处理与分析高分辨率显微脑图像可以帮助我们认识大脑细胞层次的结构特点,理解大脑结构与功能之间的联系,能够为人工智能的发展带来指导和启发,而对脑图像进行细胞形态分割是脑图像分析的重要辅助手段。图像分割是计算机视觉领域的一个重要研究方向,可以服务于更高层次的图像分析、统计任务。当前基于深度学习的图像分割算法无论是在自然图像还是生物医学图像领域都有优异的表现,但是大多方法都依赖大量人工标注的像素级标签,人力、时间成本高。对于本文研究的脑图像一类的生物医学图像数据更是如此:很多图像是三维的,需要借助专门的软件查看,并且对这样的图像进行标注可能需要相关的专业知识。所以对我们来说,用于分割网络训练的像素级标注更难获取。因此,我们提出使用弱监督学习的方式解决脑图像的细胞形态分割任务,在使用可接受的较低标注成本的前提下完成数据集标注和脑图像的细胞形态分割。以上述任务为目标,我们创建了用于三维鼠脑和猴脑图像细胞分割的数据集,两个数据集均包括弱标注的训练集和精细标注的测试集,弱标注可以以较低的成本获取;同时,我们提出了三个基于弱监督学习的分割算法,这些基于深度学习的分割方法均不依赖像素级的精细标注。本文的主要工作可以总结如下:1.我们创建了鼠脑图像胞体分割数据集,其中训练集使用内切球弱标注表示胞体的大小和位置。我们先基于该数据集提出了弱监督学习的胞体语义分割算法,该算法根据小球标签确定前景像素、背景像素和不确定像素,并进行正负样本比例均衡,目的是训练网络自主学习对不确定区域像素的分类。然后我们将内切球转换为矩形框弱标注,并提出弱监督学习的胞体实例分割算法,该算法只需要训练一个胞体检测网络,在测试阶段引入峰值响应映射模块,结合我们提出的阈值化后处理完成实例分割。我们设计实验在多个数据集上和现有的相关工作做对比,从量化评估和可视化效果两个方面分别验证了我们方法的优越性和泛化性。2.我们创建了猴脑图像细胞分割数据集,其中训练集使用点标注和粗糙掩码标注表示细胞的位置和形状。我们基于该数据集提出了弱监督学习的细胞实例分割算法,该算法使用我们设计的实例损失函数和形态损失函数学习预测具有峰值形状的细胞概率图,在测试阶段结合峰值检测和分水岭算法完成实例分割。实验结果表明,我们的方法在猴脑数据集和公开数据集上都可以取得很好的分割性能,其量化和可视化结果都比现有方法更好。