2026《脑肿瘤MRI图像介绍及图像分割算法理论基础综述》

2026《脑肿瘤MRI图像介绍及图像分割算法理论基础综述》摘要脑肿瘤作为一种发病率逐年攀升、致死率高的神经系统疾病，早期精准诊断与精准治疗是改善患者预后的关键。磁共振成像（MRI）凭借无电离辐射、高软组织分辨率、多序列成像等优势，成为脑肿瘤临床诊断、分期、治疗方案制定及疗效评估的核心影像学手段。脑肿瘤MRI图像分割作为连接原始影像与临床应用的重要桥梁，其核心是通过算法自动、精准地从复杂MRI影像中分割出肿瘤区域及亚结构（肿瘤核心、水肿区、强化区等），为临床医生提供客观、量化的诊断依据，同时支撑放疗靶区勾画、手术规划等精准医疗环节。本文系统介绍脑肿瘤MRI图像的成像原理、序列特征及常见脑肿瘤的MRI表现，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原理、优势与局限性，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1引言1.1研究背景脑肿瘤是指发生于颅腔内的肿瘤性病变，分为原发性脑肿瘤与转移性脑肿瘤两大类，其中原发性脑肿瘤以胶质瘤最为常见，占比超过40%，且恶性胶质瘤（如胶质母细胞瘤）的5年生存率不足10%[5]。随着人口老龄化加剧、环境因素变化及医学诊断技术的普及，脑肿瘤的发病率呈逐年上升趋势，给患者家庭及社会带来沉重的医疗负担。脑肿瘤的治疗效果高度依赖于早期精准诊断与个体化治疗方案的制定，而影像学检查是脑肿瘤早期检出、定位、定性的核心手段。目前，临床常用的脑肿瘤影像学检查方法包括计算机断层扫描（CT）、磁共振成像（MRI）、正电子发射计算机断层显像（PET）等[5]。其中，CT检查具有快速、便捷、成本低的优势，但软组织分辨率较低，难以清晰区分肿瘤与周围正常脑组织及水肿区，对微小肿瘤的检出敏感性不足；PET检查主要用于评估肿瘤的代谢活性，辅助判断肿瘤的恶性程度及转移情况，但存在电离辐射，且空间分辨率较低，无法精准显示肿瘤的解剖结构。相比之下，MRI凭借无电离辐射、多参数成像、高软组织分辨率等独特优势，能够清晰呈现脑肿瘤的大小、形态、位置、边界及与周围神经血管的毗邻关系，同时可通过多序列成像反映肿瘤的病理生理特征，成为脑肿瘤临床诊断与研究的首选影像学技术[3]。脑肿瘤MRI图像分割是医学图像处理领域的研究热点与难点，其本质是将MRI图像中具有不同灰度、纹理特征的区域进行分离，精准提取肿瘤区域及亚结构（肿瘤核心、水肿区、强化区等）[4]。在临床实践中，传统的手动分割方法依赖医生的临床经验，不仅耗时费力（单例患者的分割时间通常超过1小时），且分割结果受医生主观判断、经验水平的影响较大，存在个体差异大、重复性差等问题，难以满足大规模临床数据处理及精准医疗的需求[7]。因此，研发高效、精准、自动化的脑肿瘤MRI图像分割算法，实现肿瘤区域的自动识别与分割，具有重要的临床价值与研究意义。1.2研究意义本综述的研究意义主要体现在理论与临床两个层面。在理论层面，系统梳理脑肿瘤MRI图像的成像机制与序列特征，整合各类分割算法的理论基础，分析不同算法的核心优势与局限性，明确当前研究的热点与不足，为后续分割算法的创新与优化提供理论支撑；同时，通过对比不同算法的性能，为研究人员选择合适的分割方法提供参考，推动脑肿瘤MRI图像分割理论体系的完善。在临床层面，清晰的脑肿瘤MRI图像分割结果能够为临床医生提供客观、量化的肿瘤特征参数（如肿瘤体积、形态、强化程度等），辅助医生进行脑肿瘤的分级、分期，精准判断肿瘤的恶性程度及浸润范围；同时，分割结果可直接应用于手术规划（如肿瘤切除范围确定）、放疗靶区勾画、治疗效果评估及预后预测，减少手动分割的主观误差，提高临床诊疗效率与精准度，最终改善患者的治疗效果与生存质量[5]。此外，自动化分割算法能够高效处理大规模脑肿瘤MRI数据，为脑肿瘤的流行病学研究、人工智能辅助诊断模型的研发提供数据支撑，推动精准医疗在脑肿瘤领域的应用与发展。1.3研究现状与发展趋势近年来，随着医学影像学、计算机视觉、人工智能等领域的快速发展，脑肿瘤MRI图像分割技术取得了显著进展。早期的分割算法以传统图像分割方法为主，如阈值分割、区域生长、边缘检测等，这类算法原理简单、计算量小，但对图像噪声、灰度不均匀性及肿瘤边界模糊等问题的适应性较差，分割精度有限，难以满足临床需求[7]。