随着医学成像技术与计算机技术的发展,计算机辅助医疗诊断得到了广泛的应用,其中,医学图像分割技术作为关键的一步起着至关重要的作用,图像分割的结果直接的影响着后续医疗分析的正确率。由于人体组织结构本身的复杂性和差异性,以及医疗诊断对于分割精度的高要求,目前常用的医学分割算法主要是基于人工参与的半自动化分割算法。但是,伴随着医疗数据的不断增多,这将会增加医务人员的工作负担,从而影响诊断的效率,因此,研究一种自动化的分割算法,具有重要的理论意义与现实价值。针对这一问题,本文分别提出两种分割算法,具体研究内容与创新点如下:1.提出一种基于三维空间医学图像自动分割及重建算法,针对传统区域生长算法中种子点依赖于人工选取、生长策略与终止策略难以设定的问题、以及算法仅利用图像数据的二维信息而没有考虑序列图像中三维空间的位置信息的问题做出改进,提出了种子点自动提取算法、结合边缘约束的生长策略、以及基于类间方差的终止策略。本人所提算法与基于期望值最大化方法的磁共振图像人脑组织自动化分割算法以及基于纹理特征与亮度特征的自动化分割算法进行对比,分割精度提高了 2%左右。2.提出一种基于种子点的医学图像分割网络,算法基于CAN(上下文聚合模块)进行改进,分别对网络输入和网络损失函数做出改进。在网络输入阶段加入分割区域的种子点图像及种子点距离变换图像用于增强网络输入,种子点图像根据本文提出的种子点自动提取算法自动提取;在损失函数阶段,优化网络损失函数,允许网络有多种可能的输出,并在最小化Tversky loss的基础上,为每个结果的损失加入递减的惩罚系数,保证网络输出的第一个结果为与标注结果间损失最小的结果。本文算法与基于图像块的卷积网络和全卷积网络进行实验对比,在正确率上均有提升。本文的算法主要用于解决医学图像自动化分割的问题,通过与已有算法的对比,在分割精度上均有提升,证实了本文算法的有效性和可行性。