急性肺栓塞是一种由内源性或者外源性栓子堵塞肺动脉主干,或者肺动脉分支引起的肺循环功能障碍的临床综合症,发病率仅次于高血压等疾病,死亡率高居第三位,因其高发病率和高风险性,近年来被越来越多的关注。肺栓塞的诊断主要是通过肺动脉造影技术,由专业医生查看CTPA影像,人工分割影像中的肺栓塞,基于分割结果和肺栓塞的位置判断患者的肺栓塞阻塞程度,评定患者的风险等级。该过程耗时耗力,给医生很大的工作负担,因此,研究CTPA影像中自动分割肺栓塞的方法,有重要的意义。本文就肺栓塞图像的特点,基于深度学习等相关技术,开展图像分割方面的相关研究,主要研究内容如下:(1)在研究深度学习的相关理论的基础上,实现了基于全卷积神经网络的肺栓塞图像分割方法,该方法中,引入Dice Loss来解决训练数据集类别不均衡的问题,在分析FCN-32s,FCN-16s,FCN-8s的网络结构特点及分割精度差异后,探讨了提高网络分割精度的改进方法和策略,为后续的改进奠定了基础。(2)实现了基于U-net的肺栓塞图像分割方法,结合迁移学习的基本理论,通过模型迁移的方法,有效的提升了 U-net的分割精度。同时,为克服Dice Loss训练不稳定的问题,结合Focal Loss的调整系数的设计思想和相关理论,提出了一种新损失函数,并通过试验对比分析,证明了迁移学习和新损失函数的有效性。(3)在研究U-net的基本结构和原理后,深入分析了 U-net分割精度优于FCN的内在本质,结合ResNet和DenseNet的设计思想和基本原理,提出了一种改进U-net结构,改进的U-net以残差模块作为基本结构,构建了强大的特征提取网络。并引入中间特征融合模块Concat Block,保留了更多的收缩路径的中间特征,将融合后的特征以通道拼接的方式融合到扩张路径,使得网络获取了更丰富的上下文信息,进一步提升网络的分割精度,实验结果证明了改进方法的有效性。(4)结合肺栓塞危险度评价实际场景中的需求,实现了基于Mask RCNN的肺栓塞图像分割方法,该方法能够在定位肺栓塞的位置的同时给出肺栓塞分割结果。在该方法的基础上,使用Group卷积对Mask RCNN进行改进,改进后的方法有效的减少了网络的参数量,优化了网络的推理速度,能够降低30%以上的显存和时长占用,且最终精度近乎不变。