开发合适的算法去更好地解释图像是医学成像分析领域的一个基本问题。机器学习的最新进展,尤其是深度卷积神经网络（DCNN）,已经被应用在许多医学图像分析任务的并且在速度和准确性等方面有了较高的提高。例如图像配准、解剖结构、组织分割和计算机辅助诊断。图像分析尽管取得了进展,但由于标记数据量有限、患者之间的解剖差异大等,这些问题仍然具有挑战性。传统算法中采用的特征工程方法是基于专家先验知识的人工特征提取方法,对研究人员和信号分析设备要求较高且鲁棒性一般。近年来流行的基于神经网络的调制识别能有效简化流程,提高算法鲁棒性,但也仍然存在一些问题。另外,传统方法模型和一些深度学习模型复杂度较高,难以满足实际应用中的轻量化部署需求。为了解决上述问题,在本文中提出了两种基于改进U-Net模型并分别应用于去分割肠道息肉和眼底血管,并在深度学习推理框架下进行部署,解决了传统算法中适用性和鲁棒性不足的问题,并实现了端到端训练和推理,本文主要研究内容如下:1.基于门控注意力的肠道息肉分割方法基于门控注意力所提的方法将使用一种新颖的注意力融合机制,去更好的融合通道注意力和空间注意力,同时也有效的去捕获不同层的特征信息。这种注意力单元参考了GRU并从计算流程上有效的结合了空间注意力机制和通道注意力机制。同样,因为保留了GRU的门机制,使改进的U-Net网络有能力去选择去记忆有效特征层信息并有选择性的遗忘一些层的无效特征。最终,通过实验表明提出的方法取得了较好的分割效果。2.基于密集连接的眼底血管分割方法基于密集连接的方法主要优化了U-Net网络模型,采用了一种密集连接的U形网络,可以较好的捕获眼底视网膜中小血管。提出的方法与基础的U-Net分割模型相比较,该方法通过更为密集跳跃连接高效的融合编、解码器同阶段与跨阶段的特征。之后,参考了FPN网络模型做法,融合不同尺度的特征提供更高的分割准确性。