目前基于深度学习的图像分割算法已经在医学领域获得了最佳的分割水准,但它的分割精度要依靠海量的具有高质量人工标注的医学图像。而一张三维医学图像的标注需要由较深领域知识的医生标注数小时才可以完成,因此获得大规模高质量的训练标注逐渐成为深度学习在医学图像分割上所面临的主要障碍。本文提出了一种新的基于低成本非配对标注的医学图像分割框架。它使用了获取成本低的与训练图像非配对的标注,而不需要对每个训练图像的人工标注。它分为两个阶段。第一阶段为伪标签生成过程。首先需要不配对的医学图像和具有形状先验信息的辅助掩码作为第一阶段输入,其中辅助掩码可能来自于形状建模或者不同图像域的公开数据集。接着本文利用一个改进的循环一致性生成对抗网络（Cycle GAN）得到医学图像相对应的伪标签。在第一阶段,本文提出基于变分自编码器（Variational Auto-encoder,VAE）的判别器,用来提取辅助掩码隐含的高级形状约束并将其加入到生成伪标签的过程中。同时,本文还加入了判别器引导生成器的通道校准（Discriminator-guided Generator Channel Calibration,DGCC）模块,它被用来直接反馈和校正生成网络得到更高质量的伪标签。第二阶段是伪标签学习阶段。针对生成伪标签存在噪声的问题,本文提出了一种新的对噪声鲁棒的伪标签学习框架。该框架通过标注质量选择模块和基于噪声加权的骰子损失函数来提高模型对噪声的鲁棒性,进而提高分割模型的性能。本文根据简单形状物体分割和复杂形状物体分割两类任务来设计实验。简单形状物体分割包括眼底图像中的视盘分割和超声波图像中的胎儿头部分割。复杂形状物体分割包括X光中的肺分割和CT图像中的肝脏分割。实验结果证明了本文提出的基于VAE的判别器和DGCC模块能够有效提升生成伪标签的质量,标注质量选择模块和噪声加权的骰子损失函数有助于减小噪声对模型分割精度的影响。实验结果表明本文提出的低成本非配对的分割框架的分割精度能够接近甚至相媲美有监督学习的分割精度。