脑肿瘤MRI图像介绍及图像分割算法理论基础综述

脑肿瘤MRI图像介绍及图像分割算法理论基础综述摘要：脑肿瘤是中枢神经系统常见的恶性病变，具有发病率高、侵袭性强、预后较差等特点，早期精准诊断与病情评估是改善患者预后的关键。磁共振成像（MRI）凭借无辐射、软组织分辨率高、多序列成像等优势，成为脑肿瘤检出、定位、定性及疗效评估的首选影像学技术，其图像质量直接影响临床诊疗决策的准确性。脑肿瘤MRI图像分割作为医学图像处理的核心任务之一，旨在从复杂的脑部MRI影像中精准分离肿瘤区域与正常脑组织，为肿瘤分级、手术规划、放疗靶区勾画及预后监测提供量化依据。本文系统介绍脑肿瘤MRI图像的成像原理、序列特点及常见脑肿瘤的MRI影像特征，全面梳理脑肿瘤MRI图像分割算法的理论基础，包括传统分割算法、基于机器学习的分割算法及基于深度学习的分割算法，分析各类算法的核心思想、优缺点及研究应用现状，探讨当前分割技术面临的挑战，并对未来发展趋势进行展望，为相关领域的研究人员提供全面的理论参考，推动脑肿瘤MRI图像分割技术的临床转化与创新发展。关键词：脑肿瘤；MRI图像；图像分割；算法理论；深度学习；医学图像处理1引言脑肿瘤是起源于颅内组织或转移至颅内的肿瘤总称，根据病理类型可分为原发性脑肿瘤与继发性脑肿瘤，其中原发性脑肿瘤以胶质瘤最为常见，约占颅内原发性肿瘤的40%-50%，且高级别胶质瘤（如胶质母细胞瘤）恶性程度极高，患者5年生存率不足10%[8]。随着人口老龄化加剧及环境因素变化，脑肿瘤的发病率呈逐年上升趋势，严重威胁人类生命健康。临床实践中，脑肿瘤的诊疗流程高度依赖影像学检查，其中MRI因具有无电离辐射、软组织分辨率高、可多方位、多参数成像等独特优势，能够清晰呈现脑肿瘤的位置、大小、形态、边界及与周围正常脑组织的解剖关系，成为脑肿瘤诊断、分期、治疗方案制定及疗效评估的核心手段[6]。脑肿瘤MRI图像分割是将MRI影像中的肿瘤区域（包括肿瘤核心、水肿区、强化区等）与正常脑组织（如灰质、白质、脑脊液）及其他病变区域精准分离的过程，是连接影像学检查与临床诊疗的关键桥梁。手动分割作为传统的分割方式，依赖放射科医生的临床经验与专业判断，虽能在一定程度上满足临床需求，但存在诸多局限性：一是分割效率低下，一幅高质量的脑肿瘤MRI图像手动分割需耗时30分钟以上，难以适应大规模影像数据的处理需求；二是主观性强，不同医生的经验差异、判断标准不同，会导致分割结果存在较大差异，影响诊疗决策的一致性；三是劳动强度大，长期重复分割工作易导致医生疲劳，增加漏判、误判的风险[4]。随着计算机技术、图像处理技术及人工智能技术的快速发展，自动化、精准化的脑肿瘤MRI图像分割算法成为研究热点。从传统的阈值分割、区域生长算法，到基于机器学习的支持向量机、随机森林分割算法，再到近年来兴起的基于深度学习的卷积神经网络分割算法，脑肿瘤MRI图像分割技术不断迭代升级，分割精度与效率显著提升。然而，由于脑肿瘤具有形态不规则、边界模糊、肿瘤类型多样、MRI图像存在灰度不均匀及伪影等问题，现有分割算法仍难以完全满足临床精准诊疗的需求[3]。本文结合近年来国内外相关研究成果，系统介绍脑肿瘤MRI图像的成像基础与影像特征，全面梳理各类脑肿瘤MRI图像分割算法的理论基础、核心原理及应用现状，分析当前分割技术面临的挑战，并展望未来发展趋势，为脑肿瘤MRI图像分割领域的研究与临床应用提供参考。2脑肿瘤MRI图像基础介绍2.1MRI成像原理MRI成像基于原子核的磁共振现象，其核心原理是利用人体组织中氢原子核（1H）在强磁场中的共振信号，经计算机处理后生成断层图像。人体组织中含有大量氢原子，不同组织中氢原子的密度、弛豫时间（T1弛豫时间、T2弛豫时间）存在差异，这些差异是MRI图像实现组织区分的基础[3]。当人体处于强磁场中时，氢原子核会沿磁场方向定向排列，此时施加特定频率的射频脉冲，氢原子核会吸收能量并偏离平衡状态；当射频脉冲停止后，氢原子核会释放吸收的能量，恢复至平衡状态，这一过程称为弛豫过程。弛豫过程分为纵向弛豫（T1弛豫）和横向弛豫（T2弛豫），不同组织的T1、T2弛豫时间不同，在MRI图像上表现为不同的灰度值：例如，脑脊液中氢原子密度高，T1弛豫时间长、T2弛豫时间长，在T1加权像（T1WI）上呈低信号（黑色），在T2加权像（T2WI）上呈高信号（白色）；灰质中氢原子密度中等，T1、T2弛豫时间介于脑脊液与白质之间，在T1WI上呈中等信号，T2WI上呈稍高信号；白质中氢原子密度较低，T1弛豫时间短，在T1WI上呈高信号，T2WI上呈低信号[6]。