随着机器学习技术的兴起，基于机器学习的分割算法（如支持向量机、随机森林、K-均值聚类等）逐渐应用于脑肿瘤MRI图像分割，通过提取图像的灰度、纹理、形状等特征，利用机器学习模型实现肿瘤区域的分类与分割，相比传统算法，分割精度有了一定提升，但仍存在特征提取依赖人工、对复杂肿瘤形态适应性不足等问题[4]。近五年，深度学习技术的快速发展为脑肿瘤MRI图像分割带来了革命性突破，基于卷积神经网络（CNN）的分割算法（如U-Net、V-Net、ResNet等）凭借强大的自动特征提取能力与端到端的分割优势，大幅提升了分割精度与效率，成为当前脑肿瘤MRI图像分割的主流方法[3]。这类算法能够自动学习MRI图像中的深层特征，适应不同类型、不同形态的脑肿瘤，分割性能远超传统算法与传统机器学习算法，部分算法的分割精度已接近甚至达到临床医生的手动分割水平[1]。目前，脑肿瘤MRI图像分割技术的研究热点主要集中在多模态MRI图像融合分割、小样本学习分割、弱监督分割、跨模态迁移学习分割等方向，旨在解决临床中存在的样本量不足、分割精度不均、泛化能力差等问题[4]。未来，随着人工智能技术与医学影像学的深度融合，脑肿瘤MRI图像分割算法将朝着更精准、更高效、更鲁棒、更具临床实用性的方向发展，逐步实现从实验室研究到临床常规应用的转化，为脑肿瘤的精准诊疗提供更加强有力的技术支撑。1.4综述结构本文共分为6个章节，具体结构如下：第1章为引言，阐述脑肿瘤MRI图像分割的研究背景、研究意义、研究现状及发展趋势，明确本文的研究内容与结构；第2章介绍脑肿瘤MRI图像的相关基础，包括MRI成像原理、常用成像序列及常见脑肿瘤的MRI特征；第3章梳理脑肿瘤MRI图像分割的核心理论基础，包括图像分割的基本概念、评价指标及常用预处理方法；第4章系统介绍各类脑肿瘤MRI图像分割算法，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原理、优势与局限性；第5章探讨当前脑肿瘤MRI图像分割技术面临的挑战，并对未来发展趋势进行展望；第6章为结论，总结本文的主要研究内容与核心观点，梳理当前分割技术的研究成果与不足。2脑肿瘤MRI图像基础2.1MRI成像原理磁共振成像（MRI）是基于原子核磁共振现象的成像技术，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，通过计算机处理生成断层图像[3]。人体组织中含有大量的氢原子核，不同组织中的氢原子核密度、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。具体而言，当人体处于强磁场中时，氢原子核会沿着磁场方向定向排列，此时施加一个与磁场方向垂直的射频脉冲，氢原子核会吸收射频能量，从低能级跃迁到高能级；当射频脉冲停止后，氢原子核会释放吸收的能量，逐渐恢复到原来的定向排列状态，这个过程称为弛豫过程。弛豫过程分为两种：T1弛豫（纵向弛豫），即氢原子核恢复到纵向磁场方向的过程，其时间常数称为T1弛豫时间；T2弛豫（横向弛豫），即氢原子核在横向平面上的相位一致性逐渐消失的过程，其时间常数称为T2弛豫时间[3]。不同组织的氢原子核密度、T1弛豫时间、T2弛豫时间存在显著差异，例如，脑脊液中氢原子核密度高，T1弛豫时间长、T2弛豫时间长，在T1加权像上呈低信号，在T2加权像上呈高信号；脑组织中氢原子核密度中等，T1弛豫时间、T2弛豫时间适中，在T1加权像上呈中等信号，在T2加权像上呈中等信号；脑肿瘤组织的氢原子核密度、弛豫时间与正常脑组织存在差异，且不同类型、不同级别的脑肿瘤之间也存在差异，这种差异通过MRI设备检测并转化为灰度信号，形成能够区分不同组织的MRI图像[6]。MRI成像具有无电离辐射、高软组织分辨率、多参数成像、可任意方位断层成像等优势，能够清晰呈现脑肿瘤的解剖结构与病理生理特征，为脑肿瘤的诊断与分割提供了丰富的影像信息[5]。但同时，MRI图像也存在一些固有缺陷，如成像时间长、易受运动伪影、磁场不均匀性影响，导致图像出现灰度不均匀、噪声等问题，给后续的图像分割带来一定挑战[3]。2.2脑肿瘤MRI常用成像序列为了全面呈现脑肿瘤的特征，临床中通常采用多序列MRI成像，不同序列的成像原理不同，对肿瘤组织与正常组织的显示侧重点也不同，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）、弥散加权成像（DWI）、灌注加权成像（PWI）及增强扫描序列等[3]。各序列的核心特点与临床应用如下：2.2.1T1加权像（T1WI）T1加权像的成像重点是突出不同组织的T1弛豫时间差异，其图像对比度主要由组织的T1弛豫时间决定。