CT骨骼区域的提取算法可作为骨病灶检测及诊断的基础,排除非骨组织区域的干扰,减少骨病灶误检。由于骨骼内部区域与周围代谢组织CT值的相近,且骨骼轮廓存在边界模糊问题,因此现有的CT骨骼区域提取算法难以在两者差异性缺失的情况下对目标范围进行充分界定。此外,基于深度学习的分割方法可以有效提取高维特征,提高分割效率,但缺乏大规模的CT骨骼区域标注数据集作为有监督条件,导致分割精度不足。然而,医学数据的标注工作需要专业人员来进行,耗时较长,存在人工成本高的问题。因此,CT骨骼区域的自动分割算法具有显著的研究意义和应用价值。本文的主要研究工作包括:（1）针对难以界定骨骼内部区域与周围代谢组织的问题,本文将CT骨骼区域分割任务建模为抠图问题。本文假设在局部窗口内增加已知前景点可以增强该窗口内的空间特征表达,从而弥补未知点与已知背景点在颜色特征上的信息损失,并基于该假设提出了基于前景扩充的抠图增强算法。该算法利用聚类和颜色量化对三分图前景进行扩充,并使用alpha阈值分割迭代增强方法进行多次抠图,直至前景区域变化趋于稳定。在全身骨骼区域分割数据集上的对比实验结果表明,本文所提算法在m Io U指标上优于多个主流医学分割算法,提升了2.11%-6.48%。（2）本文的第一项研究工作大幅提高了分割精度,但分割效率不足。针对该问题,本文利用抠图增强算法生成了CT骨骼区域分割数据集,并假设空间特征表达能够弥补未知点与已知背景点在颜色特征上的信息损失,提出了基于空间特征表达的医学分割网络。该网络以Non-local机制为核心,以稀疏关键点选取代替亲和力矩阵的全局上下文计算,提高了空间特征表达效率。本文在包含15202张横断面标记的分割数据集上进行了测试。实验结果表明,与其他主流医学分割网络相比,该算法在m Io U指标上提升了7.18%。基于以上研究,本文设计了一个CT骨骼区域自动分割工具,部署于广州某三甲医院核医学科。经过实际测试,该工具在测试样本中的准确率为91.11%,分割单样本的平均耗时91.45秒。本文将该工具应用于病灶检测流程中,有效屏蔽了CT切面非骨区域的干扰,降低了骨病灶误判的概率。