随着人工智能地快速发展,深度学习在临床医学上渐渐被研究和应用,而医学影像的自动分割就是它较为常见的应用之一。CT和MRI图像的自动分割能减轻医生的工作负担,同时深度学习的可学习、实时性能带来更快和更准确的分析效果,能更加有效地帮助医生诊断和治疗患者的疾病。本文从临床需求出发,结合深度学习的方法,针对腹部前列腺和宫颈癌放射治疗过程中存在的实际需求和问题,提出了前列腺和宫颈及周边多器官的自动分割方法。本文的工作总结如下:1.提出了一种基于通道注意的多尺度全局卷积3D MRI前列腺分割方法,对前列腺实现快速和准确地勾画。首先针对常用分割网络中分类子任务被弱化的问题,将全局卷积模块引入到分割网络中,这样能扩大特征信息的感知范围,同时根据不同层级分辨率,添加尺度不同的全局卷积模块,然后考虑到编码器模块的不同类型低层特征对在解码器中重建信息不一定都十分有用,所以对低层特征进行通道关注,校正不同类型特征的贡献程度,最后引入了对数据不平衡敏感的损失函数,更加有效地帮助训练。通过对实验结果的分析表明该方法能获得更好的分割结果。2.提出了一种基于空间与通道注意的特征融合3D MRI宫颈癌分割方法,能实现对宫颈癌的自动分割,辅助医生进行宫颈癌放疗。首先在编解码分割网络中,不同分辨率的低层特征包含不同局部和全局信息,对于分割有积极作用,所以在进行高-低特征融合时,将邻近两层编码块的输出结合作为低层特征,一起进行融合,其次鉴于不同层级特征可能存在冗余、不重要信息,所以在将更高层的低层特征进行了空间和通道注意力关注,将跨层特征中更有效的通道和空间特征进行强调,实现更加有效地融合,最后鉴于宫颈癌数据的极度类别不平衡问题,使用weighted dice coefficient loss作为训练的损失函数。采用所提出的方法进行宫颈癌分割,取得了较好分割结果。3.提出了一种基于层级空洞金字塔卷积的3D CT宫颈及周边多器官分割方法,将宫颈周围的膀胱、直肠、乙状结肠和小肠等器官分割出来,进一步缩小宫颈范围,这样能相对减少宫颈癌分割的难度。为了整合多尺度全局和局部特征信息,将不同空洞率的空洞卷积级联使用,形成了空洞空间金字塔结构,同时考虑到不同编码模块的特征分辨率不一致,所以不同层级特征采用不同个数空洞卷积级联,这样能避免引入冗余操作,其次由于边缘可分性差,尤其是膀胱和小肠之间,加入了边缘细化结构,从层间和层内分别探索边缘信息,最后根据数据分析,这个数据类别间像素点数量差异较大,所以引入了weighted dice coefficient loss缓解数据不平衡问题。实验结果显示了以上方法的有效性,尤其是在直肠和小肠部分提升十分可观。