A Review of Deep Learning-Based Adrenal CT Image Segmentation Research

FANG Ziyang; WANG Jinliang; XIAO Peiyao; LI Yikai; ZHANG Zhi

doi:10.11907/rjdk.251571

您当前的位置：

首页 >

文章列表页 >

A Review of Deep Learning-Based Adrenal CT Image Segmentation Research

Research Review | 更新时间：2026-04-30

- A Review of Deep Learning-Based Adrenal CT Image Segmentation Research
- Software Guide Vol. 25, Issue 4, Pages: 213-220(2026)
- 作者机构：
  
  1.上海理工大学健康科学与工程学院，上海 200093
  2.上海交通大学医学院附属第一人民医院心内科，上海 200080
- 作者简介：
- 基金信息：
- DOI：10.11907/rjdk.251571
  CLC： TP391.41
- Received：20 August 2025，
  
  Published：15 April 2026
- 稿件说明：
移动端阅览
房子洋,王津梁,肖裴垚等.基于深度学习的肾上腺CT图像分割研究综述[J].软件导刊,2026,25(04):213-220.

FANG Ziyang,WANG Jinliang,XIAO Peiyao,et al.A Review of Deep Learning-Based Adrenal CT Image Segmentation Research[J].Software Guide,2026,25(04):213-220.
房子洋,王津梁,肖裴垚等.基于深度学习的肾上腺CT图像分割研究综述[J].软件导刊,2026,25(04):213-220. DOI： 10.11907/rjdk.251571.

FANG Ziyang,WANG Jinliang,XIAO Peiyao,et al.A Review of Deep Learning-Based Adrenal CT Image Segmentation Research[J].Software Guide,2026,25(04):213-220. DOI： 10.11907/rjdk.251571.

摘要

肾上腺是微小内分泌器官，在控制血压、心率及其他由交感神经系统调节的活动中起重要作用。肾上腺CT图像分割是肾上腺相关疾病智能诊断中的关键技术之一。近年来，深度学习方法在肾上腺CT图像自动分割中发挥了重要作用，推动了这一领域的持续进步。通过系统总结现有研究中常用的图像预处理策略、卷积神经网络与Transformer等深度学习模型，梳理了基于深度学习的肾上腺分割在肾上腺相关疾病诊断中的研究现状。此外，探讨了肾上腺CT图像分割在数据集建设、模型优化与多任务联合分析等方面的未来发展方向，旨在为相关研究与临床应用提供参考。

Abstract

Adrenal glands are tiny endocrine organs that play an important role in controlling blood pressure， heart rate， and other activities regulated by the sympathetic nervous system， and adrenal CT image segmentation is one of the key technologies in the intelligent diagnosis of adrenal-related diseases. In recent years， deep learning methods have played an important role in the automatic segmentation of adrenal CT images， which has driven the continuous progress in this field. In this paper， we systematically summarize the image preprocessing strategies， convolutional neural network and Transformer， and other deep learning models commonly used in existing research， and sort out the current research status of adrenal segmentation based on deep learning in the diagnosis of adrenal-related diseases. Finally， the future development direction of adrenal CT image segmentation in terms of dataset construction， model optimization and multi-task joint analysis is discussed， aiming to provide references for related research and clinical applications.

关键词

Keywords

references

ZHAO W ， HE H ， ZHAO J ， et al . Adrenal tumor vessels segmentation using convolutional neural network in computed tomography angiography ［C］// Berlin： 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）， 2019 . doi: 10.1109/embc.2019.8856398 http://dx.doi.org/10.1109/embc.2019.8856398

BLAKE M A ， HOLALKERE N-S ， BOLAND G W . Imaging techniques for adrenal lesion characterization ［J］. Radiologic Clinics of North America ， 2008 ， 46 （ 1 ）： 65 - 78 . doi: 10.1016/j.rcl.2008.01.003 http://dx.doi.org/10.1016/j.rcl.2008.01.003

MITCHELL B D ， WHITLATCH H B . Decoding hypertension through primary aldosteronism ［J］. Circulation ， 2023 ， 147 （ 14 ）： 1110 - 1111 . doi: 10.1161/circulationaha.123.064028 http://dx.doi.org/10.1161/circulationaha.123.064028

ZENNARO M C ， BOULKROUN S ， FERNANDES-ROSA F L . Pathogenesis and treatment of primary aldosteronism ［J］. Nature Reviews Endocrinology ， 2020 ， 16 （ 10 ）： 578 - 589 .