在T1WI中，T1弛豫时间短的组织呈高信号（亮度高），T1弛豫时间长的组织呈低信号（亮度低）[3]。临床中，T1WI主要用于显示脑肿瘤的解剖位置、形态及与周围正常脑组织的边界，能够清晰呈现肿瘤对周围脑组织的压迫、移位情况，为肿瘤的定位诊断提供重要依据。常见组织在T1WI中的信号特征：脂肪组织T1弛豫时间最短，呈高信号；正常脑组织（灰质、白质）呈中等信号，其中白质信号高于灰质；脑脊液T1弛豫时间长，呈低信号；脑肿瘤组织的信号因肿瘤类型、级别不同而有所差异，多数恶性肿瘤（如胶质母细胞瘤）呈低信号或混杂信号，良性肿瘤（如脑膜瘤）可呈等信号或稍高信号[6]。2.2.2T2加权像（T2WI）T2加权像的成像重点是突出不同组织的T2弛豫时间差异，其图像对比度主要由组织的T2弛豫时间决定。在T2WI中，T2弛豫时间长的组织呈高信号，T2弛豫时间短的组织呈低信号[3]。T2WI对病变组织的敏感性较高，能够清晰显示脑肿瘤的范围、水肿区及肿瘤内部的囊变、坏死情况，是检测脑肿瘤的重要序列。常见组织在T2WI中的信号特征：脑脊液T2弛豫时间最长，呈高信号；水肿区、肿瘤组织（尤其是恶性肿瘤）呈高信号；正常脑组织中，灰质信号高于白质；脂肪组织呈高信号，但信号强度低于脑脊液；钙化、出血灶呈低信号[6]。T2WI的优势在于能够清晰区分肿瘤与周围水肿区，但对肿瘤边界的显示不如T1WI清晰，通常需要与T1WI结合使用。2.2.3T2液体衰减反转恢复序列（T2-FLAIR）T2-FLAIR序列是在T2WI基础上改进的序列，其核心作用是抑制脑脊液的高信号，从而突出显示脑实质内的病变组织（如肿瘤、水肿区）[3]。在常规T2WI中，脑脊液呈高信号，容易与脑实质内的高信号病变（如肿瘤水肿）混淆，而T2-FLAIR序列通过反转脉冲抑制脑脊液的信号，使脑脊液呈低信号，同时保留肿瘤、水肿区的高信号，能够更清晰地显示肿瘤的范围及水肿程度，尤其适用于显示脑室周围、脑沟旁的肿瘤及微小肿瘤[1]。T2-FLAIR序列是脑肿瘤MRI成像中不可或缺的序列，其对肿瘤水肿区的显示精度高于T2WI，能够为肿瘤的浸润范围判断提供更准确的依据，同时有助于微小肿瘤的早期检出[6]。2.2.4弥散加权成像（DWI）DWI是基于水分子弥散运动的成像序列，其核心原理是通过检测人体组织中水分子的弥散速度与方向，反映组织的微观结构[3]。水分子在正常脑组织中呈自由弥散状态，而在肿瘤组织中，由于肿瘤细胞密度高、细胞间隙小，水分子的弥散运动受到限制，因此在DWI图像中，肿瘤组织呈高信号，正常脑组织呈低信号或中等信号[5]。DWI的主要临床应用包括：区分肿瘤的良恶性，恶性肿瘤细胞密度高，水分子弥散受限明显，DWI信号更高；判断肿瘤的浸润范围，肿瘤浸润区域的水分子弥散运动也会受到限制，可通过DWI清晰显示；鉴别肿瘤与水肿区，水肿区水分子弥散运动相对自由，DWI信号低于肿瘤组织[6]。此外，DWI还可用于评估肿瘤的治疗效果，治疗后肿瘤细胞坏死，水分子弥散运动恢复，DWI信号会降低。2.2.5灌注加权成像（PWI）PWI是用于评估组织血流灌注情况的成像序列，其核心原理是通过注射对比剂，检测对比剂在脑组织中的分布与代谢情况，反映组织的血供状态[3]。脑肿瘤的血供情况与肿瘤的恶性程度密切相关，恶性肿瘤通常血供丰富，对比剂摄取快、排泄慢，在PWI图像中表现为高灌注；良性肿瘤血供相对较少，表现为低灌注或中等灌注[1]。PWI的临床应用主要包括：判断肿瘤的恶性程度，高灌注通常提示恶性程度较高；区分肿瘤复发与治疗后改变（如放射性坏死），肿瘤复发区域血供丰富，呈高灌注，而放射性坏死区域血供稀少，呈低灌注；评估肿瘤的浸润范围，肿瘤浸润区域的血供会发生改变，可通过PWI辅助判断[5]。但由于PWI需要注射对比剂，存在一定的侵入性，且成像时间较长，在临床应用中需根据患者情况合理选择。2.2.6增强扫描序列增强扫描序列是指在注射对比剂（如钆剂）后进行的MRI成像，其核心原理是对比剂能够进入血供丰富的组织，缩短组织的T1弛豫时间，使组织在T1WI中呈高信号，从而突出显示血供丰富的区域[3]。脑肿瘤的增强表现与肿瘤的血供情况、血管通透性密切相关，不同类型、不同级别的脑肿瘤具有不同的增强特征，是肿瘤定性诊断的重要依据[8]。常见的增强模式包括：均匀强化（如良性脑膜瘤）、不均匀强化（如恶性胶质瘤）、环形强化（如胶质母细胞瘤、转移瘤）、无强化（如低级别胶质瘤、囊肿）[6]。增强扫描序列能够清晰显示肿瘤的边界、肿瘤内部的血供分布及肿瘤与周围血管的关系，为肿瘤的定性诊断、分期及治疗方案制定提供重要参考，同时也有助于提高肿瘤分割的精度，尤其是对肿瘤强化区的分割[1]。