能夠在少量數據的訓練下獲得精確的分割結果。廣泛的研究表明，U-Net網絡仍具有一定的局限性。因此學者們針對不同的應用提出各種U-Net模型變體[25-29]，如V-Net網絡、H-DenseUnet網絡、U-Net++網絡以及MultiResUNet網絡等。然而，該類算法存在高度依賴數據集屬性和硬件條件的困境。

2.2.3.3? Deeplab網絡

DeepLab網絡模型由Chen等[30]于2018年提出，其在骨干網絡中增加空洞卷積結構，以此緩解一系列卷積操作所導致的有效信息丟失等問題。因此，DeepLab網絡以其良好的性能廣泛用于圖像分割領域，并取得了良好的成效。隨著深度學習理論的不斷深化，DeepLab系列模型在DeepLab網絡的基礎上逐漸被提出。

上文對各個時期的醫學圖像分割研究主題進行了系統綜述，為了客觀地比較基于深度學習的各個圖像分割網絡模型的性能，本文在肺部分割數據集上對同類的三種醫學圖像分割方法（如：U-Net網絡和DeepLab V3網絡）進行了定量的性能對比實驗和分析。實驗環境為Intel（R） Core（TM） i7-3537U-CPU，各網絡模型在Python 3.8中實現，選擇PyTorch作為深度學習框架。各模型的醫學圖像分割效果如圖4所示。實驗結果表明，U-Net網絡和DeepLab V3網絡在醫學圖像分割任務中能夠取得良好的分割效果，相較于DeepLab V3網絡，U-Net網絡能夠較為準確地識別目標區域。

綜上所述，在圖像自動分割任務中，深度學習由于其優異的特征提取能力而在醫學圖像分割領域發揮重大的作用。在很多時候，基于深度學習的圖像分割方法的良好性能很大程度上依賴于大量帶有高質量標簽的圖像集。遺憾的是，大量收集可靠的注釋不但成本高而且十分耗時，在大多數情況下，只存在小部分的標記數據，這對監督學習網絡的分割精度提出了挑戰。

2.3? 研究主題的演化路徑與發展趨勢分析

2.3.1? 研究主題的演化路徑識別

基于上述文獻關鍵詞聚類網絡的關鍵文獻信息以及分析，對圖像分割的主干技術及其相關基礎理論的研究主題演化路徑進行研究。本研究借用關鍵詞節點間的連線顏色，分析了醫學圖像分割研究領域中的三條重要主題演化路徑：“醫學圖像分割—水平集—稀疏表示—深度學習”研究路徑、“圖像分割—模糊聚類—核函數—多尺度”研究路徑以及“圖像分割—深度學習—語義分割—聚類”研究路徑。醫學圖像分割研究的研究主題演化路徑如圖5所示，具體分析如下：

1）“醫學圖像分割—水平集—稀疏表示—深度學習”研究路徑。該路徑是醫學圖像分割研究中經典技術與新興技術相融合的特色分支，該路徑主要描述醫學圖像分割研究的各個階段，研究主題從醫學圖像分割技術的基礎理論逐漸向外擴展。與此同時，結合文獻關鍵詞聚類網絡可以看出，醫學圖像分割研究初期集中于“水平集”等傳統圖像分割技術，隨著理論研究的不斷深入，研究主題逐漸細化為“稀疏表示”等分支，并結合深度學習等新興的人工智能技術，進一步促進醫學圖像分割技術的發展。

2）“圖像分割—模糊聚類—核函數—多尺度”研究路徑。該路徑主要展示了醫學圖像分割技術的研究演化過程，研究主題從圖像分割技術逐漸細化到特色的模糊聚類技術，并在多尺度圖像分割應用中進行實證研究。在此研究的基礎上，研究主題引入多尺度分割的理念，促使醫學圖像分割研究進入新的發展領域。

3）“圖像分割—深度學習—語義分割—聚類”研究路徑。該路徑是醫學圖像分割研究領域的新興特色分支，代表著醫學圖像分割研究在基于深度學習的計算機視覺領域的細化及應用。該路徑是深度學習等新興技術與經典分割任務的結合與碰撞，展現出強大的生命力。尤其是隨著計算機技術的改進，機器學習和深度學習方法成為圖像分割任務實現的主要選擇，并且有越來越多的研究學者開始了對該技術路徑的探索。

因此，在圖像分割領域的各分支方向上均存在大量的學科交叉與融合，為解決某種問題，需采用多項技術結合研究并逐漸提出技術交叉的創新方法。隨著技術的不斷發展，“水平集”“遺傳算法”“區域生長”等概念的研究熱度逐漸減弱，如實反映出醫學圖像分割領域的關鍵節點及發展脈絡。

