CMES：你不可不知的6篇医学图像分割论文|TSP文章精选

繁华落尽平淡是真

医学图像分割作为图像分割领域的主流研究方向，在病灶量化、三维重建、感兴趣区域提取等方面发挥着关键作用。与自然图像相比，医学图像有着丰富的模式种类。
此外，不同模式的图像所传达的信息重点也有很大的区别。仅由经验丰富的专业医生手动去分割医学图像费时且效率低下。因此，大量的医学图像自动分割方法应运而生。然而截至目前为止，研究人员还没有开发出一种通用的医学图像分割的方法以解决所有类型的问题。
CMES精选了以下六篇文章，为您带来关于U-Net应用于医学图像分割的前沿课题。
亮点文章

Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review
Jiaqi Shao, Shuwen Chen, Jin Zhou, Huisheng Zhu, Ziyi Wang, Mackenzie Brown
DOI:10.32604/cmes.2023.025499
这篇综述详尽论述了医学图像分割的两大类方法：一是基于传统聚类方法的优化策略；二是基于U-Net的优化图像分割网络结构模型的研究进展。
三类算法：
1. 传统的医学图像分割算法包括阈值分割、边缘检测、区域生长和基于能量泛函和图论的分割方法。


2. 基于均值聚类的医学图像分割方法，聚类分析具有无监督、高效、自适应等特点。聚类的图像分割大致可分为硬聚类和模糊聚类。硬聚类的一个典型例子是K均值聚类图像分割算法。模糊聚类，如模糊C均值聚类分割方法。
3. 基于U-Net网络的医学图像分割方法，U-Net最大的优势是在训练数据集较小的情况下获得了较好的分割结果。因此，U-Net成为医学图像分割最流行的网络结构。作者还讨论了2.5D U-Net的图像分割方法，以实现分割精度和计算量的平衡。基于U-Net的自动3D模型可以实现3D磁共振图像的自动分割。包含两个 U-Net 结构的上下文嵌套网络。还有全尺寸连接U-Net、RU-Net、VGG16 U-Net。
精选导读

1、Mu-Net: Multi-Path Upsampling Convolution Network for Medical Image Segmentation.

Chen, J., He, Z., Zhu, D., Hui, B., Yi, R. et al. (2022).
CMES-Computer Modeling in Engineering & Sciences, 131(1), 73–95.
本文提出了一种新颖的多路径上采样卷积网络MU-Net，它可以保留更多高级信息。MU-Net主要由收缩路径、跳过连接和多重扩展路径三部分组成。这里提出的MU-Net架构是基于三个不同的医学成像数据集进行评估的。
2、SepFE: Separable Fusion Enhanced Network for Retinal Vessel Segmentation.

Wu, Y., Jiao, G., Liu, J. (2023).
CMES-Computer Modeling in Engineering & Sciences, 136(3), 2465–2485.
本文由目前最流行的U-Net架构扩展到一种低复杂度、高性能的视网膜血管分割模型。鉴于深度可分离卷积出色的工作表现，作者引入它来取代标准卷积层并且通过减少模型所需的参数和计算量，降低了模型的复杂性。
3、MIA-UNet: Multi-Scale Iterative Aggregation U-Network for Retinal Vessel Segmentation.

Yu, L., Qin, Z., Ding, Y., Qin, Z. (2021).
CMES-Computer Modeling in Engineering & Sciences, 129(2), 805–828.
本文提出了一种多尺度迭代聚合U网络MIA-UNet，旨在实现准确高效的视网膜血管分割用于眼科辅助诊断，同时保证网络计算复杂度低，适应移动终端。
4、MRI Brain Tumor Segmentation Using 3D U-Net with Dense Encoder Blocks and Residual Decoder Blocks.

Tie, J., Peng, H., Zhou, J. (2021).
CMES-Computer Modeling in Engineering & Sciences, 128(2), 427–445.
本文结合DenseNet和ResNet的优点，提出了一种具有密集编码器块和残差解码器块的3D U-Net。其中编码器部分采用密集块，解码器部分采用残差块。在编码器收缩路径中，输出特征图谱的数量随着网络层的增加而增加，这很符合密集块的特点。
5、Inner Cascaded U2-Net: An Improvement to Plain Cascaded U-Net.

Wu, W., Liu, G., Liang, K., Zhou, H. (2023).
CMES-Computer Modeling in Engineering & Sciences, 134(2), 1323–1335.
本文设计了新的内部级联U-Net和内部级联U2 Net，作为对用于医学图像分割的普通级联U-Net的改进。所提出的内部级联U-Net在两个U-Nets之间添加了内部嵌套连接，以共享更多的上下文信息。
CMES 期刊介绍



主编：Shaofan Li， Loc Vu-Quoc
主要刊发计算材料、计算力学、计算物理、计算生物学、计算化学等领域的计算机建模和仿真的最新学术成果。
版权声明：
本文由Tech Science Press南京办公室负责编译。中文内容仅供参考，一切内容以英文原版为准。