2.3常见脑肿瘤的MRI特征不同类型、不同级别的脑肿瘤，其MRI特征存在显著差异，这些差异是肿瘤定性诊断与分割的重要依据。以下重点介绍临床中常见的脑肿瘤（胶质瘤、脑膜瘤、转移瘤、生殖细胞瘤、髓母细胞瘤）的MRI特征[2][6][8]：2.3.1胶质瘤胶质瘤是起源于神经胶质细胞的原发性脑肿瘤，占原发性脑肿瘤的40%~50%，根据WHO分级可分为低级别（Ⅰ-Ⅱ级）和高级别（Ⅲ-Ⅳ级），其MRI特征与分级密切相关：（1）低级别胶质瘤（Ⅰ-Ⅱ级）：主要包括毛细胞型星形细胞瘤、弥漫性星形细胞瘤等。毛细胞型星形细胞瘤好发于儿童和青少年，常见于小脑、下丘脑和视神经通路，MRI表现为边界相对清晰的囊性或囊实性肿块，T1WI呈低信号，T2WI及FLAIR序列呈明亮高信号，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，瘤周水肿较轻。弥漫性星形细胞瘤好发于成人大脑半球，T1WI呈低信号，T2WI呈高信号，增强扫描呈不均匀轻度强化，边界欠清晰，瘤周水肿较轻，生长速度较慢。（2）高级别胶质瘤（Ⅲ-Ⅳ级）：主要包括间变性星形细胞瘤（Ⅲ级）、胶质母细胞瘤（Ⅳ级）。胶质母细胞瘤是成人最常见的原发性恶性脑肿瘤，具有高度侵袭性，MRI表现为形态不规则，边界不清，T1WI呈混杂低信号（含坏死、出血），T2WI及FLAIR呈混杂高信号，增强扫描呈显著不均匀强化，典型者呈“花环样”强化（中心为坏死囊变区，周边为肿瘤实质强化带），瘤周水肿明显，占位效应显著，可伴有中线结构移位；DWI序列上，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。2.3.2脑膜瘤脑膜瘤起源于蛛网膜帽状细胞，是最常见的脑外肿瘤，约80%为良性（WHOⅠ级），少数为恶性（WHOⅡ-Ⅲ级），其MRI特征具有较强的特异性：良性脑膜瘤多位于脑表面，与脑膜广基底相连（“宽基底附着”是其标志性特征），T1WI上呈等信号或稍高信号，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，部分可出现“脑膜尾征”（肿瘤附着处的脑膜呈线条状或斑片状强化），瘤周水肿较轻，占位效应根据肿瘤大小而定。恶性脑膜瘤的MRI表现与良性脑膜瘤相似，但信号更不均匀，增强扫描呈不均匀强化，边界欠清晰，瘤周水肿明显，可出现侵犯周围脑组织、颅骨破坏等表现。2.3.3转移瘤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）转移至脑部形成的，多为多发，少数为单发，其MRI特征具有一定的规律性：单发转移瘤多位于大脑半球灰白质交界区，T1WI呈低信号，T2WI呈高信号，增强扫描呈环形强化，中心为坏死囊变区，周边水肿明显（“小肿瘤、大水肿”是其典型特征）；多发转移瘤表现为大脑半球内多个大小不等的结节状病灶，T1WI呈低信号，T2WI呈高信号，增强扫描呈多个环形或结节状强化，瘤周水肿明显，占位效应根据病灶数量和大小而定。DWI序列上，转移瘤实性部分呈高信号，ADC值降低，有助于与良性结节鉴别。2.3.4生殖细胞瘤生殖细胞瘤主要好发于儿童和青少年，多见于松果体区、鞍上区，少数可发生于基底节区，多为良性，MRI特征如下：松果体区生殖细胞瘤：T1WI呈等信号或稍高信号，T2WI呈稍高信号，信号均匀，边界清晰，增强扫描呈均匀强化，可伴有脑积水（因压迫中脑导水管导致脑脊液循环受阻）；鞍上生殖细胞瘤：T1WI呈等信号或稍高信号，T2WI呈稍高信号，增强扫描呈均匀强化，可侵犯垂体、视交叉，导致视力下降、内分泌紊乱等症状。2.3.5髓母细胞瘤髓母细胞瘤起源于小脑蚓部，好发于儿童（5-10岁），是高度恶性的原发性脑肿瘤，MRI特征如下：肿瘤多位于小脑蚓部，可向第四脑室侵犯，T1WI呈低信号，T2WI呈高信号，信号不均匀（可伴有囊变、钙化），增强扫描呈不均匀强化，边界欠清晰，瘤周水肿较轻，但占位效应明显，可导致梗阻性脑积水；DWI序列上，肿瘤呈高信号，ADC值降低，反映肿瘤细胞密度高，侵袭性强。2.4脑肿瘤MRI图像的固有问题尽管脑肿瘤MRI图像能够提供丰富的肿瘤特征信息，但由于成像过程中的各种因素影响，MRI图像存在一些固有问题，这些问题会影响后续图像分割的精度，主要包括[3]：（1）灰度不均匀性：由于磁场强度不均匀、组织磁化率差异、射频脉冲不均匀等因素，导致MRI图像中同一组织的灰度值存在差异，出现“伪影”，影响肿瘤区域与正常组织的区分，尤其是对边界模糊的肿瘤分割影响较大。