2.3.2? 發展趨勢分析

通過對國內外醫學圖像分割技術演化路徑趨勢的分析研究，能夠總結出國內外醫學圖像分割技術的發展趨勢：

1）零樣本語義分割技術。目前，醫學圖像語義分割網絡主要是監督學習模式，該類模型表現出的優異性能常常依賴于大量帶標注的樣本數據進行模型訓練。然而，在實際應用過程中，像素級標注數據的獲取往往需要高昂的人力資源成本，導致醫學圖像分割領域普遍存在小樣本及數據孤島等問題，限制了醫學圖像語義分割技術的拓展性。其中，零樣本學習通過知識的遷移，使得深度學習網絡模型可以對從未見過的數據類別進行識別，為解決小樣本問題開辟一個新的方向，并在圖像分類、類別定義等領域取得了顯著成效，是基于深度學習的圖像處理技術的重要發展趨勢之一。

2）遷移學習與弱監督學習技術。深度卷積神經網絡在醫學圖像分割領域成效顯著，并逐漸從監督學習向無監督學習擴展。然而，在實際應用中，往往會出現訓練數據過期的情況，亟待重新標定訓練數據。這類方法不僅需要高昂的人力資源成本，而且還會造成前期已標注訓練數據的極大浪費。而遷移學習是一種能夠將源域任務中學習到的知識應用于目標域任務的學習方法，能夠有效利用已標注好的樣本數據輔助目標任務構建模型，其效果得到了學術界與產業界的認可，引起了廣泛的關注。

3）多模態圖像語義分割技術。由于醫學圖像成像的局限性，不同模態的醫學圖像數據僅能反映病人病理部位特定的信息。因此，對于同一研究主題，綜合利用多種不同模態醫學圖像數據，能夠從多種不同特征方面捕捉更加全面的病理信息和特征表現。由于多模態醫學圖像的表型具有高度異質的特點，其醫學圖像分割的研究具有很大的挑戰性。為了提升多模態醫學圖像中的信息利用率，通過融合多模態互補醫學圖像特征數據的多模態醫學圖像分割方法得到了學界與產業界的高度重視。

3? 結? 論

利用信息可視化分析軟件CiteSpace對近25年（1997—2022年）國內外圖像分割技術在醫療健康領域的研究文獻進行了文獻計量學分析和知識網絡可視化，通過繪制醫學圖像分割研究文獻關鍵詞聚類網絡圖譜，分析該領域網絡聚集的五個知識群組，進而識別出知識群組的知識演進路徑。最后，綜述了基于區域、聚類、深度學習的圖像分割算法及其應用，并在新冠疫情數據集與肺部分割數據集上對同類的醫學圖像分割方法進行了對比實驗與分析，并得出以下結論：

1）從知識群組識別分析來看，醫學圖像分割作為當前研究的熱點，近幾年來取得大量優質的研究成果，研究熱度越來越高，其研究核心主要表現在計算機科學、生物醫學、人工智能科學以及機器人工程等學科，有較為明顯的學科交融性，以技術融合推進技術創新，進而對產業變革產生潛在影響。

2）從研究主題分析來看，基于深度學習技術對醫學圖像分割領域研究的原理以及方法較為豐富，并且隨著技術的不斷推進，未來多學科交叉定量研究的趨勢將逐漸增強，進而促進智能醫療健康產業的發展。

3）從研究主題的演化路徑與發展趨勢來看，圖像分割技術正在從以區域、模糊聚類等傳統圖割技術為中心的模式向以深度學習等新興人工智能技術為中心的模式轉變，并具有主題交叉、聯系緊密等特點。其中，深度學習技術研究成為智能醫療健康領域高度系統化的研究熱點。

綜上所述，以深度學習為關鍵技術的模式是未來醫學圖像分割發展的必然趨勢，研究與探索醫學圖像分割領域的研究現狀與發展態勢，對推動國內圖像分割技術在醫療健康領域應用研究與醫療臨床應用產業發展具有重要的情報參考價值。

參考文獻：

[1] 王藝培，閆雯，張益肇，等.面向精準醫療的人工智能在病理圖像中的應用 [J].現代信息科技，2018，2（5）：170-172.

[2] 張俐，馬敏象，杜軍，等.基于文獻計量與標引統計的醫療領域區塊鏈技術應用發展趨勢研究 [J].情報學報，2021，40（9）：962-973.

[3] 付姣慧，常曉丹，沙俏麗，等.2011年—2020年深度學習用于醫學影像學研究文獻分析 [J].中國介入影像與治療學，2022，19（1）：53-57.

[4] 陳欣然，李國正，崔一迪，等.基于專利計量的全球人工智能技術在醫療健康領域應用發展態勢分析 [J].科技管理研究，2021，41（3）：139-147.

[5] FANG Y Q. Visualizing the structure and the evolving of digital medicine： a scientometrics review [J].Scientometrics，2015，105（1）：5-21.