CHEN C ， MA Z L . Advances in imaging studies of primary hyperaldosteronism ［J］. International Journal of Medical Radiology ， 2024 ， 47 （ 6 ）： 712 - 718 .

陈晨，马占龙 . 原发性醛固酮增多症的影像学研究进展［J］. 国际医学放射学杂志， 2024 ， 47 （ 6 ）： 712 - 718 .

FU Y ， LIU J ， SHI J . TSCA-Net： transformer based spatial-channel attention segmentation network for medical images ［J］. Computers in Biology and Medicine ， 2024 ， 170 ： 107938 . doi: 10.1016/j.compbiomed.2024.107938 http://dx.doi.org/10.1016/j.compbiomed.2024.107938

LEI W ， SU Q ， JIANG T ， et al . One-shot weakly-supervised segmentation in 3D medical images ［J］. IEEE Transactions on Medical Imaging ， 2024 ， 43 （ 1 ）： 175 - 189 . doi: 10.1109/tmi.2023.3294975 http://dx.doi.org/10.1109/tmi.2023.3294975

LI J ， LIU K ， HU Y ， et al . Eres-UNet++：liver CT image segmentation based on high-efficiency channel attention and Res-UNet plus ［J］. Computers in Biology and Medicine ， 2023 ， 158 ： 106501 . doi: 10.1016/j.compbiomed.2022.106501 http://dx.doi.org/10.1016/j.compbiomed.2022.106501

QADRI S F ， LIN H ， SHEN L ， et al . CT-based automatic spine segmentation using patch-based deep learning ［J］. International Journal of Intelligent Systems ， 2023 （ 1 ）： 2345835 . doi: 10.1155/2023/2345835 http://dx.doi.org/10.1155/2023/2345835

SIMPSON A L ， ANTONELLI M ， BAKAS S ， et al . A large annotated medical image dataset for the development and evaluation of segmentation algorithms ［DB/OL］ . https：//arxiv.org/abs/1902.09063 https://arxiv.org/abs/1902.09063 .

JI Y ， BAI H ， GE C ， et al . Amos： a large-scale abdominal multi-organ benchmark for versatile medical image segmentation ［J］. Advances in Neural Information Processing Systems ， 2022 ， 35 ： 36722 - 36732 . doi: 10.52202/068431-2661 http://dx.doi.org/10.52202/068431-2661

YANG J ， SHI R ， WICKRAMASINGHE U ， et al . Neural annotation refinement： development of a new 3d dataset for adrenal gland analysis ［C］// Singapore： 25th International Conference on Medical Image Computing and Computer Assisted Intervention （MICCAI）， 2022 . doi: 10.1007/978-3-031-16440-8_48 http://dx.doi.org/10.1007/978-3-031-16440-8_48

MA J ， ZHANG Y ， GU S ， et al . Abdomenct-1k： is abdominal organ segmentation a solved problem？［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2021 ， 44 （ 10 ）： 6695 - 6714 . doi: 10.1109/tpami.2021.3100536 http://dx.doi.org/10.1109/tpami.2021.3100536

LI H Y . A study on adrenal gland segmentation in CT images based on multi-level context-aware approaches ［D］. Xiangtan ： Xiangtan University ， 2023 .

李湖英 . 基于多层上下文感知的CT图像肾上腺分割研究［D］. 湘潭：湘潭大学， 2023 .

MURPHY A ， WILCZEK M ， FEGER J ， et al . Windowing （CT）［EB/OL］. https：//radiopaedia.org/articles/52108 https://radiopaedia.org/articles/52108 . doi: 10.53347/rid-52108 http://dx.doi.org/10.53347/rid-52108

HARTUNGMICHAEL P ， BROWN A . Abdominal CT： windows advanced ［EB/OL］. https：//litfl.com/abdominal-ct-windows-advanced/ https://litfl.com/abdominal-ct-windows-advanced/ .

