医学影像分割技术演进与公平性评估：从传统方法到深度学习及AI模型在胸部X射线扫描中的挑战与前景

　　本综述系统梳理了医学影像分割（MIS）的技术发展脉络，涵盖从传统方法（如阈值分割、边缘检测）到前沿深度学习模型（CNN、U-Net、Transformer等），并探讨半监督学习、生成对抗网络（GAN）和联邦学习在解决标注数据稀缺和模型泛化中的应用。文章特别关注不同影像模态（CT、MRI、X-ray等）的独特挑战，并通过腰椎分割案例突显临床价值，为研究者提供全面技术参考与发展方向展望。

　　

Section snippets

Related works

众多综述论文试图描绘当代医学影像分割（MIS）研究的不同维度。文献[5]采用基于模态的分类法，作者区分了六种成像模态（CT、MRI、超声、X射线、OCT和PET扫描）并分别综述了各项工作。文献[14]对MIS领域的最新突破进行了调研，重点关注技术挑战和新兴研究趋势，如知识蒸馏、对比学习、医学Transformer模型等。

Traditional medical image segmentation approaches

在数据驱动的分割方法兴起之前，大多数研究集中于数学模型和低层图像处理技术[17]，包括阈值分割、边缘检测、基于区域的聚类算法、图论以及基于模型的分割方法。

Deep learning based medical image segmentation

尽管传统MIS方法并非当代无关紧要，但相较于基于深度学习的数据驱动分割技术，其在近期文献中的出现频率正在下降。深度学习（DL）的固有能力使其能够在不同层次上学习数据的抽象特征，从而检测图像的形态和纹理模式[5]。擅长观察图像中隐藏模式的DL[4]，已在各种疾病、解剖结构和成像模态中实现了鲁棒的图像分割。

Semi-supervised learning in medical image segmentation

尽管深度学习技术尤其是U-Net在实现精确图像分割方面取得了显著成功，但获取大规模精细标注数据集的现实困难仍然是个问题[12]。为了减轻手动标注的负担，大量努力致力于研究标注高效的DL技术，包括数据增强、条件生成对抗网络（GAN）、对比学习等，所有这些被简洁地描述为半监督学习（SSL）方法。

Recent and emerging trends in medical image segmentation

本节概述了MIS领域的最新创新和未来研究方向。

Case study: Lumbar spine segmentation

腰椎分割通过各种方法，特别是深度学习和混合方法，取得了显著进展，这些方法在不同成像模态上展现出高准确性和鲁棒性。这些进步对于增强临床诊断和治疗规划至关重要。腰椎分割的应用包括：检测脊柱异常、手术规划和治疗监测[166], [167], [168]。另一应用是诊断...

Conclusion

医学影像分割仍然是一个极其活跃且至关重要的研究领域，其驱动力来自于其对改善患者诊断和治疗结果的直接影响。正如我们在本综述中所探讨的，这一领域的旅程体现了先进计算工具的变革力量。本文作为一个全面的指南，详尽地概述了方法论的演进，从诸如阈值法和基于区域的方法等传统方法，到最新的深度学习范式...