胰腺作为人体第二大腺体,承担着体内辅助消化和调节血糖的功能,其重要性不言而喻。近年来随着人类生活方式和环境的改变,以胰腺囊性肿瘤为代表的胰腺疾病的发病率逐年攀升,成为中老年群体中的潜在威胁。CT影像是胰腺疾病的常用诊断方式,但由于传统的医疗服务与人们日益增长的健康需求的矛盾日渐凸显,医生也难以负荷机械而繁琐的人工读片工作。而在医学影像中开展精准的胰腺及其病灶分割是计算机辅助胰腺疾病诊断和后续手术规划的必要前提,有利于提高精准诊疗水平和减轻医务人员的工作负担。胰腺及其囊性肿瘤影像的分割相比于腹腔其他器官或组织而言一直是块烫手山芋,在CT影像中胰腺及其囊肿形状多变,腹腔体积占比小,边界不清晰的影像特点长期困扰着研究人员。本文针对胰腺的影像学特点提出了卷积神经网络和变分模型相结合的胰腺精准分割算法。其中以训练数据驱动的卷积神经网络作为胰腺的初始分割框架,并结合变分模型以网络分割出的边界作为初始化进行精细分割,从而有效地弥补了因囊性病灶存在的网络欠分割。又针对胰腺囊性肿瘤低密度影团状物的影像学特点,提出了基于弱监督线段的改进区域生长算法实现了囊肿的精准分割,并通过四组对比实验验证了该分割算法的鲁棒性。在南京鼓楼医院提供的CT影像数据上,本文提出的分割算法使胰腺的分割精度达到了 85.6%的dice分数,而囊肿实现了88.1%的分割dice。实验表明,基于深度学习和变分模型相结合的方法能有效实现腹部CT影像中胰腺的精准分割,同时利用囊性肿瘤区域监督线段进行区域生长能够完整准确地标注病变区域的轮廓。