CT图像肺部气管和血管分割对于肺部疾病的诊疗具有重要的研究意义。传统的分割方法基于边界、区域或特定模型进行图像处理,针对肺部密布的血管丛或气管树分割任务,必须依赖大量的人机交互才能提升分割精度。为保障自动分割精度,并提升分割效率,近年来深度神经网络作为特征提取工具逐渐在肺部血管或气管自动分割中得到应用,但因其效果受标注数据质量和规模的严重影响,限制了此类方法的推广。为解决这一问题,本文提出一种基于自监督迁移学习的CT图像肺气管和肺血管分割方法,主要开展了以下研究工作:1.面向气管与血管分割任务的自监督学习肺部特征提取。由于深度学习模型的训练精度严重受限于标注数据,本文利用无标注肺部CT图像本身的3D解剖信息,通过自监督学习的方法获取肺部区域的通用特征表达,并迁移至肺部气管和血管分割任务。针对肺气管、肺血管结构复杂多样、多尺度、高噪声等特性,采用图像恢复任务作为自监督学习的代理任务,并使用五种图像变换方法构造伪标签,引导模型全面学习肺部特征,以满足肺部气管和血管分割任务对于不同层次结构特征的需求。2.基于自监督模型微调的肺气管分割。在使用少量气管标注图像对自监督预训练模型进行微调的过程中,采用逐网络块释放的微调策略,以确定网络微调的最佳深度;通过中心裁剪、滑动窗口等数据预处理方法和混合监督信息的微调策略,解决了气管标注图像中前景和背景体素数量不平衡的问题。同时,采用数据增强的方法改善训练数据质量,提升肺血管分割准确性。3.基于自监督模型提取特征的肺血管分割。肺血管的结构复杂度和标注难度远高于肺气管,通常使用离散标注点作为监督信息。本文采取分阶段进行特征提取和分类训练的策略,并将自监督预训练模型作为特征提取器,研究适合肺血管分割任务的最佳模型组合。针对少量稀疏血管标注点无法覆盖血管树范围,不足以有效评估分割算法性能的问题,构建了适合本文任务的测试数据集。实验结果表明,本文所提算法只需少量标注样本即可实现CT图像肺部气管和血管的高精度自动分割,在时间、精度和鲁棒性方面均达到了较优性能。