（2）噪声干扰：MRI成像过程中，受到设备性能、患者运动、电磁干扰等因素影响，图像中会出现噪声（如高斯噪声、椒盐噪声），噪声会破坏图像的细节信息，导致肿瘤边界模糊，影响分割算法的准确性。（3）肿瘤边界模糊：部分脑肿瘤（如低级别胶质瘤）与周围正常脑组织的灰度、纹理特征差异较小，且肿瘤呈浸润性生长，没有明确的边界，导致分割算法难以精准区分肿瘤与正常脑组织。（4）肿瘤形态不规则：脑肿瘤的形态多样，且不同患者的肿瘤形态差异较大，部分肿瘤呈不规则形、分叶状，且可能伴有囊变、坏死、出血等情况，增加了分割的难度。（5）多模态图像配准误差：临床中多采用多序列MRI成像，不同序列的图像在空间位置上可能存在轻微偏差（如患者头部轻微运动导致），若配准不准确，会影响多模态图像融合分割的精度。针对上述问题，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、灰度校正、配准等），以改善图像质量，为后续的分割算法提供良好的输入，提高分割精度。3脑肿瘤MRI图像分割理论基础3.1图像分割的基本概念与原理图像分割是指将数字图像按照一定的规则划分为若干个互不重叠、具有相似特征（如灰度、纹理、形状、颜色等）的区域的过程，其核心目标是将感兴趣区域（如脑肿瘤区域）从背景区域（如正常脑组织、脑脊液、颅骨等）中分离出来[7]。脑肿瘤MRI图像分割是图像分割技术在医学领域的具体应用，其本质是根据脑肿瘤组织与正常脑组织在MRI图像中的特征差异，通过算法自动识别并提取肿瘤区域及亚结构。图像分割的基本原理是利用图像中不同区域的特征差异，通过设定合适的分割准则，将图像划分为不同的区域。根据分割准则的不同，图像分割可分为基于阈值的分割、基于区域的分割、基于边缘的分割、基于特征的分割等多种类型[4]。脑肿瘤MRI图像分割的核心要求是：分割结果准确（能够精准区分肿瘤与正常脑组织，避免过分割或欠分割）、分割过程自动化（减少人工干预）、分割效率高（能够快速处理临床大规模数据）、鲁棒性强（能够适应不同类型、不同形态的脑肿瘤及不同质量的MRI图像）。脑肿瘤MRI图像分割的流程通常包括：图像预处理、特征提取、分割算法实现、分割结果后处理、分割性能评价五个步骤[3]。其中，图像预处理用于改善图像质量，消除噪声、灰度不均匀等问题；特征提取用于提取图像中能够区分肿瘤与正常脑组织的特征（如灰度特征、纹理特征、形状特征等）；分割算法实现是核心步骤，通过选择合适的分割算法，实现肿瘤区域的自动分割；分割结果后处理用于修正分割结果中的误差（如去除小的伪影区域、填补分割漏洞等）；分割性能评价用于评估分割结果的准确性，为算法的优化提供依据。3.2脑肿瘤MRI图像分割的评价指标为了客观、准确地评估脑肿瘤MRI图像分割算法的性能，需要建立一套科学、合理的评价指标。评价指标通常分为两类：一类是基于像素水平的评价指标，用于衡量分割结果与真实标签（手动分割结果）之间的像素匹配程度；另一类是基于区域水平的评价指标，用于衡量分割结果与真实标签之间的区域特征（如体积、形态）匹配程度[4]。常用的评价指标如下：3.2.1像素水平评价指标（1）dice相似系数（DiceSimilarityCoefficient,DSC）：是脑肿瘤MRI图像分割中最常用的评价指标，用于衡量分割结果（S）与真实标签（G）之间的重叠程度，计算公式为：DSC=2×|S∩G|/(|S|+|G|)，其中|S∩G|表示分割结果与真实标签的交集像素数，|S|表示分割结果的像素数，|G|表示真实标签的像素数。DSC的取值范围为[0,1]，DSC值越接近1，说明分割结果与真实标签的重叠程度越高，分割精度越高。通常认为，DSC≥0.7时，分割结果具有临床实用性，而U-Net等深度学习算法的DSC值可达到0.9以上[1]。（2）交并比（IntersectionoverUnion,IoU）：又称雅卡尔系数（JaccardCoefficient），用于衡量分割结果与真实标签的交集占并集的比例，计算公式为：IoU=|S∩G|/|S∪G|，其中|S∪G|表示分割结果与真实标签的并集像素数。IoU的取值范围为[0,1]，IoU值越接近1，分割精度越高，其与DSC的关系为：DSC=2×IoU/(1+IoU)。（3）灵敏度（Sensitivity,Sen）：又称召回率（Recall），用于衡量真实标签中的肿瘤像素被正确分割出来的比例，计算公式为：Sen=|S∩G|/|G|。