脑肿瘤组织与正常脑组织的氢原子密度、弛豫时间存在显著差异，这种差异是MRI图像识别脑肿瘤的核心依据。例如，高级别胶质瘤中存在大量异常增殖的肿瘤细胞，氢原子密度较高，且肿瘤内常伴有坏死、出血、囊变等改变，导致其T1、T2弛豫时间与正常脑组织差异明显，在MRI图像上能够清晰区分[2]。此外，MRI可通过注射对比剂（如钆剂）增强成像，对比剂能够通过血脑屏障受损区域进入肿瘤组织，使肿瘤强化区在T1WI上呈现高信号，进一步提升肿瘤与正常脑组织的对比度，有助于精准识别肿瘤边界与范围[6]。2.2脑肿瘤MRI常用成像序列及特点脑肿瘤MRI检查通常采用多序列成像，不同序列针对肿瘤不同特征的显示具有各自优势，临床中需结合多序列图像进行综合分析，以提高诊断准确性。常用的成像序列主要包括T1加权像（T1WI）、T2加权像（T2WI）、T2液体衰减反转恢复序列（T2-FLAIR）、扩散加权成像（DWI）、灌注加权成像（PWI）及对比增强T1加权像（T1WI+C）等[3]。2.2.1T1加权像（T1WI）T1WI主要反映组织的T1弛豫时间差异，其成像参数设置为短重复时间（TR）和短回波时间（TE），能够清晰显示脑部解剖结构，区分灰质、白质与脑脊液。在T1WI上，正常脑组织中白质呈高信号，灰质呈中等信号，脑脊液呈低信号；脑肿瘤组织的信号强度因肿瘤类型、病理分级及内部结构而异：低级别胶质瘤通常呈低信号或等信号，边界相对清晰，与周围正常脑组织对比度较差；高级别胶质瘤常因肿瘤内坏死、出血、囊变等改变，呈现混杂信号，边界模糊，与周围白质、灰质的对比度明显[2]。T1WI的核心优势是解剖结构显示清晰，常用于肿瘤的定位及与周围解剖结构的关系评估。2.2.2T2加权像（T2WI）T2WI主要反映组织的T2弛豫时间差异，成像参数设置为长TR和长TE，对病变组织的敏感性较高，能够清晰显示肿瘤的范围、水肿区及囊变区域。在T2WI上，脑脊液呈高信号，白质呈低信号，灰质呈中等信号；脑肿瘤组织通常呈高信号，其中肿瘤水肿区呈弥漫性高信号，与肿瘤实质区难以直接区分；坏死、囊变区呈均匀高信号，出血区因血红蛋白分解产物的不同，信号强度存在差异（如急性期出血呈低信号，亚急性期出血呈高信号）[3]。T2WI的优势是能够清晰显示肿瘤的整体范围及病变程度，为肿瘤大小测量提供依据。2.2.3T2液体衰减反转恢复序列（T2-FLAIR）T2-FLAIR是在T2WI基础上改进的序列，通过抑制脑脊液的高信号，能够有效区分脑脊液与肿瘤水肿区，解决了T2WI中脑脊液高信号与水肿区高信号重叠的问题。在T2-FLAIR图像上，脑脊液呈低信号，肿瘤实质区、水肿区呈高信号，边界清晰，能够精准显示肿瘤水肿的范围及程度，尤其适用于靠近脑室、脑沟等脑脊液丰富区域的脑肿瘤检测[3]。此外，T2-FLAIR对低级别胶质瘤、脑转移瘤的检出敏感性高于T2WI，是脑肿瘤MRI检查的核心序列之一。2.2.4扩散加权成像（DWI）DWI基于水分子扩散运动的原理，反映组织中水分子的扩散受限程度，成像参数主要包括b值（扩散敏感因子），b值越高，对水分子扩散运动的敏感性越强。正常脑组织中，水分子扩散自由，在DWI上呈低信号；脑肿瘤组织中，肿瘤细胞密度高，细胞间隙狭窄，水分子扩散受到限制，在DWI上呈高信号，且肿瘤恶性程度越高，细胞密度越大，水分子扩散受限越明显，DWI信号强度越高[2]。DWI的核心优势是能够区分肿瘤实质与坏死区（坏死区水分子扩散自由，呈低信号），并可用于肿瘤的病理分级、鉴别诊断（如区分胶质瘤与脑脓肿）及疗效评估（如判断肿瘤治疗后是否残留或复发）[3]。2.2.5灌注加权成像（PWI）PWI主要反映脑部组织的血流灌注情况，通过测量脑组织的血流量（CBF）、血容量（CBV）、平均通过时间（MTT）等参数，评估肿瘤的血供特点。脑肿瘤的血供与肿瘤恶性程度密切相关，高级别胶质瘤血供丰富，CBF、CBV明显升高，MTT缩短；低级别胶质瘤血供相对匮乏，CBF、CBV接近正常脑组织[1]。PWI可用于肿瘤的病理分级、鉴别诊断及疗效评估，能够为临床治疗方案的制定提供血流动力学依据，但目前在脑肿瘤分割算法中的应用相对有限[1]。2.2.6对比增强T1加权像（T1WI+C）T1WI+C是在注射钆剂等对比剂后进行的T1WI成像，对比剂能够通过血脑屏障受损区域进入肿瘤组织，使肿瘤强化区在T1WI上呈现高信号，而正常脑组织（血脑屏障完整）不强化，呈低信号或中等信号[6]。不同类型、不同分级的脑肿瘤，强化方式存在差异：低级别胶质瘤通常无强化或轻度强化；高级别胶质瘤常呈不均匀强化，典型者呈“花环样”强化（中心为坏死囊变区，无强化，周边为肿瘤实质强化带）；脑膜瘤多呈均匀强化，并可见特征性的“脑膜尾征”[2]。