在医学图像处理领域中,医学图像分割对辅助诊疗起着极为重要的作用,近年来,越来越多的学者将深度学习应用于医学图像分割中。本文对此展开深入研究,致力于提升医学影像中器官及病灶区域分割精度。首先,在语义分割领域,面向二维数据的网络模型与功能模块种类丰富,对三维数据的研究较少。本文以二维网络模型为研究切入点,选取在Ki TS19上取得优秀性能的U~2-Net?作为基础网络,搭建肾脏及肾肿瘤分割系统。面向分割系统本文做出如下改进:为解决样本不平衡性,采用组合的损失函数作为参数训练的更好导向;采用连通域分析算法对预测图像后处理,充分抑制假阳性像素点;针对肿瘤形态具有多样性与不规则性的特点,设计基于非对称卷积块的U~2-Net?,在深层编码阶段应用非对称卷积块,提升模型鲁棒性。其次,本文聚焦网络结构,深入探究网络功能模块的作用机理,提出基于四重注意力与边缘监督的三维U~2-Net。针对肾脏及肿瘤分割任务,本文主要贡献如下:第一,为弥补二维卷积导致轴向信息的损失,对二维网络升维并提出改进的三维U~2-Net,大幅提升局部上下文信息的判别力;第二,为弥补升维操作丢失的感受野,克服肿瘤区域尺度变化范围大的问题,设计多核池化模块以强化深层语义特征的提取能力;第三,为提升神经网络专注于特征子集的能力,建立不同维度信息的交互关系,提出一种四重注意力机制,对四个维度的特征并行挤压激励,强化网络对核心特征的关注度;第四,为解决语义分割网络对边缘信息不敏感的问题,设计边缘监督模块,对神经网络浅层编码阶段的肾脏及肿瘤边缘信息进行多模态监督,大幅提升前景信息的敏感性。最后,实验验证所提方法的优秀性能。基于四重注意力与边缘监督的三维U~2-Net在Ki TS19验证集上取得0.8942的Dice成绩;在测试集上取得0.9009的Dice成绩。通过与多种经典的3D网络架构的对比,本文提出的分割方法能够在参数量较小的前提下取得优越的分割性能。