图像分割是医学图像处理与分析中的一个重要的研究课题。但是,依靠医生的手动分割不仅费时耗力,而且易受主观经验影响,存在较大误差大、自动化程度低等问题。为了解决这些问题,基于计算机辅助诊断的医学图像处理方法一直是研究关注的热点。近年来,深度学习方法在计算机视觉领域取得了巨大成功,因此也被研究者引入到医学图像处理分析中来。深度学习方法具有强大的特征学习能力,在疾病诊断、预测、病灶检测与分割等方面,都取得了不错的进展。但是,深度学习在医学图像分割任务中仍面临着诸多困难。例如:1、深度学习方法需要较大规模的数据进行训练,而医学图像数据集的数据量往往相对较少,这会导致模型的泛化能力较差;2、对于超声图像的分割任务,由于超声的成像质量较差,易受到噪声的影响,难以训练得到鲁棒和泛化能力好的模型;3、在病理切片图像分割任务中,图像的分辨率很高,受限于计算资源,深度学习网络模型难以有效地提取到有辨别力的特征。针对上述问题,本文基于小儿超声心动图、前列腺癌病理切片图像和头颈部胸部CT图像,探索了深度学习方法在医学图像分割领域的研究与应用。本文的主要研究成果包括基于注意力引导的双网络的超声心动图分割方法、基于PSPNet的前列腺癌病理切片图像自动分级方法与基于nnU-Net的图像分割方法在放疗自动规划中的应用。1、在超声心动图分割的研究中,我们提出了一个基于注意力引导的双网络分割方法。我们采用双网络结构来提取不同层级的特征,并用引入了注意力机制模块细化提取到的特征,提升了网络的表征能力,从而更好地实现超声心动图分割。本研究设计了大量的对比实验,在我们自建的小儿超声心动图数据集以及一个成人超声心动图公开数据集上验证了所提方法的有效性。2、在前列腺病理切片图像自动分级的研究中,我们采用PSPNet作为基础分割网络。首先,我们使用ResNet 101作为骨架网络来提取特征,然后用金字塔池化模块来整合不同尺度的特征,我们此外还增加了一个辅助分支网络来进一步提升网络的分割性能。经过图像分割系统,我们获取了像素级的自动分级结果,由此计算可得到图像级的自动分级结果。我们的算法在MICCAI Gleason 2019数据集上进行了验证,并取得了较好的结果,证明了我们所采用的方法的有效性。3、在放疗自动规划的研究中,我们采用了nn U-Net来对放疗自动规划中的三维CT影像数据进行自动分割。nnU-Net的设计从最简单的U-Net模型出发,可以自适应地根据数据集特性,自动地规划数据预处理方案、网络结构设计和模型训练策略等。相较于其他结构设计繁杂的分割网络,nnU-Net结构非常简洁。此模型在MICCAI StructSeg 2019数据集上进行了验证,并取得了较好的结果。