文献类型：期刊文章

作　　者：包星星[1] 赵璨[2,3] 饶家声[1,2]

BAO Xing-xing;ZHAO Can;RAO Jia-sheng(Beijing Key Laboratory for Biomaterials and Neural Regeneration,Department of Biomedical Engineering,School of Biological Science and Medical Engineering,Beihang University,Beijing 100083,China;Beijing Advanced Innovation Center for Biomedical Engineering,Beihang University,Beijing 100083,China;Department of Measurement Control and Information Technology,School of Instrumentation and Optoelectronic Engineering,Beihang University,Beijing 100083,China)

机构地区：[1]北京航空航天大学生物与医学工程学院生物材料与神经再生北京市重点实验室,北京100083 [2]北京航空航天大学生物医学工程高精尖创新中心,北京100083 [3]北京航空航天大学仪器科学与光电工程学院测控与信息技术系,北京100083

出　　处：《医疗卫生装备》

基　　金：国家自然科学基金（31900980,31970970）;北京市自然科学基金青年项目（7194286）;中国博士后科学基金面上资助（2018M640046）;中央高校基本科研业务费专项资金资助(YWF-19-BJ-J-282)

年　　份：2019

卷　　号：40

期　　号：11

起止页码：90-96

语　　种：中文

收录情况：AJ、CAS、CSA、CSA-PROQEUST、IC、INSPEC、JST、ZGKJHX、普通刊

摘　　要：介绍了MRI图像脑肿瘤分割的意义与困难,阐述了机器学习在非侵入性鉴别脑肿瘤中的优势,分析了模糊C聚类、支持向量机、随机森林3种具有代表性的传统机器学习方法以及新兴的深度学习方法在MRI图像脑肿瘤分割中的应用及研究进展,并比较了这4种方法各自的优势、缺点和适用情况。指出了未来应用传统机器学习和深度学习方法进行脑肿瘤识别与分割应向更加多模态、高自动度、低复杂度、高鲁棒性和自适应性以及深度挖掘图像信息的方向发展。

关 键 词：脑肿瘤分割  磁共振成像 传统机器学习  深度学习  

分 类 号：R318[生物医学工程类] R445[基础医学类]