胰腺作为一个位于腹部深处的不显眼的小器官，主要负责人体复杂的内分泌和外分泌系统，其生理作用和病理变化与生命息息相关。然而，胰腺却非常容易受到各种病变的侵害，特别是胰腺癌。根据临床诊断，胰腺癌的发病率呈现不断上升的趋势，且其发病率几乎等于致死率。在临床上，计算机断层扫描图像（Computed Tomography,CT）对胰腺癌的确诊和判断能否进行手术切除发挥着非常重要的作用。因此，随着医学图像数量的不断增加和医学图像分析技术的不断进步，如何快速且准确地对胰腺定位和分析俨然已经成为了计算机辅助诊断（Computer-aided Diagnosis，CAD）的一项重要课题。然而，现实的问题是能够被用于CAD的医学图像的数量非常有限，主要是因为CT图像的人工标记通常需要大量的时间和人力成本，因此现实中存在大量的包含潜在有用信息的未标记的CT图像并没有被充分利用。
　　胰腺自动分割技术是用于胰腺癌诊断和预后的一项非常重要的CAD技术，其旨在充分挖掘胰腺CT图像的潜在有用信息以进行精确分割。然而，胰腺作为腹部的一个软小器官，具有高度的解剖变异性且与周围的器官组织难以区分，导致其通常具有非常模糊的边界。因此，如何对胰腺进行自动精确分割对临床诊断来说是一项迫切且重要的任务。基于上述分析，本文围绕腹部CT图像中的胰腺分割问题展开研究，提出了一种多阶段的自动胰腺分割算法。概括来讲，本文主要进行了以下研究工作:
　　1.针对定位后CT图像空间分辨率不一致且胰腺边界模糊的问题，提出了一种基于三角域有理函数和特征约束的图像放大增强方法，其被用来对定位后的胰腺CT图像进行放大增强，以获得边界清晰、噪声更少且包含更多细节信息的图像以进行后续的精确分割。首先，本文构造的有理函数模型含有两个可自由调节的参数，能够在不改变原始数据的前提下对拟合曲面进行调整，从而提高放大精度。另外，本文提出了主成份边界(PCE)的概念来进行图像边界检测和区域划分，进一步提升了图像放大的精度和效率。实验结果表明，提出的算法在量化指标和视觉质量方面取得了有竞争力的结果，为后续的胰腺精确分割奠定了基础。
　　2.针对胰腺高度的解剖学变异性导致传统的分割算法精度较低的现实问题，提出了一种基于自动定位和循环对抗学习的自动胰腺分割方法（Pancreas-GAN）。首先，为了能够在扩大卷积核感受野的同时对CT图像的空间分辨率进行保持，引入了一种基于扩张卷积的自动编码模块。其次，为了能够对CT图像块的空间相关性进行建模以提升胰腺的边界分割精度，提出了一种Local-LSTM模块。最后，通过对抗模块学习数据集的全局分布以此来对连续CT图像间多的空间平滑一致性进行保持，进一步提升了胰腺分割的视觉精度。实验结果表明，Pancreas-GAN取得了有竞争力的分割精度。
　　3.针对胰腺组织具有模糊边界的难题，提出了一种融合空间局部相关性和语义感知的胰腺分割方法(DRAN)。首先，DRAN的自动编码模块基于新提出的自适应扩张卷积模块进行构造，其可以在不引入多余参数量和增加计算复杂度的前提下，对胰腺的多尺度信息进行有效提取。其次，我们提出了一种基于Hilbert曲线的序列化算法来对CT图像的局部空间相关性进行保持，此举被证明可以降低CT图像序列化过程导致的空间信息丢失。最后，我们提出了基于感知损失的对抗模块，相对于直接使用像素级别的对抗损失函数，其能够使预测结果和GT图像同时在低层次的像素上和高层次的语义特征上保持一致。
　　4.针对现实应用中存在大量可能含有潜在有用信息的无标记图像没有被有效利用，并且对这些图像进行标记需要专业知识和大量人力的问题，我们提出了一种基于局部和非局部对抗学习的半监督胰腺分割方法(Pancreas-NSGAN)。首先，基于平滑扩张卷积的自动编码模块可以用来解决所谓的网格效应，在视觉上提升了胰腺分割的性能。其次，基于注意力机制的非局部模块增强了特征的表达能力，通过跟HL-LSTM模块结合，该模块能够将短期和长期的空间依赖性无缝地同逐图像块的特征学习进行融合。最后，半监督对抗模块通过对无标签图像的有用信息进行挖掘，进一步提升了模型的分割性能。实验结果证明了我们的模型在作为临床分割工具方面的有效性和潜力。