T1WI+C的核心优势是能够精准识别肿瘤的强化区，区分肿瘤实质与水肿区，为肿瘤边界的确定提供重要依据，是脑肿瘤分割中不可或缺的成像序列[1]。2.3常见脑肿瘤的MRI影像特征不同类型的脑肿瘤，其病理结构、生长方式存在差异，在MRI多序列图像上表现出独特的影像特征，这些特征是脑肿瘤诊断、鉴别诊断及分割的重要依据。以下重点介绍临床中常见脑肿瘤的MRI影像特征[2]。2.3.1胶质瘤胶质瘤是起源于神经上皮组织的原发性脑肿瘤，根据WHO分级可分为低级别（Ⅰ-Ⅱ级）和高级别（Ⅲ-Ⅳ级），其中胶质母细胞瘤（Ⅳ级）是成人最常见的原发性恶性脑肿瘤，具有高度侵袭性。低级别胶质瘤（如毛细胞型星形细胞瘤、Ⅱ级星形细胞瘤）：好发于儿童和青少年，常见于小脑、下丘脑、视神经通路及大脑半球。MRI表现为边界相对清晰的囊性或囊实性肿块，T1WI呈低信号或等信号，T2WI及T2-FLAIR呈明亮高信号，肿瘤内信号均匀，瘤周水肿较轻；增强扫描时，实性部分或壁结节可有轻度强化，单纯囊性部分无强化；DWI上呈低信号或等信号，ADC值正常或略高，反映肿瘤细胞密度较低，水分子扩散受限不明显。高级别胶质瘤（如胶质母细胞瘤）：好发于成人大脑半球，形态多不规则，边界不清，T1WI呈混杂低信号，T2WI及T2-FLAIR呈混杂高信号，这与肿瘤内的坏死、出血、囊变及血管增生有关；增强扫描呈显著不均一强化，典型者呈“花环样”强化；瘤周水肿通常非常明显，占位效应显著，可伴有中线结构移位；DWI上，肿瘤实性部分呈稍高信号，ADC值降低，反映肿瘤细胞密度高，水分子扩散受限明显。2.3.2脑膜瘤脑膜瘤是起源于蛛网膜帽状细胞的脑外肿瘤，大多数为良性（WHOⅠ级），好发于中老年人，女性发病率高于男性。MRI表现具有相对特征性，肿瘤多位于脑表面，与脑膜广基底相连；T1WI上多呈等信号或稍低信号，T2WI上呈等信号、稍高信号或稍低信号，信号通常比较均匀，与其病理上细胞排列紧密、富含纤维成分有关；增强扫描时，肿瘤实质呈显著均匀强化，“脑膜尾征”是其较为特征性的表现（肿瘤附着处的脑膜呈线条状或斑片状强化，并可延伸一段距离）；DWI上呈等或稍低信号，ADC值正常或略高；肿瘤周围可出现轻度至中度水肿，部分巨大脑膜瘤可有明显占位效应。2.3.3听神经瘤听神经瘤是桥小脑角区最常见的肿瘤，起源于前庭蜗神经的施万细胞，为良性肿瘤，好发于中老年人。MRI是诊断听神经瘤的首选方法，尤其是内听道内的小肿瘤；肿瘤多以内听道为中心生长，呈圆形或椭圆形；T1WI呈等或低信号，T2WI呈高信号；较小的肿瘤信号均匀，较大的肿瘤可因囊变、出血而信号混杂；增强扫描时，肿瘤实质呈均匀或不均匀强化，内听道可扩大；DWI上呈低信号或等信号，ADC值正常；肿瘤周围水肿较轻，占位效应根据肿瘤大小而异。2.3.4脑转移瘤脑转移瘤是由身体其他部位的恶性肿瘤（如肺癌、乳腺癌、胃癌等）转移至颅内形成的继发性肿瘤，发病率高于原发性脑肿瘤，好发于中老年人。MRI表现为多发或单发结节，边界相对清晰，T1WI呈低信号或等信号，T2WI呈高信号，肿瘤内可伴有坏死、出血，信号混杂；增强扫描时，肿瘤呈环形或结节状强化，强化明显；瘤周水肿显著，呈“小肿瘤、大水肿”的典型表现；DWI上，肿瘤实性部分呈高信号，ADC值降低，坏死区呈低信号；多发转移瘤常见于大脑半球灰白质交界区，单发转移瘤易与原发性胶质瘤混淆，需结合临床病史及其他检查鉴别。2.4脑肿瘤MRI图像的质量影响因素脑肿瘤MRI图像的质量直接影响分割算法的精度及临床诊疗决策的准确性，其质量受多种因素影响，主要包括以下几个方面[3]：（1）患者运动伪影：MRI成像过程中，患者头部轻微运动（如呼吸、吞咽、头部晃动）会导致图像模糊、重影，影响肿瘤区域的识别与分割。尤其是儿童、老年患者及意识障碍患者，运动伪影更为明显，需通过固定头部、镇静等方式减少伪影。（2）磁场不均匀性：MRI成像依赖强磁场的均匀性，磁场不均匀会导致图像灰度不均匀，出现伪影（如化学位移伪影、susceptibility伪影），使肿瘤与正常脑组织的边界模糊，影响分割精度。（3）对比剂注射剂量与时机：对比剂的注射剂量不足、注射时机不当，会导致肿瘤强化不明显，无法清晰区分肿瘤实质与水肿区，影响分割效果。（4）成像参数设置：TR、TE、b值等成像参数设置不合理，会导致图像对比度不佳、信号噪声比（SNR）降低，无法清晰显示肿瘤的细节特征。（5）肿瘤自身特征：部分低级别肿瘤与正常脑组织的信号差异较小，边界模糊；肿瘤内坏死、出血、囊变等改变会导致图像信号混杂，增加分割难度。