Sen的取值范围为[0,1]，Sen值越接近1，说明分割算法对肿瘤区域的检出能力越强，能够有效避免欠分割。（4）特异度（Specificity,Spe）：用于衡量背景区域中的像素被正确识别为背景的比例，计算公式为：Spe=|¬S∩¬G|/|¬G|，其中¬S表示分割结果的背景区域，¬G表示真实标签的背景区域。Spe的取值范围为[0,1]，Spe值越接近1，说明分割算法对背景区域的识别能力越强，能够有效避免过分割。（5）准确率（Accuracy,Acc）：用于衡量分割结果中正确分类的像素占总像素数的比例，计算公式为：Acc=(|S∩G|+|¬S∩¬G|)/|Total|，其中|Total|表示图像的总像素数。Acc的取值范围为[0,1]，Acc值越接近1，分割结果的整体准确性越高，但由于脑肿瘤区域在MRI图像中占比较小，Acc容易受到背景像素的影响，单独使用Acc难以全面评估分割性能，通常需要与DSC、Sen、Spe等指标结合使用。3.2.2区域水平评价指标（1）体积相似度（VolumeSimilarity,VS）：用于衡量分割结果与真实标签的体积差异，计算公式为：VS=1-|V_S-V_G|/(V_S+V_G)，其中V_S表示分割结果的体积，V_G表示真实标签的体积。VS的取值范围为[0,1]，VS值越接近1，说明分割结果与真实标签的体积越接近，分割精度越高，该指标对肿瘤体积量化分析具有重要意义。（2）豪斯多夫距离（HausdorffDistance,HD）：用于衡量分割结果与真实标签边界之间的最大距离，计算公式为：HD(S,G)=max{sup_{x∈S}inf_{y∈G}||x-y||,sup_{y∈G}inf_{x∈S}||x-y||}，其中||x-y||表示像素x与像素y之间的欧氏距离。HD值越小，说明分割结果与真实标签的边界越接近，分割的边界精度越高。为了避免异常值的影响，通常采用95%豪斯多夫距离（HD95），即排除最大的5%距离值后的最大值，更能反映分割边界的整体精度。（3）平均表面距离（AverageSurfaceDistance,ASD）：用于衡量分割结果与真实标签边界之间的平均距离，计算公式为：ASD=(1/(|B_S|+|B_G|))×(Σ_{x∈B_S}inf_{y∈B_G}||x-y||+Σ_{y∈B_G}inf_{x∈B_S}||x-y||)，其中B_S表示分割结果的边界像素集，B_G表示真实标签的边界像素集。ASD值越小，说明分割结果的边界越接近真实标签，边界分割精度越高。3.2.3评价指标的选择原则在实际研究中，选择评价指标时应遵循以下原则：①全面性：选择能够从不同角度反映分割性能的指标，如像素水平与区域水平指标结合使用；②针对性：根据分割任务的需求选择合适的指标，如重点关注肿瘤区域的检出能力时，优先选择Sen；重点关注边界精度时，优先选择HD、ASD；③客观性：选择能够客观量化分割结果的指标，避免主观评价；④通用性：选择在领域内广泛认可、常用的指标（如DSC、IoU），便于不同算法之间的对比。3.3脑肿瘤MRI图像预处理方法如2.4节所述，脑肿瘤MRI图像存在灰度不均匀、噪声干扰、配准误差等问题，这些问题会严重影响分割算法的精度，因此，在进行图像分割前，需要对MRI图像进行预处理，改善图像质量，为后续分割提供良好的输入。常用的预处理方法主要包括：去噪、灰度校正、图像配准、skullstripping（颅骨去除）、插值与重采样等[3]。3.3.1去噪处理去噪处理的核心目标是消除MRI图像中的噪声，同时保留图像的细节信息（如肿瘤边界、微小病灶）。MRI图像中的噪声主要为高斯噪声（由设备电子元件、热噪声等引起）和椒盐噪声（由图像采集过程中的干扰引起），常用的去噪方法如下：（1）高斯滤波：是一种线性滤波方法，通过构建高斯核函数，对图像中的每个像素进行加权平均，从而抑制噪声。高斯滤波的优点是计算简单、对高斯噪声的抑制效果较好，缺点是会使图像边缘变得模糊，影响肿瘤边界的清晰度，因此通常用于噪声较强、边缘要求不高的场景。（2）中值滤波：是一种非线性滤波方法，通过取像素邻域内的中值作为该像素的灰度值，能够有效抑制椒盐噪声，同时对图像边缘的保留效果较好，是脑肿瘤MRI图像去噪中常用的方法。中值滤波的优点是计算简单、去噪效果好，缺点是对高斯噪声的抑制效果不如高斯滤波，通常需要根据噪声类型选择合适的滤波窗口大小。（3）小波变换去噪：是一种基于多尺度分析的去噪方法，通过将图像分解为不同尺度的小波系数，对噪声对应的小波系数进行阈值处理（抑制噪声系数，保留信号系数），然后通过小波逆变换重构图像。