[6] 陸劍鋒，林海，潘志庚.自適應區域生長算法在醫學圖像分割中的應用 [J].計算機輔助設計與圖形學學報，2005（10）：28-33.

[7] 朱付平，田捷，林瑤，等.基于Level_Set方法的醫學圖像分割 [J].軟件學報，2002，13（9）：1866-1872.

[8] 王金濤，劉文耀，路爍.流域分割算法在細胞圖像分割中的應用 [J].西南交通大學學報，2002，37（3）：290-294.

[9] 羅希平，田捷.一種改進的交互式醫學圖像序列分割方法 [J].電子學報，2003（1）：29-32.

[10] 程明，黃曉陽，黃紹輝，等.定向區域生長算法及其在血管分割中的應用 [J].中國圖象圖形學報，2011，16（1）：44-49.

[11] AHMED M N，YAMANY S M，MOHAMED N，et al. A modified fuzzy C-means algorithm for bias field estimation and segmentation of MRI data [J].IEEE Transactions on Medical Imaging，2002，21（3）：193-199.

[12] CHEN Z L，ZWIGGELAAR R. A modified fuzzy C-means algorithm for breast tissue density segmentation in mammograms [C]//Proceedings of the 10th IEEE International Conference on Information Technology and Applications in Biomedicine. Corfu：IEEE，2010：1-4.

[13] 田捷，韓博聞，王巖，等.模糊C-均值聚類法在醫學圖像分析中的應用 [J].軟件學報，2001（11）：1623-1629.

[14] 吳林，郭大勇，施克仁，等.改進的FCM在人腦MR圖像分割中的應用 [J].清華大學學報：自然科學版，2004（2）：157-159.

[15] 吳永芳，楊鑫，徐敏，等.基于K均值聚類的圖割醫學圖像分割算法 [J].計算機工程，2011，37（5）：232-234.

[16] 李宣平，王雪.模糊聚類協作區域主動輪廓模型醫學圖像分割 [J].儀器儀表學報，2013，34（4）：860-865.

[17] 朱玲利，李吉桂，鮑蘇蘇.基于遺傳算法的聚類分析在CT圖像分割中的應用 [J].計算機科學，2006（10）：186-188.

[18] 吳晨玥，易本順，章云港，等.基于改進卷積神經網絡的視網膜血管圖像分割 [J].光學學報，2018，38（11）：133-139.

[19] 郭樹旭，馬樹志，李晶，等.基于全卷積神經網絡的肝臟CT影像分割研究 [J].計算機工程與應用，2017，53（18）：126-131.

[20] 詹曙，梁植程，謝棟棟.前列腺磁共振圖像分割的反卷積神經網絡方法 [J].中國圖象圖形學報，2017，22（4）：516-522.

[21] 王海鷗，劉慧，郭強，等.面向醫學圖像分割的超像素U-Net網絡設計 [J].計算機輔助設計與圖形學學報，2019，31（6）：1007-1017.

[22] 于寧波，劉嘉男，高麗，等.基于深度學習的膝關節MR圖像自動分割方法 [J].儀器儀表學報，2020，41（6）：140-149.

[23] RONNEBERGER O，FISCHER P，BROX T. U-Net： Convolutional networks for biomedical image segmentation [J].Springer Cham，2015，10（1）：234-241.

[24] SMITH S M. Fast robust automated brain extraction [J].Human Brain Mapping，2002，17（3）：143-155.

[25] MILLETAR F，NAVAB N，AHMADI S A. V-Net fully convolutional neural networks for volumetric medical image segmentation [C]//2016 Fourth International Conference on 3D Vision （3DV）.Stanford：IEEE，2016：565?571.

[26] TUSTISON N J，AVANTS B B，COOK P A，et al. N4ITK： improved N3 bias correction [J].IEEE Transactions on Medical Imaging，2010，29（6）：1310-1320.

[27] KONSTANTINOS K，CHRISTIAN L，VIRGINIA F J N，et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation [J].Medical Image Analysis，2017，36：61-78.

[28] SHELHAMER E，LONG J，DARRELL T. Fully convolutional networks for semantic segmentation [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651.

[29] ISENSEE F，JAEGER P F，KOHL S A，et al. nnU-Net：a self-configuring method for deep learning-based biomedical image segmentation [J].Nature Methods，2021，18（1）：203-211.

[30] CHEN L C，PAPANDREOU G，KOKKINOS I，et al. Deeplab：Semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected crfs [J].IEEE transactions on pattern analysis and machine intelligence，2018，40（1）：834-848.

作者簡介：劉良斌（1974—），男，漢族，湖北漢陽人，高級工程師，碩士研究生，主要研究方向：科研管理、軟件工程、科技服務。

收稿日期：2023-01-30

基金項目：廣東省援疆科技（特派員）項目（2018YJ003）；廣東省重點領域研發計劃項目（2020B0101130019）