基于深度学习的脑瘤图像分割研究综述.docVIP

基于深度学习的脑瘤图像分割研究综述

脑瘤是中枢神经系统最常见的致死性疾病之一，全球每年新发病例超过30万，恶性胶质瘤患者5年生存率不足10%。医学影像引导下的手术切除与放疗是脑瘤临床诊疗的核心环节，精确的肿瘤区域分割对手术路径规划、放疗靶区勾画以及预后评估具有决定性意义。传统人工分割依赖放射科医师经验，单例脑部MRI图像分割耗时可达2小时以上，且不同医师间的dice相似系数（DSC）波动范围为0.75-0.9，难以满足精准医疗的标准化需求。深度学习技术的崛起为脑瘤图像分割提供了自动化解决方案，过去十年间相关研究成果呈指数级增长，2025年医学影像顶会MICCAI收录的脑瘤分割相关论文已占医学影像分割领域总发文量的23%，技术迭代速度远超传统机器学习方法。

一、脑瘤图像分割的任务特征与数据集体系

脑部MRI图像具有多模态、多对比度、目标异质性强的典型特征。临床常规采集的MRI序列包括T1加权成像（T1）、T1加权增强成像（T1ce）、T2加权成像（T2）以及流体衰减反转恢复序列（FLAIR），不同序列对不同肿瘤组织的敏感度存在显著差异：T1ce序列对肿瘤强化区域显示清晰，FLAIR序列能够有效区分水肿区域与正常脑脊液，T2序列对囊变、坏死区域的辨识度更高。脑瘤分割任务通常需要识别四类区域：整个肿瘤区域（WT）、肿瘤核心区域（TC）、增强肿瘤区域（ET）以及坏死区域，不同区域的边界