随着医学成像技术的发展进步,医学影像的分辨率不断提升,出现了 CT、PET-CT、MRI等多种高清的成像方式。同时医学图像的分割也迎来了新的挑战,由于人体器官结构复杂性的影响,医学图像具有复杂的多样性和差异性,分割难度较大。传统的变分水平集方法具有拓扑结构灵活多变、曲线演化能量配置方案便利、数值求解方法简便有效的优点;U-Net网络具有网络拓扑结构简洁、训练集数据需求小等优点。这两种方法因此被广泛应用于医学图像分割领域。但是在分割过程中,变分水平集存在对初始轮廓和演化控制参数敏感而导致泛化能力不足,曲线演化驱动力仍可优化的问题;U-Net也存在分割结果边缘丢失,网络训练时间长,应用场景单一等问题。尽管目前这两种算法已经发展较为成熟,提出了许多优化方案,但是如何优化分割过程,使其快速有效地得到分割结果,仍是一个需要探索的问题。本文以经典变分水平集算法和U-Net网络为基础,对上述问题进行了研究,具体工作如下:(1)针对U-Net网络分割结果容易丢失边缘,变分水平集对初始轮廓位置敏感的问题,提出结合两种模型优点的新模型。U-Net网络分割结果能够保证变分水平集的初始轮廓尽量贴合边界,基于边缘信息的变分水平集算法能够进一步优化分割结果。实验结果表明,U-DRLSE模型的分割精度高,结果较为鲁棒。(2)针对U-Net网络应用场景单一的问题,将U-Net网络应用于FiCD(神经纤维连接)流程中,利用U-Net分割结果精准,分割速度快的优点,加快了 FiCD多组间比较的进程。