深度学习在脊柱图像分割中的应用综述

作者：姜百浩; 刘静^*; 仇大伟; 姜良

来源：计算机工程, 2023, 1-17.

DOI：10.19678/j.issn.1000-3428.0067502

• 深度学习
• 卷积神经网络
• U型网络
• 脊柱疾病
• 图像分割

深度学习算法在脊柱图像分割中具有学习能力强，自适应能力强以及对图像独有的非线性映射能力等优点，相较于传统分割方法，能更好地提取脊柱图像中的关键信息，并且抑制不相关信息，辅助医生准确定位病灶区域，实现精准、高效分割。从深度学习算法、脊柱疾病类型、图像类型、实验分割结果、性能评估指标等方面，对深度学习在脊柱图像分割中的应用现状进行了归纳、总结并加以分析。首先介绍了深度学习模型和脊柱图像分割的背景，从而引出深度学习在脊柱图像分割中的应用；其次介绍了常见的几种脊柱疾病类型，讲述了其在图像分割中的难点，并介绍了脊柱图像分割中常用的公开数据集、图像分割的方法流程以及图像分割评价指标等要素；再结合具体实验总结分析了基于CNN模型、U-Net模型及其改进的模型在椎骨、椎间盘以及脊柱肿瘤图像分割中的应用进展；并结合以往的实验结果和当前深度学习模型的研究进展，总结了目前临床上研究的局限性以及分割效果不足的原因，同时针对所存在的问题提出了相应的解决方法，最后对未来的研究和发展提出展望。

• 单位
  山东中医药大学