综述：肝脏及肝脏肿瘤数据高效深度学习分割的研究综述

《Neurocomputing》：Data efficient deep learning for liver and liver tumor segmentation: A comprehensive survey

本文系统回顾了92篇基于公开数据集（SLiver07、LiTS、MSD等）的研究，聚焦数据高效（data-efficient）深度学习在肝脏及肿瘤分割中的应用。综述涵盖成像模态（CT/MRI）、架构演进（CNN/Transformer）、预处理（如窗宽调整）与后处理技术，并指出标注数据稀缺、类不平衡等核心挑战，为开发临床可用的CAD系统提供重要参考。

　　

成像模态

医学影像在肝脏癌症的无创检测与监测中发挥核心作用。常用模态包括计算机断层扫描（CT）、磁共振成像（MRI）、超声（US）、正电子发射断层扫描-计算机断层扫描（PET-CT）及组织病理学成像。CT和增强CT因能清晰显示组织密度与血管结构，成为肝肿瘤识别的主流技术；MRI则凭借高软组织对比度在病灶定性中优势显著。多模态数据的融合进一步提升了分割精度与临床适用性。

预处理技术

医疗图像常含噪声、伪影及强度不均匀性，需通过预处理提升质量。常用方法包括灰度归一化、窗宽窗位调整、直方图均衡化以及图像插值重采样。针对肝脏特有的解剖邻域复杂、对比度低等特点，特定预处理如非肝脏器官掩蔽、对比度受限自适应直方图均衡化（CLAHE）被广泛采用，以突出肝实质与病变区域的边界信息。

深度学习架构演进

基于公开基准数据集的研究推动了分割模型从传统统计形状模型（SSM）向数据高效深度网络的演变。卷积神经网络（CNN）如U-Net及其变体（ResUNet、Attention U-Net）在LiTS、MSD等挑战中成为主流；Transformer架构通过捕捉长程依赖关系提升全局上下文建模能力；混合架构（CNN-Transformer）则兼顾局部特征与全局语义，在少量标注样本下仍保持竞争力。这类模型通过迁移学习、半监督学习等策略缓解数据稀缺压力。

后处理优化

初始分割结果易受肝脏形态变异及肿瘤异质性影响，常出现假阳性或轮廓不连续。后处理技术如连通成分分析、形态学操作（开闭运算）、条件随机场（CRF）及水平集演化被用于优化边界平滑度与区域一致性。例如，针对肝肿瘤的小尺寸与分散分布，基于体积阈值的误报滤除可显著提升分割特异性。

挑战与对策

肝脏与肿瘤分割面临三大类挑战：预处理阶段的数据异质性（如扫描协议差异）、分析阶段的类不平衡（肿瘤像素占比极低）及后处理的边界模糊问题。应对策略包括生成对抗网络（GAN）进行数据增强、设计加权损失函数（如Dice Loss+Focal Loss）缓解样本不平衡，以及引入领域自适应（Domain Adaptation）提升模型跨中心泛化能力。未来方向聚焦少样本学习（FSL）、提示学习（Prompt-based Learning）等前沿范式，以缩小研究与临床应用的差距。

总结与展望

数据高效深度学习模型依托公开基准数据集（如SLiver07、LiTS、CHAOS），显著推进了肝脏及肿瘤分割的自动化进程。通过系统整合多模态影像、优化网络架构与训练策略，当前方法已在标注数据有限条件下实现竞争性性能。然而，模型鲁棒性、标注一致性及临床可解释性仍是亟待突破的瓶颈。未来工作需强化人机协同诊断框架，推动算法在真实医疗场景中的落地应用。