因此，在进行脑肿瘤MRI图像分割前，通常需要对图像进行预处理（如去噪、灰度归一化、配准、伪影去除等），以提升图像质量，为后续分割算法的实现奠定基础[3]。3脑肿瘤MRI图像分割算法理论基础脑肿瘤MRI图像分割算法的核心目标是从复杂的MRI影像中精准提取肿瘤区域，根据算法的发展历程及核心原理，可将其分为三大类：传统图像分割算法、基于机器学习的图像分割算法及基于深度学习的图像分割算法。各类算法的理论基础、核心思想及应用场景存在显著差异，以下分别进行详细阐述。3.1传统图像分割算法传统图像分割算法是最早应用于脑肿瘤MRI图像分割的方法，其核心原理是基于图像的灰度、纹理、边缘等低层次特征，通过简单的数学运算实现区域分离，具有算法简单、计算量小、易于实现等优势，但对图像质量、肿瘤形态的适应性较差，分割精度有限，主要适用于肿瘤边界清晰、图像质量较好的简单场景[7]。常见的传统分割算法包括阈值分割算法、区域生长算法、边缘检测算法及形态学分割算法等。3.1.1阈值分割算法阈值分割算法是最基础、最常用的传统分割算法，其理论基础是：脑肿瘤区域与正常脑组织在MRI图像上的灰度值存在差异，通过设定一个或多个灰度阈值，将图像中的像素分为两类或多类，其中灰度值高于阈值的像素归为肿瘤区域，低于阈值的像素归为正常脑组织或背景[7]。阈值分割算法的核心是阈值的确定，根据阈值的数量可分为单阈值分割与多阈值分割；根据阈值的确定方式可分为全局阈值分割与自适应阈值分割。全局阈值分割是指整个图像采用同一个阈值进行分割，适用于图像灰度分布均匀、肿瘤与正常脑组织对比度明显的场景。常用的全局阈值确定方法包括人工阈值法、直方图阈值法、Otsu法等。其中，Otsu法（最大类间方差法）是最常用的自动阈值确定方法，其核心思想是通过计算不同阈值下图像的类间方差，选择类间方差最大的阈值作为最佳阈值，此时肿瘤区域与正常脑组织的灰度差异最大，分割效果最优[3]。例如，在T2-FLAIR图像中，肿瘤水肿区与实质区呈高信号，正常脑组织呈低信号，可通过Otsu法确定最佳阈值，快速分离肿瘤区域与正常脑组织[7]。自适应阈值分割是指根据图像的局部灰度分布特点，为图像的不同区域设定不同的阈值，适用于图像灰度不均匀、存在伪影的场景。常用的自适应阈值分割方法包括局部阈值法、滑动窗口阈值法等，其核心是通过滑动窗口遍历整个图像，计算每个窗口内的灰度均值或方差，作为该窗口的分割阈值，能够有效克服全局阈值分割在灰度不均匀图像中的局限性[3]。例如，针对存在磁场不均匀伪影的MRI图像，自适应阈值分割可根据局部灰度特点调整阈值，减少伪影对分割结果的影响[7]。阈值分割算法的优点是算法简单、计算速度快、易于实现，无需复杂的数学模型；缺点是对图像灰度不均匀、肿瘤边界模糊、存在噪声及伪影的场景适应性较差，易出现过分割（将正常脑组织误判为肿瘤）或欠分割（将肿瘤区域误判为正常脑组织）现象，且无法处理形态不规则的肿瘤[3]。目前，阈值分割算法已很少单独用于脑肿瘤MRI图像分割，通常作为图像预处理的一部分，为后续分割算法提供初步的肿瘤区域候选[7]。3.1.2区域生长算法区域生长算法的理论基础是：图像中相邻且灰度值相似的像素属于同一区域，通过选择一个或多个种子点（种子点通常为肿瘤区域的核心像素），按照预设的相似性准则（如灰度值差异、纹理相似性等），将种子点周围相邻的像素逐步合并到种子点所在的区域，直至满足终止条件，最终形成完整的肿瘤区域[3]。区域生长算法的核心是种子点的选择与相似性准则的确定。种子点的选择方式主要分为手动选择与自动选择：手动选择种子点需依赖人工经验，在MRI图像上手动标记肿瘤核心区域的像素，准确性较高，但效率低下，主观性强；自动选择种子点通过图像的灰度、纹理等特征自动识别肿瘤核心区域，如选择图像中灰度值最高的像素作为种子点（适用于肿瘤区域灰度值明显高于正常脑组织的场景），效率较高，但易受噪声及伪影的影响，种子点选择不准确会导致分割结果偏差[3]。相似性准则是区域生长的核心依据，常用的准则包括灰度值相似准则、纹理相似准则及梯度相似准则等。灰度值相似准则是指当相邻像素的灰度值与种子点区域的灰度值差异小于预设阈值时，将该像素合并到种子点区域；纹理相似准则是指通过计算相邻像素与种子点区域的纹理特征（如灰度共生矩阵、熵值等），当纹理特征相似性大于预设阈值时，进行像素合并；梯度相似准则是指当相邻像素的梯度值小于预设阈值（即像素处于平缓区域，属于同一组织）时，进行像素合并[3]。