深度学习下的医学图像分割综述

来源：计算机工程与应用杂志2025年第7期北京时间：

作者：邢素霞, 李珂娴, 方俊泽, 郭正, 赵士杭

单位：北京工商大学 计算机与人工智能学院，北京 100048

摘要：针对医学图像的高维性、复杂性和高精度要求等特性，深度学习下的医学图像分割方法凭借其强大的特征提取能力和对复杂模式的学习能力，能够自适应地从大量数据中学习并提取多层次特征，展现出高精度、高鲁棒性和可扩展性强等优势。通过端到端地提取感兴趣的器官、组织或病变区域，为医生在疾病诊断、制定治疗策略和临床研究等领域提供有力帮助。重点综述了U-Net、Transformer、Mamba、分割一切模型（segment anything model，SAM）及其各自变体模型在医学图像分割中的应用情况和发展脉络，从多个维度进行了综合对比分析，对开展医学影像研究、临床疾病诊断与治疗决策，以及医疗技术创新产品开发均具有一定参考价值。在此基础上，总结了目前医学图像分割研究中面临的挑战，并对该领域未来的研究前景进行展望。

关键词：医学图像分割,深度学习,U-Net,Transformer,Mamba,分割一切模型（SAM）