OSHER S ， FEDKIW R P . Level set methods： an overview and some recent results ［J］. Journal of Computational physics ， 2001 ， 169 （ 2 ）： 463 - 502 . doi: 10.1006/jcph.2000.6636 http://dx.doi.org/10.1006/jcph.2000.6636

SIRI S K ， KUMAR S P ， LATTE M V . Threshold-based new segmentation model to separate the liver from CT scan images ［J］. IETE Journal of Research ， 2022 ， 68 （ 6 ）： 4468 - 4475 . doi: 10.1080/03772063.2020.1795938 http://dx.doi.org/10.1080/03772063.2020.1795938

HOJJATOLESLAMI S ， KITTLER J . Region growing： a new approach ［J］. IEEE Transactions on Image Processing ， 1998 ， 7 （ 7 ）： 1079 - 1084 . doi: 10.1109/83.701170 http://dx.doi.org/10.1109/83.701170

NOVIANA R ， FEBRIAN I ， RASAL I ， et al . Axial segmentation of lungs CT scan images using canny method and morphological operation ［C］// Surabaya： 2nd International Conference on Mathematics - Pure， Applied and Computation （ICoMPAC）， 2016 . doi: 10.1063/1.4994425 http://dx.doi.org/10.1063/1.4994425

KOYUNCU H ， CEYLAN R ， ERDOGAN H ， et al . A novel pipeline for adrenal tumour segmentation ［J］. Computer Methods and Programs in Biomedicine ， 2018 ， 159 ： 77 - 86 . doi: 10.1016/j.cmpb.2018.01.032 http://dx.doi.org/10.1016/j.cmpb.2018.01.032

BARSTUĞAN M ， CEYLAN R ， ASOGLU S ， et al . Adrenal tumor segmentation method for MR images ［J］. Computer Methods and Programs in Biomedicine ， 2018 ， 164 ： 87 - 100 . doi: 10.1016/j.cmpb.2018.07.009 http://dx.doi.org/10.1016/j.cmpb.2018.07.009

ZHANG G ， LI Z . An adrenal segmentation model based on shape associating level set in sequence of CT images ［J］. Journal of Signal Processing Systems ， 2019 ， 91 （ 10 ）： 1169 - 1177 . doi: 10.1007/s11265-018-1433-0 http://dx.doi.org/10.1007/s11265-018-1433-0

WANG X ， JIN Z Y ， XUE H D ， et al . Evaluation of normal adrenal gland volume by 64-slice CT ［J］. Chinese Medical Sciences Journal ， 2012 ， 27 （ 4 ）： 220 - 224 . doi: 10.1016/s1001-9294(13)60005-x http://dx.doi.org/10.1016/s1001-9294(13)60005-x

SCHNELLER J ， REISER M ， BEUSCHLEIN F ， et al . Linear and volumetric evaluation of the adrenal gland—MDCT-based measurements of the adrenals ［J］. Academic Radiology ， 2014 ， 21 （ 11 ）： 1465 - 1474 . doi: 10.1016/j.acra.2014.06.008 http://dx.doi.org/10.1016/j.acra.2014.06.008

XIE L ， YU Q ， ZHOU Y ， et al . Recurrent saliency transformation network for tiny target segmentation in abdominal CT scans ［J］. IEEE Transactions on Medical Imaging ， 2019 ， 39 （ 2 ）： 514 - 525 . doi: 10.1109/tmi.2019.2930679 http://dx.doi.org/10.1109/tmi.2019.2930679

LI Y ， ZHAO Y ， YANG P ， et al . Adrenal volume quantitative visualization tool by multiple parameters and an nnU-Net deep learning automatic segmentation model ［J］. Journal of Imaging Informatics in Medicine ， 2025 ， 38 （ 1 ）： 47 - 59 . doi: 10.1007/s10278-024-01158-y http://dx.doi.org/10.1007/s10278-024-01158-y