区域生长算法的优点是能够较好地保留肿瘤区域的形态特征，对边界模糊的肿瘤具有一定的适应性，分割结果相对连续；缺点是对种子点的选择及相似性准则的设置高度敏感，种子点选择不当、相似性准则阈值设置不合理，会导致分割结果出现过分割或欠分割；同时，该算法对噪声及伪影的抵抗力较弱，噪声会被误判为种子点，导致分割误差[3]。区域生长算法常与阈值分割算法结合使用，先通过阈值分割确定初步的肿瘤区域，再通过区域生长算法优化分割结果，提升分割精度[7]。3.1.3边缘检测算法边缘检测算法的理论基础是：脑肿瘤区域与正常脑组织的边界处，像素灰度值会发生突变，形成边缘，通过检测图像中的边缘像素，连接边缘像素形成肿瘤边界，从而实现肿瘤区域与正常脑组织的分离[3]。边缘检测算法的核心是边缘检测算子的选择，常用的边缘检测算子包括Sobel算子、Canny算子、Prewitt算子、Laplacian算子等。Sobel算子是一种基于梯度的边缘检测算子，通过计算像素在x、y方向的梯度值，判断像素是否为边缘像素，具有计算简单、抗噪声能力较强的优点，但边缘检测的精度较低，边缘较粗，适用于对分割精度要求不高的场景[3]。Canny算子是目前应用最广泛的边缘检测算子，其核心流程包括：图像去噪（通过高斯滤波去除噪声）、计算梯度值（通过Sobel算子计算x、y方向梯度）、非极大值抑制（细化边缘，去除虚假边缘）、双阈值检测（确定真实边缘），具有边缘检测精度高、抗噪声能力强、能够检测出微弱边缘的优点，适用于脑肿瘤边界模糊的场景[3]。Prewitt算子与Sobel算子原理类似，也是通过计算像素在x、y方向的梯度值检测边缘，但其抗噪声能力略弱于Sobel算子；Laplacian算子是一种二阶导数算子，通过计算像素的二阶导数检测边缘，对边缘的敏感性较高，但抗噪声能力较弱，易受噪声影响出现虚假边缘[3]。边缘检测算法的优点是能够快速检测出肿瘤的边界，分割速度较快；缺点是仅能检测出边缘像素，无法直接得到完整的肿瘤区域，需要通过边缘连接、区域填充等后续处理才能形成完整的肿瘤区域，且对噪声及伪影的敏感性较高，边缘检测结果易出现断裂、虚假边缘等问题，影响分割精度[3]。目前，边缘检测算法主要用于肿瘤边界的辅助检测，与其他分割算法结合使用，提升分割结果的准确性。3.1.4形态学分割算法形态学分割算法的理论基础是数学形态学，通过对图像进行膨胀、腐蚀、开运算、闭运算等形态学操作，去除图像噪声、修复分割区域的漏洞、平滑分割边界，优化分割结果[3]。形态学分割算法本身不具备独立的分割能力，通常作为其他分割算法的后处理步骤，用于优化分割结果，提升分割精度。膨胀操作是指用结构元素（如3×3的正方形结构元素）对图像进行遍历，当结构元素与图像中的目标像素（肿瘤像素）重叠时，将结构元素覆盖的所有像素标记为目标像素，能够扩大肿瘤区域，填补分割区域的小漏洞；腐蚀操作与膨胀操作相反，用结构元素对图像进行遍历，当结构元素完全覆盖目标像素时，才将该像素标记为目标像素，能够缩小肿瘤区域，去除图像中的小噪声点；开运算为先进行腐蚀操作，再进行膨胀操作，主要用于去除图像中的小噪声、细化分割边界；闭运算为先进行膨胀操作，再进行腐蚀操作，主要用于填补分割区域的小漏洞、平滑分割边界[3]。形态学分割算法的优点是能够有效去除噪声、修复分割漏洞、平滑边界，优化分割结果；缺点是无法独立完成肿瘤分割，需依赖其他分割算法提供初步分割结果，且结构元素的选择、操作顺序及次数会影响优化效果，选择不当会导致分割区域变形[3]。例如，在阈值分割或区域生长算法完成初步分割后，通过形态学闭运算填补肿瘤区域的小漏洞，通过开运算去除噪声点，能够显著提升分割结果的完整性与准确性[7]。3.2基于机器学习的图像分割算法随着机器学习技术的发展，基于机器学习的脑肿瘤MRI图像分割算法逐渐取代传统分割算法，成为主流的分割方法之一。其核心原理是通过提取MRI图像的灰度、纹理、形状等特征，利用机器学习模型对像素进行分类，将像素分为肿瘤像素与正常脑组织像素，从而实现肿瘤区域的分割[8]。与传统分割算法相比，基于机器学习的分割算法能够利用更丰富的图像特征，对图像质量、肿瘤形态的适应性更强，分割精度更高，适用于复杂场景下的脑肿瘤分割[5]。常见的基于机器学习的分割算法包括支持向量机（SVM）分割算法、随机森林（RF）分割算法、K-均值聚类（K-means）分割算法及贝叶斯分类器分割算法等。3.2.1支持向量机（SVM）分割算法SVM分割算法的理论基础是统计学习理论，其核心思想是寻找一个最优分类超平面，将不同类别的像素（肿瘤像素与正常脑组织像素）进行分离，使两类像素之间的间隔最大，从而实现像素分类[3]。