医学图像分割,其目的是精确地勾勒出人体器官、病变或组织的轮廓,它作为常见疾病筛查和病灶分析的先决条件,是进行准确诊断的重要步骤。然而,以人工的方式对医学图像进行分割需要花费巨大的成本,因此,在当前我国医疗资源不平衡、不充分的前提下,使用计算机技术对医学图像进行自动化分割具有十分重要的意义。通过这种方式,可以极大的缓解医疗人员的工作压力,并为临床诊断提供辅助指导。由于医学影像的特性,对微小结构的分割是一个常见的任务需求,例如眼底血管分割、组织细胞和视盘视杯分割,本文从这些需求场景出发,结合国内外研究现状,开展了以下三点研究:基于自蒸馏方法的眼底血管和组织细胞分割方法。本文首先针对眼底血管和组织细胞分割展开了研究,在这两种任务中,目标结构数量众多、分布密集,导致现有方法难以对血管末梢和细胞边界进行准确分割。针对这种现象,本文提出了一种可以嵌入到绝大部分编码器-解码器网络的自蒸馏训练机制,并在多个公开数据集上进行了实验,实验结果证明了该训练方法可以改善网络分割性能,并且具有极强的通用性。基于增强上采样模块的视盘视杯分割网络。本文接着以视盘视杯分割为研究目标,针对当前主流方法中出现的上采样时信息丢失的现象,分析该现象产生的原因,并提出了一种基于增强上采样模块的分割网络。在多个数据集上的实验,表明本文提出的网络可以生成准确的视盘视杯预测图像。此外,通过与其他方法进行对比,验证了本文提出的方法的先进性。基于自监督学习的分割性能优化方法。最后,本文针对医学图像数据集中数据量稀少,导致网络在训练时很容易出现过拟合,从而影响分割效果的现象,引入了自监督方法进行优化。在实验部分,通过对比分析不同上游任务和参数迁移方式,选取了一种最适合医学影像分割任务需求的自监督方法,并证明了自监督的方法可以通过使用易于收集的无标签数据来改善网络分割性能。