医学图像处理在医学诊断、临床治疗等方面起着重要的作用,但目前医学图像的分析和诊断主要是靠放射科医师人工阅片完成。受制于落后地区医疗水平的限制、病人病理学的个体差异等诸多因素,传统的人工阅片存在着极大挑战,使得实现一个能够自动化准确提取出医学图像中病变区域的技术至关重要。另一方面,增强学习正在越来越广泛的领域崭露头角,例如游戏博弈、机器视觉等,在某些领域内甚至达到了超越人类的表现,被认为是迈向人工智能的重要途径,因此,增强学习具备了被应用至医学图像处理领域的潜力。基于上述原因,本文探究了增强学习在医学图像病变区域提取中的应用。具体而言,本文构建了基于增强学习的模型,用于BRATS数据集的脑肿瘤分割任务,其主要工作如下:(1)对BRATS数据集进行相关的分析及预处理,预处理包含数据标准化和数据增强两个方面。对此,本文探究了几种主流的处理技术,并通过相关实验验证了Z-score标准化、随机旋转、随机镜像翻转的有效性。(2)通过探究分析Mask R-CNN系列模型,提出了一个增强语义分割框架RSF,用于融合语义分割网络和增强学习网络,该模型的共享特征提取基干和语义分割分支可以采用任意的主流网络结构,而其增强学习分支可提供关注区域用于改善分割结果。本文还分别对RSF的组成部分进行了对比实验,从而选定了DenseNet和U-Net作为RSF的特征提取基干以及上采样结构,并证实了RSF能够提升某些类别的分割准确率。(3)在RSF的基础上,通过分析3D数据切分方式的特点,提出了一个基于增强学习的伪3D注意力网络RPAN,该模型能够将原始3D数据在切分维度上的先验知识,通过增强学习以注意力的形式引入网络,从而提高当前帧的分割效果。本文还通过一系列实验验证了RPAN的相关模块的结构合理性,并且整体实验结果表明,RPAN能够在进行快速分割的同时达到较高的准确率,由此进一步证实了增强学习在医学图像处理领域的应用具备巨大潜力和可行性。