基于卷积神经网络的医学图像分割算法研究文献综述

开题报告内容一． 选题背景与意义随着X线、计算机断层扫描、磁共振成像、正电子发射断层成像等成像技术的问世和发展，影像诊断在医学中的作用也日益增大。

成像技术为临床诊断、制定治疗方案和生物医学研究提供了强有力的科学依据。

由于医学影像会输出大量的数据，临床医生和研究者需要利用计算机进行医学图像的自动处理和分析，而图像分割是医学图像处理和定量分析的关键步骤之一[1]。

医学图像分割，指把图像中的解剖结构或者感兴趣区域的边界勾画出来，是进行图像分类和识别的前提。

医学图像分割对三维可视化、三维定位、组织定量分析、制定手术计划和计算机辅助诊断具有重要意义[2]。

卷积神经网络（CNN）因其具有优良的自主特征能力和良好的特征表达能力，在对医学影像（MRI、CT、X射线等）分割领域以及辅助诊断方面取得了巨大成功。

它不仅提供了一个统一的方法对所有图像进行特征提取，而且大大提高了分割的准确率。

卷积神经网络在医学图像分割上的研究时间不是很长，但近几年发展迅速。

大量的科研工作者们投身深度学习领域，随着对卷积神经网络的进一步的研究，卷积神经网络在医学图像分割以及辅助疾病诊断方面有着更广阔的应用前景。