计算机断层摄影术(CT)是一种常用的临床医学成像技术。CT可以很好的实现椎体骨折和不稳定损伤检测,因而广泛应用于临床诊断。由于腰椎承受了身体大多数的力量,在遭遇较强外力时容易造成压缩性骨折。在临床诊断中,初期和中期的压缩性骨折在椎骨形态上形变较小,大多数情况医生会出现误诊以至于加重骨折程度,因此需要十分精确的分割结果才能更好的辅助医生进行诊断。但是临床中的手动分割耗时耗力且不同的医生分割的结果不同,并没有一个统一的分割标准。除了上述原因外,椎骨形态间的重复性、正常和病理间的解剖变异性、图像采集的参数相异性(包括分辨率和可见视野等)等原因,使得单个椎骨的自动分节段分割存在极大的困难。目前已有的传统分割算法以及机器学习算法,虽然能分割出人体椎骨,但是由于其精度太差,导致无法应用于临床。因此,迫切需要一种能自动完成椎骨节段分割的算法,从而大大减轻临床医生的工作负担。针对这一问题,本文提出一种人体椎骨多类别分割算法,大大的提高了椎骨分割的精度,其中包括了以下三部分:1、CT图像预处理。其中包括了限制对比度自适应直方图均衡化、基于HU值的阈值分割以及图像膨胀等操作,提高了输入图像的质量,增强了图像的特征信息。2、多尺度L1损失生成对抗网络。以生成对抗网络为基本结构,在其鉴别器部分提出了多尺度L1损失函数对分割结果进行监督;对生成器使用广泛应用于医学图像分割的U-Nnet网络。在验证了其收敛性和稳定性之后,由于多尺度L1损失函数对于分割结果进行了多尺度的监督,包含了其分割结果更多的特征信息,因此该网络可以有效的对椎骨进行大致的分割,并且其结果优于目前已有的图像分割算法。3、多尺度自引导注意力网络。该网络对初步分割的结果进行更为细化的多类别分割,完成对人体腰椎L1-L5的分割。多尺度自适应注意力网络鉴于传统CNNs网络随着网络加深,会丢失图像信息的问题,提出了多尺度策略以及注意力机制,保证了图像信息在网络加深的同时不会丢失信息,并且提取和分割任务更为相关的图像特征信息。因此多尺度自适应注意力网络表现出了良好的分割性能。