医学图像分割的目的是将具有一定特殊含义的医学影像图片进行相关特征的提取,为病理学研究和医疗诊断提供有效依据。由于医学图像具有较高的复杂性且缺少简单的线性特征,并且分割结果还会受到部分灰度不均匀性、容积效应、不同软组织间灰度的近似性、伪影等因素的影响,所以一直以来,医学图像分割都是一个具有挑战性的研究课题。在当前比较主流的深度全卷积神经网络U-net中,研究人员只使用了长跳跃连接来融合输出特征以恢复下采样中丢失的空间信息。该结构会丢失部分浅层空间信息并且由于梯度消失问题也限制了网络的进一步加深。本文设计了一个深度残差结构的全卷积网络,将ResNet中的短跳跃连接(残差学习)引入到Unet结构中,结合残差学习中的恒等映射特性,既解决了梯度问题,也使得网络的性能得到了提升。虽然加深了网络的深度,但与U-net相比本文提出的模型却拥有更少的参数量。本文在电子显微镜(EM)图像数据集和计算机断层扫描(CT)图像数据集上分别对该方法的性能与其他方法做了评估对比,结果表明本文提出的方法分割精度优于包括U-net在内的其他大部分方法。上面提出的模型虽然在分割精度上得到了一定的提升,但只是对每个像素的类别进行独立的预测,像素级别的准确率可能会很高,但是像素与像素之间的相互关系容易被忽略使得分割的连续性还不够好。为了进一步提高所提出的模型的分割效果以及分割的连续性,本文将生成对抗神经网络(GANs)引入到先前提出的模型中,提出了一种分割-对抗模型。一是利用GANs的全局预测的特性来提高模型的分割连续性,二是利用对抗网络的特性来提高小规模数据下模型的健壮性,防止过拟合。本文使用之前提出的模型作为生成模型,基于输入的RGB图像产生对标签类预测的概率图,逐像素计算回归损失。该模型中的判别网络对预测图与标签图的差异进行高阶规律统计,为生成模型提供了一个自学习的全局损失统计方式。结果显示该分割-对抗模型在EM和CT这两个数据集上的整体分割连续性和分割精度均得到了一定的提升。