SVM分割算法的核心步骤包括特征提取、特征选择、模型训练及像素分类。特征提取是SVM分割算法的基础，需要从MRI图像中提取能够区分肿瘤与正常脑组织的特征，常用的特征包括灰度特征（如灰度均值、方差、熵值等）、纹理特征（如灰度共生矩阵、局部二值模式、小波变换系数等）、形状特征（如面积、周长、圆形度等）及多序列特征融合（如结合T1WI、T2WI、T2-FLAIR等多序列图像的特征）[3]。特征选择是为了去除冗余特征，保留对分类有效的特征，减少计算量，提升模型的泛化能力，常用的特征选择方法包括Relief算法、主成分分析（PCA）、线性判别分析（LDA）等[5]。模型训练是将提取的特征输入SVM模型，通过标注好的训练数据（已知肿瘤区域与正常脑组织区域的MRI图像）调整模型参数，确定最优分类超平面。SVM模型的核心参数包括核函数、惩罚系数等，核函数用于将低维特征映射到高维特征空间，解决非线性分类问题，常用的核函数包括线性核函数、多项式核函数、径向基函数（RBF）等，其中RBF核函数适用于复杂的非线性分类场景，在脑肿瘤MRI图像分割中应用最广泛[3]。惩罚系数用于平衡模型的分类精度与泛化能力，惩罚系数过大易导致模型过拟合（在训练数据上分类精度高，在测试数据上分类精度低），惩罚系数过小易导致模型欠拟合（分类精度低）[5]。像素分类是将训练好的SVM模型应用于测试MRI图像，提取测试图像的特征，通过模型判断每个像素属于肿瘤像素还是正常脑组织像素，从而实现肿瘤区域的分割[3]。SVM分割算法的优点是泛化能力强、对小样本数据适应性好、能够处理高维特征，分割精度高于传统分割算法，适用于肿瘤边界模糊、图像质量较差的场景[5]；缺点是计算量较大，尤其是处理大规模MRI图像时，分割速度较慢，且对特征提取的依赖性较强，特征提取不精准会导致分割结果偏差，同时难以处理形态复杂、异质性强的脑肿瘤[3]。目前，SVM分割算法在脑肿瘤MRI图像分割中仍有一定的应用，常与特征融合技术结合，提升分割精度[8]。3.2.2随机森林（RF）分割算法RF分割算法的理论基础是集成学习理论，其核心思想是通过构建多个决策树，将多个决策树的分类结果进行投票，最终确定像素的类别（肿瘤像素或正常脑组织像素），具有抗过拟合、计算速度快、能够处理高维特征等优势[3]。RF分割算法的核心步骤包括特征提取、决策树构建、模型训练及像素分类。特征提取与SVM分割算法类似，需要提取MRI图像的灰度、纹理、形状等特征，以及多序列特征融合，特征选择可通过决策树的特征重要性评分实现，自动去除冗余特征，保留有效特征[5]。决策树构建是RF分割算法的核心，每个决策树通过随机选择训练样本（bootstrap抽样）和随机选择特征，独立构建，避免单个决策树的过拟合问题[3]。决策树的构建过程是通过递归分割图像特征，每个节点根据特征的阈值将样本分为两类，直至满足终止条件（如节点样本数量小于预设阈值、特征无进一步分割价值等）[8]。模型训练是通过标注好的训练数据，调整决策树的数量、节点分割阈值等参数，优化模型性能。决策树的数量越多，模型的泛化能力越强，但计算量也会相应增加，通常选择100-500棵决策树即可满足脑肿瘤分割的需求[3]。像素分类是将测试图像的特征输入每个决策树，得到每个决策树的分类结果，通过投票机制（少数服从多数）确定每个像素的类别，形成最终的肿瘤分割结果[5]。RF分割算法的优点是抗过拟合能力强、计算速度快、对噪声及伪影的抵抗力较强，能够处理高维特征和大规模数据，分割精度高于SVM分割算法，适用于形态复杂、异质性强的脑肿瘤分割[8]；缺点是对决策树的参数设置依赖性较强，参数设置不合理会影响分割精度，且分割结果的边界不够平滑，需要通过形态学后处理优化[3]。目前，RF分割算法是基于机器学习的脑肿瘤MRI图像分割中应用最广泛的算法之一，在临床中具有一定的应用价值[5]。3.2.3K-均值聚类（K-means）分割算法K-means分割算法的理论基础是聚类分析，其核心思想是将图像中的像素根据灰度、纹理等特征聚类为K个类别，其中K为预设的聚类数量（通常K=3或4，分别对应肿瘤区域、正常脑组织区域、脑脊液区域等），通过迭代优化，使同一类别的像素特征相似度最高，不同类别的像素特征相似度最低，从而实现肿瘤区域的分割[3]。K-means分割算法的核心步骤包括初始化聚类中心、计算像素与聚类中心的距离、更新聚类中心、迭代终止。初始化聚类中心是K-means分割算法的关键，通常随机选择K个像素作为初始聚类中心，或根据图像的灰度直方图选择K个灰度峰值作为初始聚类中心[7]。