随着计算机技术的快速发展,医疗图像分割逐渐成为了辅助医生来进行诊断决策的重要依据。然而,以手工分割的方式进行医疗图像分割会耗费大量的人力成本,给医生的工作及生活带来了巨大的压力。近年来,在人工智能技术不断发展的背景下,医疗图像分割领域中涌现了大量基于深度学习的语义分割算法,这些算法在分割精度及分割效率上都取得了一定的成果。然而目前的医疗图像分割方法大部分都没有有效地利用多模态的医疗图像数据,并且没有关注到肿瘤数据标签之间的关联性,这使得大量的多模态医疗图像数据没有得到有效地利用,并且目前的语义分割算法还不足以直接应用于临床使用,还需要医生进行交互调整,已有的交互式分割方法也仅仅只能针对单模态、单目标任务进行处理,所以多模态交互式医疗图像分割问题成为了一个难题。除此之外,目前的医疗图像分割方法在三维图像数据上往往会因为下采样操作而忽略大量的图像细节信息,如何解决这一问题成为了目前医疗图像分割算法中的另一个重要问题。除了算法方面的缺陷,目前已有的医疗图像处理平台在实际使用的过程中也存在一定的问题,平台内集成的模型往往难以泛化至具体医院的数据,并且大部分的医疗图像处理平台仅集成传统的图像分割算法,难以跟随学术发展进行迭代。针对以上问题,本文的工作如下:1.本文将医疗图像分割任务中的多分类问题建模为一个层级化的多标签预测任务,并在此基础上提出了一种面向多模态数据的交互式医疗图像分割算法。本文所提算法充分考虑了多模态数据之间的结构共性,并在已有的交互式图像分割模型上,引入了本文所提出的多模态数据聚合方式及多目标层级输出结构。最后本文对该算法进行了大量实验分析,实验结果表明,本文所提算法可以在保证分割效果的同时,有效减少用户交互的次数。2.本文提出了一种基于全局-局部的自动化医疗图像分割细化算法,采用全局-局部的思想搭建了局部细化模块,并在此基础上优化了已有的分割结果,随后,本文利用强化学习的方式建模细化过程的动态性,使得模型可以在已有粗分割结果的基础上,自动化地关注到值得被局部细化的区域,通过强化学习的方式来模拟医生实际的细化过程,有效提高了局部细化的效率及分割效果。3.本文设计并开发了一个新的医疗图像分割处理平台系统,并将上述两种算法集成至该平台内。此外,本文所设计平台也同样实现了基本的医疗图像展示、操作功能,更是给用户提供了深度学习算法分割的功能,并在此基础上,本平台支持用户针对自己的数据进行模型重训练,也提供给学术研究者一个统一的算法接口,便于最新的研究工作部署至实际应用中。