从患者的医学影像中分割出各种器官,对于临床医生诊疗疾病至关重要。但是,医生手动勾画这些器官费时费力,为了提高医生诊疗效率,需要开发一种全身多器官的自动分割技术。人体可分为头颈部、胸部、腹部等多个身体部位,不同部位的器官在形状、大小、纹理等方面存在很大差异,往往需要采用不同的方法进行分割。这给全身器官自动分割带来了极大挑战。为此,本文提出了先定位身体部位,再根据身体部位选择器官分割方法的策略。首先,开发一种身体部位识别技术,自动识别医学图像中的身体部位类别;然后开发一种多器官分割技术,在目标身体部位上自动分割各个器官。本文提出的身体部位识别技术和多器官分割技术简要描述如下。本文提出了一种两阶段的身体部位识别算法,第一阶段实现轴断面图像所属身体部位的分类,在此基础上,第二阶段实现连续身体部位识别。两阶段分别对应深度学习分类网络和后处理优化算法两部分。具体地,为提高深度学习分类网络对于轴断面图像的分类性能,引入了基于长短期记忆网络的时空信息提取模块,充分挖掘三维医学图像中的空间上下文信息,最终分类网络可以得到三维医学图像中每一张轴断面图像的身体部位标签。接着,后处理优化算法通过引入人体解剖先验信息,校正部分轴断面图像的错误标签,从而在三维医学图像中识别出多个连续的不同身体部位。该身体部位识别算法在大型的计算机断层扫描成像与核磁共振成像数据集上进行了训练测试,取得了优异的性能。本文进一步提出了一种多器官分割算法,以实现胸部与腹部两个身体部位中十几种器官的自动分割。该算法将三维UNet作为主干网络,并在其中融合基于自注意力机制的上下文信息模块,充分挖掘全局上下文信息,改善器官的分割精度。另外,网络使用了Focal loss和Tversky loss相结合的新损失函数,以取代Dice loss和交叉熵组成的损失函数,从而解决数据中的类别失衡问题,并通过调控损失函数中的参数项来提升网络对困难器官的分割性能。该算法在胸部与腹部两个公开数据集上进行了验证,有效提升了两个身体部位中多个器官的分割精度。总的来说,本文提出了一种基于3D医学影像的全身器官自动分割方法,无需医学影像的先验信息,便能自动生成医学影像中多个器官的分割标注。这将有效提升医生使用医学影像进行诊疗的便利性,具有重要的临床意义。