唐审运

为提高脑肿瘤疾病诊疗质量与技术水平，脑肿瘤图像分析，已成为国内外专家学者重点探讨的热门课题，准确分割脑肿瘤图像，能够明确脑肿瘤病变位置，获取关键信息，对脑肿瘤疾病早期诊断与治疗，具有一定的临床价值和现实意义。传统的脑肿瘤图像分割，以人工标注为主，效率与准确率较低，已不适用于现代医学工作。因此，本文基于深度学习，分析脑肿瘤分割算法，针对现有网络模型的不足与缺陷，依据深度学习算法中，人工神经网络的应用，提出科学、合理的模型网络优化方案，并引入注意力机制，探讨深度学习技术在脑肿瘤分割算法优化中应用的价值与意义，以期提高脑肿瘤图像分割中，网络特征的提取能力，为脑肿瘤图像分割临床应用，提供依据。

深度学习；人工神经网络；脑肿瘤图像；图像分割

[1] 陈柏年,韩雨童,何涛,等.基于级联动态注意力 U-Net 的脑肿瘤分割方法[J].计算机科学,2023,50(S2):1031-1037. [2] 田恒屹,肖洪兵,计亚荣,等.基于三维 UNet 与混合焦点损失函数的脑肿瘤全自动分割算法[J].中国医学物理学杂志, 2023,40(9):1114-1120. [3] 李静,孙静涛,王可欣,等.基于深度学习在 T2Flair 图像分割脑胶质瘤病灶的研究[J].中国实验诊断学,2023,27(6):639-642. [4] 闻亮,于跃,梁国标,等.基于深度学习的脑肿瘤分级预测方法研究[J].医疗卫生装备,2022,43(12):1-7. [5] 夏峰,邵海见,邓星.融合跨阶段深度学习的脑肿瘤 MRI 图像分割[J].中国图象图形学报,2022,27(3):873-884. [6] 席欢欢,贺松,黄旭,等.脑肿瘤 MR 图像分割方法现状及挑战[J].软件导刊,2021,20(4):240-246.

点击下载PDF