医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题,它在生物医学图像的分析中占据着非常重要的地位。近年来,由于深度学习算法的广泛应用,针对医学图像的分割技术有了快速的发展。目前,深度学习算法已经被成功的应用到很多医学图像分割问题当中。然而,针对一些缺乏大量数据支持的影像表现形式多样的罕见疾病,依赖数据的深度学习算法难以发挥其性能。针对这一问题,本文提出了一种基于深度学习的医学图像分割框架,以数学形态学工具约束分割模型,并将多个针对不同任务设计的分割模型组合在同一个网络中协同训练,依靠分割目标的形态学约束和多个模型间的协同互助,有效的解决了数据量不足以及影像表现复杂的病灶分割问题。针对影像表现复杂的病灶,本文提出了一种形态学特征约束下的图像分割目标函数。通过数学形态学方法从标签和分割网络输出的掩膜中提取分割目标的面积周长等几何特征,同时为网络设计一个用于预测这些几何特征的分支;用从标签与掩膜中提取的特征与网络预测出的特征构造目标函数中的形态学约束,用以提高网络对于分割目标的整体把握能力。我们在248位患者的CT扫描图组成的神经母细胞瘤分割数据集上验证了这一模型,实验结果表明形态学约束对神经母细胞瘤分割网络有明显的增益。针对缺乏大量标注数据的医学图像分割问题,本文提出了一种协同分割不同目标的多任务学习框架,依靠不同分割目标和模型结构的差异性和互补性,实现了模型底层信息的有效共享和高层语义的整体协同。对于医学图像中不同结构的协同分割,我们采用共享底层参数的方式鲁棒且有效地获取利于分割的底层特征,并交叉融合非共享的高层语义信息以利用不同分割目标间的互补性。在腹部多器官分割和神经母细胞瘤分割两个任务上的实验表明,医学图像中的不同分割目标在我们的多任务学习框架中可以有效互补。