计算像素与聚类中心的距离是指计算每个像素的特征向量（如灰度值、纹理特征等）与每个聚类中心的欧氏距离，将像素归为距离最近的聚类中心所在的类别[3]。更新聚类中心是指计算每个类别的像素特征均值，将其作为新的聚类中心，重复上述过程，直至聚类中心不再变化或达到预设的迭代次数[5]。K-means分割算法的优点是算法简单、计算速度快、能够处理大规模图像，无需标注训练数据（无监督学习），适用于缺乏标注数据的场景[7]；缺点是对初始聚类中心的选择高度敏感，初始聚类中心选择不当会导致聚类结果偏差，出现过分割或欠分割；同时，预设的K值难以准确确定，K值过大或过小都会影响分割精度，且对噪声及伪影的抵抗力较弱，无法处理边界模糊的肿瘤[3]。K-means分割算法常作为图像预处理的一部分，用于初步聚类，为后续有监督分割算法提供参考[5]。3.2.4贝叶斯分类器分割算法贝叶斯分类器分割算法的理论基础是贝叶斯概率理论，其核心思想是根据像素的特征，计算像素属于肿瘤区域与正常脑组织区域的后验概率，将后验概率较大的类别作为像素的类别，从而实现肿瘤区域的分割[3]。贝叶斯分类器分割算法的核心是后验概率的计算，其计算公式为：P(C|X)=P(X|C)P(C)/P(X)，其中P(C|X)为像素X属于类别C（肿瘤或正常脑组织）的后验概率，P(X|C)为像素X在类别C下的似然概率，P(C)为类别C的先验概率，P(X)为像素X的先验概率[8]。贝叶斯分类器分割算法的核心步骤包括特征提取、先验概率估计、似然概率估计及后验概率计算与分类[3]。特征提取与其他机器学习分割算法类似，提取图像的灰度、纹理等特征；先验概率估计是根据标注好的训练数据，计算肿瘤区域与正常脑组织区域的像素占比，作为先验概率；似然概率估计通常假设像素特征服从正态分布，通过训练数据估计正态分布的均值与方差，从而计算似然概率；后验概率计算是根据贝叶斯公式计算每个像素的后验概率，将像素归为后验概率较大的类别[5]。贝叶斯分类器分割算法的优点是理论基础扎实、能够利用先验知识，对小样本数据适应性较好，分割精度高于传统分割算法[8]；缺点是对特征分布的假设（正态分布）与实际MRI图像的特征分布存在差异，会导致分割结果偏差；同时，计算量较大，对噪声及伪影的敏感性较高，难以处理形态复杂的肿瘤[3]。贝叶斯分类器分割算法在脑肿瘤MRI图像分割中应用较少，通常与其他算法结合使用，提升分割精度[5]。3.3基于深度学习的图像分割算法近年来，深度学习技术的快速发展推动了脑肿瘤MRI图像分割技术的革命性进步。基于深度学习的分割算法能够自动提取图像的高层特征（如肿瘤的纹理、形状、边界等复杂特征），无需人工手动提取特征，具有分割精度高、适应性强、能够处理复杂场景等优势，已成为当前脑肿瘤MRI图像分割领域的研究热点，其分割精度已接近甚至超过人工分割[4]。常见的基于深度学习的脑肿瘤MRI图像分割算法包括全卷积网络（FCN）分割算法、U-Net及其变体分割算法、基于Transformer的分割算法等[3]。3.3.1全卷积网络（FCN）分割算法FCN是最早应用于医学图像分割的深度学习网络，其理论基础是卷积神经网络（CNN），通过将CNN中的全连接层替换为卷积层，实现端到端的像素级分类，能够直接输入任意尺寸的MRI图像，输出与输入图像尺寸相同的分割掩码（mask），其中掩码中每个像素的值表示该像素属于肿瘤区域的概率[3]。FCN分割算法的核心结构包括编码器（Encoder）与解码器（Decoder）。编码器由多个卷积层与池化层组成，卷积层用于提取图像的特征（从低层特征如灰度、边缘，到高层特征如肿瘤的形状、纹理），池化层用于降低特征图的尺寸，减少计算量，同时保留关键特征[3]。解码器由多个反卷积层（转置卷积层）组成，反卷积层用于将编码器输出的低分辨率特征图上采样，恢复到原始图像的尺寸，实现像素级分类[4]。为了提升分割精度，FCN引入了跳跃连接（SkipConnection），将编码器中不同层次的特征图与解码器中对应的特征图进行融合，补充解码器中丢失的细节特征（如肿瘤边界细节），提升分割边界的准确性[3]。FCN分割算法的优点是能够自动提取图像的高层特征，无需人工手动提取特征，实现端到端分割，分割速度较快，对形态复杂的肿瘤具有一定的适应性[4]；缺点是由于池化层的存在，特征图的分辨率降低，导致分割结果的边界不够精准，对小肿瘤的分割效果较差，且易出现过分割现象[3]。FCN作为深度学习分割算法的基础，为后续U-Net等更先进的分割网络提供了理论支撑，目前已较少单独用于脑肿瘤MRI图像分割，通常作为其他分割网络的基础结构[5]。