近十年以来,卷积神经网络（CNN）已展示出显著的改善效果,在医学影像应用中具有巨大潜力,可帮助医学专家了解受影响器官的复杂解剖结构以进行手术计划。尽管CNN为图像分割提供了具有潜力的结果,但是现有方法仍然存在经常缺乏在实时环境中提供诸如智能搜索、精确目标定位和分割等功能的特征。此外,基于CNN的现有方法还没有专门为医学专家提供智能功能的混合方案。基于最新的技术要求,本研究开发了一个混合系统以提供三种不同的方法用以显示更好的可视化分割效果。我们的工作从三个不同数据类型、数据性质等方面解决了要提出的混合系统中的分割问题。第一,在开发混合系统的背景下,我们提出了使用基于空间金字塔的卷积神经网络（SPST-CNN）在肝脏手术中进行视图搜索和标记的方法。通过利用输入端的图像金字塔和SPST-CNN深层的空间金字塔集合层的混合组合,我们揭示了全图像表示在精确搜索和标记可变比例的肝脏活体视图方面的收益。由于创口可见度低,外科医生定位解剖结构的能力受到影响,因此腹腔镜肝脏手术具有挑战性。,。我们提出的SPST-CNN可提供精确的搜索和术中肝脏视图标记,以获取有关感兴趣区域的位置和形状的最新信息。使用图像金字塔对输入进行下采样可以使SPST-CNN框架部署具有多种分辨率的输入图像,以实现尺度不变性功能。第二,由于本文的主要目的是通过利用神经网络的修改来提供一种用于智能分割的混合系统,因此,我们将基于神经网络方法,对高效精确的混合系统进行进一步探讨。我们提出了一种最佳融合的完全端到端网络（OFF-e NET）,用于自动分割3D颅内血管结构。从计算机断层扫描血管造影（CTA）中进行颅内血管分割,是用于脑血管疾病诊断和治疗的有前途的生物标志物。医学图像分割方法的最新技术依赖于深度学习架构。然而,尽管它们很受欢迎,但在当前的深度学习体系结构中进行优化以解决血管分割中的技术难题仍存在研究空白。这些挑战包括:（i）提取靠近颅骨的精准脑血管;（ii）血管位置的准确标记。我们提出的名为OFF-e NET的混合系统包含三个模块。在第一个模块中,我们利用跳跃连接来增强信息流,并利用膨胀卷积来保存专为细血管设计的空间特征图。在第二个模块中,我们将残差映射与初始模块一起使用,以实现快速的网络融合和更丰富的视觉表示。对于第三个模块,我们以级联训练策略的形式利用所传递的知识逐步优化三个分割阶段,以分割靠近颅骨的细血管。所有这些模块都旨在提高计算效率。我们使用70个CTA图像体进行了OFF-e NET评估,在颅内血管分割方面的表现为90.75%,优于最新技术。第三,为提供智能分割功能,我们进一步完善了上述混合系统,以可视化方式分析肝脏血管解剖结构的解剖变异,最大程度地寻找合适的活体供体受体（LDR）对的相似性。通过使用级联增量学习（CIL）模型从计算机断层扫描血管造影（CTA）体中分割出肝脏血管。我们的CIL体系结构能够找到最佳解决方案,该方案通过肝脏CTA图像更新模型。我们提出了一种新颖的基于三叉树的算法,将所有可能的肝血管变体映射到它们各自的树形拓扑中,将受者和供者的肝血管的树形拓扑结构进行适当的匹配。我们所提出的算法利用一组定义的血管树变体,通过利用从CIL的增量学习能力得出的精确的血管分割结果,对这些变量进行更新以维持最大匹配。然后,我们引入了一种基于顺序数字字符串的新颖概念,以匹配两棵解剖上不同的树的几何形状。通过视觉图示和定量分析进行的实验表明,与最新技术相比,我们的方法是更为有效的。我们的混合解决方案的实验分析显示,与传统的基于神经网络的模型相比,我们提供了更好的可视化能力,从而提供了增强的分割能力。