椎体骨折是一种常见的脊椎疾病,快速且准确地对其进行诊断将有利于患者的治疗与康复。目前常用的识别方法包括基于传统图像分割方法以及专业医生的临床诊断,前者的准确率较低,往往无法满足临床诊治的要求;而后者因容易受到医生主观情绪的影响,缺乏稳定性。考虑到深度学习方法在医学影像分割领域中的突破性进展,应用深度学习方法对患者骨折的椎体进行自动分割是一个亟需深入研究的问题。然而,深度学习模型因其内部结构复杂而缺乏较好的可解释性,导致现有研究难以针对性地提升其性能。因此,引入可视化技术来改进算法并为医学诊断提供可靠依据是有必要的。针对上述问题,本文提出了一种新的模型可视化方法,并将其应用于腰椎影像分割算法的改进中。具体地,本文主要进行了以下研究:1)对图像分类模型中常用的可视化方法进行改进并将其应用于图像分割模型中。此外,针对图像分割模型提出了新的可视化方法。本文提出的方法均通过获取模型的类别激活图对模型进行可视化,区别在于使用了不同的类别激活图获取方式。本文将上述可视化方法分别应用在U-Net上,并选取其中可视化效果最好的一种方法来指导后续研究中相应算法的改进。2)提出了一种基于注意力机制的单模态腰椎影像分割网络,其主要特点是在U-Net中的跳连结构上引入了一个新的注意力模块。实验结果表明,该注意力模块可在无学习参数的情况下自适应地聚焦输入特征图的局部信息,从而提高网络对骨折的椎体区域的识别与定位能力。3)提出了一个信息互补模块,该模块能够促进不同模态之间的信息互补,有利于网络在多模态融合时提取到更丰富的特征。此外,基于该信息互补模块以及本文提出的注意力模块构建了一个新的多模态腰椎影像分割网络。实验结果表明,所提出的模型相比其它模型的性能更好。最后为了进一步验证所提的信息互补模块和注意力模块的有效性,本文将上述模块分别添加到多模态聚合网络中,得到两个改进后的模型。实验结果表明,改进后的两个模型的性能均有提高。