3.3.2U-Net及其变体分割算法U-Net是由Ronneberger等人于2015年提出的深度学习分割网络，专门为医学图像分割设计，其结构呈“U”形，在FCN的基础上进行了改进，增强了对图像细节特征的提取能力，目前已成为脑肿瘤MRI图像分割中应用最广泛、分割精度最高的算法之一[3]。U-Net的核心结构包括编码器、解码器及跳跃连接，与FCN相比，U-Net的编码器与解码器结构对称，跳跃连接更完善，能够更好地融合低层特征与高层特征，提升分割精度[1]。编码器部分由多个卷积块（每个卷积块包含两个3×3的卷积层和一个ReLU激活函数）和最大池化层组成，卷积块用于提取图像的特征，最大池化层用于降低特征图尺寸，保留关键特征，随着网络层数的增加，特征图的分辨率降低，特征的抽象程度升高（从低层的边缘特征到高层的肿瘤语义特征）[3]。解码器部分由多个反卷积块（每个反卷积块包含一个2×2的反卷积层和两个3×3的卷积层）组成，反卷积层用于将低分辨率特征图上采样，恢复到与编码器对应层次特征图相同的尺寸，然后通过跳跃连接将编码器的特征图与解码器的特征图进行拼接（Concatenate），融合低层细节特征与高层语义特征，提升分割结果的细节准确性[4]。由于脑肿瘤MRI图像的复杂性，研究人员在U-Net的基础上提出了多种变体，进一步提升分割精度与适应性，常见的变体包括U-Net++、AttentionU-Net、ResU-Net等[3]。U-Net++通过增加密集跳跃连接，进一步融合不同层次的特征，提升分割边界的精准度；AttentionU-Net引入注意力机制，能够自动关注肿瘤区域，抑制背景区域的干扰，提升对小肿瘤、边界模糊肿瘤的分割效果；ResU-Net引入残差连接（ResidualConnection），解决深层网络的梯度消失问题，提升网络的训练效果与分割精度[4]。U-Net及其变体分割算法的优点是能够自动提取图像的高层语义特征与低层细节特征，分割精度高、边界精准，对形态不规则、边界模糊、异质性强的脑肿瘤具有良好的适应性，分割结果接近人工分割，且能够处理多序列MRI图像（如同时输入T1WI、T2WI、T2-FLAIR等多序列图像，提升分割精度）[1]；缺点是计算量较大，需要大量的标注训练数据，训练时间较长，且对小样本数据的适应性较差，易出现过拟合[3]。目前，U-Net及其变体分割算法已广泛应用于脑肿瘤MRI图像分割的临床研究与实践中，是当前最主流的分割算法[4]。3.3.3基于Transformer的分割算法Transformer是由Vaswani等人于2017年提出的一种基于自注意力机制的深度学习架构，最初应用于自然语言处理领域，近年来逐渐应用于计算机视觉领域，在医学图像分割中展现出良好的性能[4]。基于Transformer的脑肿瘤MRI图像分割算法，其核心思想是利用Transformer的自注意力机制，捕捉MRI图像中长距离的依赖关系（如肿瘤区域与周围正常脑组织的空间关系），提升对复杂肿瘤的分割精度[3]。基于Transformer的分割算法通常采用“CNN+Transformer”的混合结构，CNN用于提取图像的局部特征（如边缘、纹理），Transformer用于捕捉图像的全局特征（如肿瘤的整体形态、空间分布），两者结合能够充分利用局部特征与全局特征，提升分割精度[4]。常见的基于Transformer的分割算法包括SETR（SwinTransformerforSemanticSegmentation）、TransUNet等[3]。SETR以SwinTransformer为基础，将Transformer作为编码器，提取图像的全局特征，解码器采用反卷积层，将全局特征上采样至原始图像尺寸，实现像素级分割，能够有效捕捉脑肿瘤的全局形态特征，提升对大尺寸肿瘤的分割精度[4]。TransUNet将Transformer嵌入到U-Net的编码器中，通过Transformer提取全局特征，结合U-Net的跳跃连接，融合局部特征与全局特征，既保留了U-Net对细节特征的提取能力，又增强了对全局特征的捕捉能力，提升对复杂形态肿瘤的分割效果[3]。基于Transformer的分割算法的优点是能够捕捉图像的长距离依赖关系，对形态复杂、空间分布不规则的脑肿瘤具有良好的适应性，分割精度高于U-Net及其变体，尤其是对大尺寸、边界模糊的肿瘤分割效果更优[4]；缺点是计算量巨大，需要大量的标注训练数据和强大的计算资源，训练时间长，对小样本数据的适应性较差，且算法复杂度高，难以