RONNEBERGER O ， FISCHER P ， BROX T . U-net： convolutional networks for biomedical image segmentation ［C］// Munich： 18th International Conference on Medical Image Computing and Computer-Assisted Intervention（MICCAI）， 2015 . doi: 10.1007/978-3-319-24574-4_28 http://dx.doi.org/10.1007/978-3-319-24574-4_28

LI P ， WU W ， LIU L ， et al . Automatic brain tumor segmentation from multiparametric MRI based on cascaded 3D U-Net and 3D U-Net++ ［J］. Biomedical Signal Processing and Control ， 2022 ， 78 ： 103979 . doi: 10.1016/j.bspc.2022.103979 http://dx.doi.org/10.1016/j.bspc.2022.103979

ÇIÇEK Ö ， ABDULKADIR A ， LIENKAMP S S ， et al . 3D U-Net： learning dense volumetric segmentation from sparse annotation ［C］// Athens： 19th International Conference on Medical Image Computing and Computer Assisted Intervention（MICCAI）， 2016 . doi: 10.1007/978-3-319-46723-8_49 http://dx.doi.org/10.1007/978-3-319-46723-8_49

CHEN Y C ， YANG J J ， ZHANG Y F ， et al . Research on adrenal gland segmentation in CT images using deep learning ［J］. Radiology Practice ， 2023 ， 38 （ 3 ）： 305 - 312 .

陈元翀，杨洁瑾，张耀峰，等 . 基于深度学习在CT图像上分割肾上腺的研究［J］. 放射学实践， 2023 ， 38 （ 3 ）： 305 - 312 .

KIM T M ， CHOI S J ， KO J Y ， et al . Fully automatic volume measurement of the adrenal gland on CT using deep learning to classify adrenal hyperplasia ［J］. European Radiology ， 2023 ， 33 （ 6 ）： 4292 - 4302 . doi: 10.1007/s00330-022-09347-5 http://dx.doi.org/10.1007/s00330-022-09347-5

MENG F ， ZHANG T ， PAN Y ， et al . A deep learning algorithm for automated adrenal gland segmentation on non-contrast CT images ［J］. BMC Medical Imaging ， 2025 ， 25 （ 1 ）： 142 . doi: 10.1186/s12880-025-01682-5 http://dx.doi.org/10.1186/s12880-025-01682-5

CHEN Y ， ZHANG Y ， ZHANG X ， et al . Characterization of adrenal glands on computed tomography with a 3D V-Net-based model ［J］. Insights into Imaging ， 2025 ， 16 （ 1 ）： 17 . doi: 10.1186/s13244-025-01898-7 http://dx.doi.org/10.1186/s13244-025-01898-7

BOLOCAN V-O ， NICU-CANAREICA O ， MITOI A ， et al . Deep learning for adrenal gland segmentation： comparing accuracy and efficiency across three convolutional neural network models ［J］. Applied Sciences ， 2025 ， 15 （ 10 ）： 5388 . doi: 10.3390/app15105388 http://dx.doi.org/10.3390/app15105388

LUO G ， YANG Q ， CHEN T ， et al . An optimized two-stage cascaded deep neural network for adrenal segmentation on CT images ［J］. Computers in Biology and Medicine ， 2021 ， 136 ： 104749 . doi: 10.1016/j.compbiomed.2021.104749 http://dx.doi.org/10.1016/j.compbiomed.2021.104749

ZHAO Y ， LI H ， WAN S ， et al . Knowledge-aided convolutional neural network for small organ segmentation ［J］. IEEE Journal of Biomedical and Health Informatics ， 2019 ， 23 （ 4 ）： 1363 - 1373 . doi: 10.1109/jbhi.2019.2891526 http://dx.doi.org/10.1109/jbhi.2019.2891526

ROBINSON-WEISS C ， PATEL J ， BIZZO B C ， et al . Machine learning for adrenal gland segmentation and classification of normal and adrenal masses at cT ［J］. Radiology ， 2023 ， 306 （ 2 ）： 212 - 222 . doi: 10.1148/radiol.220101 http://dx.doi.org/10.1148/radiol.220101

LI M Z . Automated segmentation of adrenal glands on computed tomography images using multi-scale 3D U-Net ［D］. Taipei ： National Taiwan University ， 2023 .

