临床医学实践中,为了制定治疗方案、准确诊断病情,需要利用医学影像设备对病人进行扫描检查,得到医学影像后交给医生诊断。这种方法十分依赖人的主观判断,而且需要医生具备出众的能力和丰富的临床经验。近几年随着深度学习的兴起,借助深度学习分割病灶、辅助诊断成为推动临床医学分析的有效手段。因医学图像通常具有边缘模糊、灰度不均匀、存在噪声和伪影等特点,实现高准确率的病灶或器官分割仍是一个难点。本文期望从增强器官边缘区域学习的角度出发,探究提升分割算法精度的可行性。总的来说,本文的主要研究与贡献如下:第一,提出一个基于多输入的超像素边界辅助分割算法。提出了一个新颖的分割框架,利用超像素提供的外观特性来指导分割。提出的分割框架通过额外的自下而上的分支扩展了经典的编码器-解码器分割网络,以从超像素边界图像中提取有效信息;同时提出并研究了一系列注意力模块,以探索如何有效地将超像素边界信息融合到主分割分支中。第二,提出了一种基于多标签学习的超像素边界监督学习算法。首先在编码器-解码器网络结构中融入空洞空间金字塔池化模块模块,作为本方法展开的基础框架;然后将超像素边界与原标签同时作为监督信号约束网络训练,从而挖掘超像素边界中隐含的语义信息。即从多标签监督学习的角度出发,提出了一种基于超像素边界图像监督的算法,以用于医学影像分割。第三,提出了一种基于距离变换的两阶段分割医学图像的方法。以左心房边缘为目标区域进行距离变换,得到的距离图可以作为学习权重图,以此让网络更加关注靠近器官边缘的区域。训练总共分为两个阶段,一阶段导出两条分支,分别进行粗略左心房分割与距离图预测,将二者的输出合并投入第二阶段训练,第二阶段得到精确的分割结果。