医学图像分割是医学图像处理研究中的一个关键问题,即将医学图像中感兴趣区域分割出来,是后续特征提取、影像分析和预测,以及临床诊断的重要基础。然而面对大量复杂的医学影像,医生仅凭丰富的临床经验去分析图像,速度和准确率都不能满足需求。此外,针对多模态多中心的数据,模型分割精度和鲁棒性不高,高维数据分割方法研究较少。因此,开发高效准确的医学图像分割方法在临床应用上具有重要意义。本文围绕医学图像分割中的关键问题进行研究,主要针对多模态脑部影像的颅骨去除问题和活体心脏的左心室心肌分割问题进行如下研究:（1）使用深度迭代融合网络（Deep iteration fusion network,DIFNet）对颅骨进行分割。DIFNet的主体结构由编码器和解码器组成,中间的跳跃连接方式由多个上采样迭代融合构成。其中编码器由残差卷积组成,以便浅层语义信息更容易流入深层网络,避免出现梯度消失的现象。解码器网络由双路上采样模块构成,通过具有不同感受野的反卷积操作,将输出的特征图相加后作为模块输出,有效还原更多细节上的特征。引入带有L2正则的Dice损失函数训练网络模型。为了验证模型的分割性能,本文采用多个公共数据集和贵州省人民医院提供的多模态数据,与传统软件分割方法和深度学习模型对比,并从Dice值、灵敏度和特异度等指标进行定量分析。实验结果证明,本文提出的DIFNet模型可以快速、准确地去除颅骨,相比于主流的颅骨分割模型,精度有较高提升,并且模型具有较好的鲁棒性和泛化能力。（2）采用深度学习的思想,设计一种光流场与语义特征融合分割网络（Optical flow and semantic feature fusion segmentation network,OSFNet）对活体心脏的左心室心肌进行分割。该模型利用光流场计算出不同时刻之间的心脏运动特征,与图像本身的纹理特征进行融合,提高模型对左心室运动区域的敏感度。该模型主要包括编码器和解码器。编码器阶段中加入多感受野池化操作,减少语义特征损失。解码器阶段使用多分支还原图像特征的思想,保证模型能最大化还原池化后的特征。网络模型使用加权Dice损失函数作为优化目标。本文采用公开数据集进行训练和测试,使用Dice值、杰卡德相似性系数、Hausdorff距离等指标进行定量分析。实验结果表明,融合运动特征的模型能改善分割性能,本文提出的模型与多个基准模型相比分割性能都有很大提高,能准确分割出左心室心肌。