小波变换去噪能够有效抑制多种类型的噪声，同时较好地保留图像的细节信息，适用于对图像边缘要求较高的脑肿瘤MRI图像去噪，但计算量相对较大。（4）非局部均值去噪（Non-LocalMeans,NLM）：是一种基于相似性的去噪方法，通过寻找图像中与当前像素相似的像素块，对其进行加权平均，从而抑制噪声。NLM去噪的优点是去噪效果好，能够较好地保留图像的细节信息和边缘特征，适用于脑肿瘤MRI图像的去噪，但计算量较大，需要进行优化以提高处理效率。3.3.2灰度校正灰度校正的核心目标是解决MRI图像的灰度不均匀问题，使同一组织的灰度值保持一致，提高图像的对比度，便于后续的特征提取与分割。常用的灰度校正方法如下：（1）直方图均衡化：通过调整图像的灰度直方图，使图像的灰度值均匀分布，提高图像的对比度。直方图均衡化的优点是计算简单、效果明显，缺点是会增强图像中的噪声，且可能导致图像细节丢失，适用于灰度分布不均匀且噪声较弱的图像。（2）自适应直方图均衡化（AdaptiveHistogramEqualization,AHE）：是直方图均衡化的改进方法，将图像划分为多个子区域，对每个子区域分别进行直方图均衡化，能够更好地保留图像的局部细节，避免全局均衡化导致的细节丢失，适用于灰度不均匀程度较严重的MRI图像。（3）N3校正：是专门针对MRI图像灰度不均匀性的校正方法，通过建立灰度不均匀性模型，对图像进行迭代校正，能够有效消除磁场不均匀、射频脉冲不均匀等因素导致的灰度不均匀，是脑肿瘤MRI图像灰度校正中常用的方法。N3校正的优点是校正效果好，适用于各种类型的MRI图像，缺点是计算量较大。（4）BiasFieldCorrection（偏置场校正）：偏置场是导致MRI图像灰度不均匀的主要原因之一，偏置场校正通过估计偏置场函数，将其从原始图像中去除，从而实现灰度校正。常用的偏置场校正方法包括多项式拟合、高斯过程回归等，能够有效改善图像的灰度均匀性，提高分割精度。3.3.3图像配准在多模态MRI成像中，不同序列的图像（如T1WI、T2WI、FLAIR）是在不同时间、不同条件下采集的，可能存在空间位置偏差（如患者头部轻微运动、设备误差等），图像配准的核心目标是将不同序列的MRI图像对齐到同一空间坐标系中，确保同一解剖位置的像素对应一致，为多模态图像融合分割提供基础[3]。脑肿瘤MRI图像配准根据配准的维度可分为2D配准和3D配准，临床中多采用3D配准（因为脑肿瘤是三维结构，3D配准能够更准确地反映肿瘤的空间位置）；根据配准的方法可分为刚性配准、affine配准和非线性配准：（1）刚性配准：仅考虑图像的平移、旋转、缩放等刚性变换，适用于图像之间的几何变形较小的情况（如同一患者不同序列的MRI图像），计算量小、配准速度快，是脑肿瘤MRI图像配准中最常用的方法。（2）affine配准：在刚性变换的基础上，增加了剪切变换，能够适应图像之间的轻微非线性变形，配准精度高于刚性配准，适用于图像之间存在轻微几何变形的情况。（3）非线性配准：能够适应图像之间的复杂非线性变形（如脑组织水肿、肿瘤压迫导致的变形），配准精度最高，但计算量较大、配准速度较慢，适用于对配准精度要求较高的场景（如肿瘤浸润范围评估）。常用的配准算法包括互信息法、归一化互相关法、基于特征的配准法等，其中互信息法由于对图像灰度变化的适应性强、配准精度高，被广泛应用于脑肿瘤MRI图像配准[4]。3.3.4颅骨去除（SkullStripping）脑肿瘤MRI图像中，颅骨、头皮等非脑组织区域会对肿瘤分割造成干扰，颅骨去除的核心目标是将颅骨、头皮等非脑组织区域从图像中去除，只保留脑实质区域（包括脑组织、肿瘤、脑脊液等），减少无关区域对分割算法的影响[3]。常用的颅骨去除方法如下：（1）基于阈值的方法：根据颅骨与脑实质的灰度差异，设定合适的阈值，将灰度值高于阈值的颅骨区域去除，适用于颅骨与脑实质灰度差异明显的图像，但对灰度不均匀的图像效果较差。（2）基于区域生长的方法：以脑实质内部的种子点为起点，根据灰度相似性准则，逐步生长出脑实质区域，从而实现颅骨去除，适用于脑实质边界清晰的图像，但对种子点的选择较为敏感。（3）基于模板匹配的方法：利用预先构建的脑实质模板，与原始MRI图像进行配准，通过模板匹配去除颅骨区域，配准精度高，但需要高质量的模板，且对图像的变形适应性较差。（4）基于深度学习的方法：近年来，基于CNN的颅骨去除方法逐渐兴起，通过训练深度学习模型，自动识别脑实质区域与颅骨区域，实现颅骨的自动去除，具有去除效果好、适应性强等优点，是当前颅骨去除的研究热点。