李旻哲 . 利用多尺度 3D U-Net 在电脑断层扫描影像上进行肾上腺的自动化分割［D］. 台北：国立台湾大学， 2023 .

BI L ， KIM J ， SU T ， et al . Adrenal lesions detection on low-contrast CT images using fully convolutional networks with multi-scale integration ［C］// 2017 IEEE 14th International Symposium on Biomedical Imaging （ISBI）， 2017 ： 1082 - 1085 . doi: 10.1109/isbi.2017.7950660 http://dx.doi.org/10.1109/isbi.2017.7950660

ALIMU P ， FANG C ， HAN Y ， et al . Artificial intelligence with a deep learning network for the quantification and distinction of functional adrenal tumors based on contrast-enhanced CT images ［J］. Quantitative Imaging in Medicine and Surgery ， 2023 ， 13 （ 4 ）： 2675 - 2687 . doi: 10.21037/qims-22-539 http://dx.doi.org/10.21037/qims-22-539

WANG L ， YE M ， LU Y ， et al . A combined encoder-transformer-decoder network for volumetric segmentation of adrenal tumors ［J］. Biomedical Engineering Online ， 2023 ， 22 ： 106 . doi: 10.1186/s12938-023-01160-5 http://dx.doi.org/10.1186/s12938-023-01160-5

FAYEMIWO M ， GARDINER B ， HARKIN J ， et al . A novel pipeline for adrenal gland segmentation： integration of a hybrid post-processing technique with deep learning ［J］. Journal of Imaging Informatics in Medicine ， 2025 ， 38 ： 3698 - 3710 . doi: 10.1007/s10278-025-01449-y http://dx.doi.org/10.1007/s10278-025-01449-y

CHEN J ， MEI J ， LI X ， et al . TransUNet： rethinking the U-Net architecture design for medical image segmentation through the lens of transformers ［J］. Medical Image Analysis ， 2024 ， 97 ： 103280 . doi: 10.1016/j.media.2024.103280 http://dx.doi.org/10.1016/j.media.2024.103280

LI J ， LI H ， ZHANG Y ， et al . MCNet： a multi-level context-aware network for the segmentation of adrenal gland in CT images ［J］. Neural Networks ， 2024 ， 170 ： 136 - 148 . doi: 10.1016/j.neunet.2023.11.028 http://dx.doi.org/10.1016/j.neunet.2023.11.028

LYU P ， ZHANG J ， ZHANG L ， et al . MetaUNETR： rethinking token mixer encoding for efficient multi-organ segmentation ［C］// Marrakesh： 27th International Conference on Medical Image Computing and Computer Assisted Intervention （MICCAI）， 2024 . doi: 10.1007/978-3-031-72114-4_43 http://dx.doi.org/10.1007/978-3-031-72114-4_43

PANG J ， MA D ， ZHOU Z ， et al . ASA： learning anatomical consistency， sub-volume spatial relationships and fine-grained appearance for CT images ［C］// Marrakesh： 27th International Conference on Medical Image Computing and Computer Assisted Intervention （MICCAI）， 2024 . doi: 10.1007/978-3-031-72120-5_9 http://dx.doi.org/10.1007/978-3-031-72120-5_9

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Application Progress on Convolutional Neural Network in Prostate Multiparameter MRI

Weed Identification System Based on Deep Learning

Research on Prediction Method of Soil Available Nitrogen Content in Guangxi Based on SA-CNN-LSTM

Cell Image Segmentation Based on Improved U-Net Model

Related Author

FAN Xiaohui

HU Tianchi

HAN Fengxian

ZHANG Wenhui

LI Jing

FAN Xiaohui

HU Tianchi

HAN Fengxian

Related Institution

Center for Translational Medicine， Naval Military Medical University

Political Work Department， Naval Military Medical University

Center for Translational Medicine， Naval Military Medical University （Second Military Medical University）

School of Mechanical and Electrical Engineering， Kunming University of Science and Technology

78098 Military Training Team

⁰