医学图像分割在准确的诊断和治疗计划中发挥着关键作用，可以在广泛的临床任务中实现精确分析。这篇综述首先全面概述了传统的分割技术，包括阈值、基于边缘的方法、基于区域的方法、聚类和基于图形的分割。虽然这些方法在计算上高效且可解释，但在应用于复杂、嘈杂或可变的医学图像时，它们通常面临重大挑战。本综述的中心重点是深度学习对医学图像分割的变革性影响。我们深入研究了著名的深度学习架构，例如卷积神经网络 （CNN）、全卷积网络 （FCN）、U-Net、递归神经网络 （RNN）、对抗网络 （GAN） 和自动编码器 （AE）。根据其结构基础和在医学图像分割中的具体应用对每种架构进行了分析，说明了这些模型如何在各种临床环境中提高分割准确性。最后，该综述研究了深度学习与传统分割方法的集成，解决了这两种方法的局限性。这些混合策略提供了改进的分割性能，尤其是在涉及弱边缘、噪声或不一致的强度的具有挑战性的场景中。通过综合最近的进展，本综述为研究人员和从业者提供了详细的资源，为医学图像分割的现状和未来方向提供了有价值的见解。



"点击查看英文标题和摘要"