3.3.5插值与重采样不同序列的MRI图像可能具有不同的空间分辨率（如T1WI的空间分辨率为1mm×1mm×1mm，DWI的空间分辨率为2mm×2mm×2mm），插值与重采样的核心目标是将不同分辨率的图像统一到同一空间分辨率，便于后续的多模态图像融合与分割[3]。常用的插值方法包括最近邻插值、线性插值、三次样条插值等：（1）最近邻插值：将距离目标像素最近的原始像素的灰度值作为目标像素的灰度值，计算简单、速度快，但插值后的图像会出现锯齿状伪影，精度较低，适用于对精度要求不高的场景。（2）线性插值：通过目标像素周围的4个（2D）或8个（3D）原始像素的灰度值进行线性加权计算，得到目标像素的灰度值，插值精度高于最近邻插值，图像平滑，是脑肿瘤MRI图像插值中常用的方法。（3）三次样条插值：通过目标像素周围的16个（2D）或64个（3D）原始像素的灰度值进行三次样条拟合，得到目标像素的灰度值，插值精度最高，图像最平滑，但计算量较大，适用于对精度要求较高的场景。4脑肿瘤MRI图像分割算法脑肿瘤MRI图像分割算法的发展经历了从传统分割算法到基于机器学习的分割算法，再到基于深度学习的分割算法的三个阶段。各类算法的核心原理、优势与局限性存在显著差异，以下系统介绍各类分割算法的理论基础、实现方法及应用情况。4.1传统分割算法传统分割算法是最早应用于脑肿瘤MRI图像分割的算法，其核心特点是基于图像的灰度、边缘、区域等基础特征，通过简单的数学模型或规则实现分割，具有原理简单、计算量小、易于实现等优点，但对图像噪声、灰度不均匀性、肿瘤边界模糊等问题的适应性较差，分割精度有限，主要适用于肿瘤边界清晰、噪声较小的MRI图像[7]。常用的传统分割算法包括阈值分割法、区域生长法、边缘检测法、形态学分割法等。4.1.1阈值分割法阈值分割法是最简单、最基础的图像分割方法，其核心原理是根据图像中目标区域（肿瘤）与背景区域（正常脑组织）的灰度差异，设定一个或多个阈值，将图像中灰度值高于（或低于）阈值的像素划分为目标区域，其余像素划分为背景区域，从而实现目标区域的分割[7]。根据阈值的数量，阈值分割法可分为单阈值分割和多阈值分割：单阈值分割适用于目标区域与背景区域灰度差异明显的图像，通过设定一个阈值，将图像分为目标和背景两个区域；多阈值分割适用于目标区域内部或背景区域内部存在灰度差异的图像，通过设定多个阈值，将图像分为多个区域，能够更精准地分割肿瘤的不同亚结构（如肿瘤核心、水肿区）。常用的阈值确定方法包括[7]：①全局阈值法：根据图像的全局灰度直方图，设定一个固定的阈值，适用于图像灰度分布均匀、噪声较小的情况，如Otsu法（最大类间方差法），通过计算图像的类间方差，选择类间方差最大的灰度值作为阈值，是最常用的全局阈值确定方法；②局部阈值法：根据图像的局部灰度特征，为每个像素设定不同的阈值，适用于图像灰度不均匀的情况，能够有效避免全局阈值法导致的分割误差；③自适应阈值法：结合图像的全局与局部灰度特征，自动调整阈值，适用于不同质量的MRI图像，如自适应Otsu法。阈值分割法在脑肿瘤MRI图像分割中的应用：例如，在T2-FLAIR序列图像中，肿瘤及水肿区呈高信号，正常脑组织呈中等信号，脑脊液呈低信号（经FLAIR抑制），可通过Otsu法设定阈值，将高信号区域提取出来，作为肿瘤及水肿区的初步分割结果，再通过后续处理区分肿瘤与水肿区[3]。优势与局限性：优势是原理简单、计算量小、运行速度快，易于实现，适用于肿瘤边界清晰、灰度差异明显的MRI图像；局限性是对图像噪声、灰度不均匀性敏感，容易出现过分割或欠分割，难以处理边界模糊、形态不规则的肿瘤，且无法有效区分肿瘤的不同亚结构[4]。4.1.2区域生长法区域生长法是一种基于区域相似性的分割方法，其核心原理是从一个或多个预先选定的种子点（种子点通常位于目标区域内部）出发，根据预设的相似性准则（如灰度相似性、纹理相似性等），将与种子点具有相似特征的相邻像素逐步合并到种子点所在的区域，直到没有符合条件的像素可合并为止，从而形成完整的目标区域（肿瘤）[3]。区域生长法的关键要素包括：①种子点的选择：种子点的选择直接影响分割结果的准确性，常用的种子点选择方法包括手动选择（由医生根据经验确定）和自动选择（根据图像的灰度峰值、区域中心等特征自动确定）；②相似性准则：常用的相似性准则包括灰度阈值准则（相邻像素与种子点的灰度差小于预设阈值）、纹理相似性准则（相邻像素与种子点的纹理特征相似）、梯度准则（相邻像素的梯度值小于预设阈值，避免跨越边界）；③终止条件：当没有新的像素能够满足相似性准则并被