医学影像分割是医学影像分析的重要基础,良好的医学影像分割算法可以有效提高医学影像的诊断能力。现有的医学影像分割通常依赖医生和专家的经验,无法满足大规模医学影像分析的需求。本文以医学腺体图像和视网膜血管图像这两个重要的医学影像为代表进行医学影像分割算法的探索。其中,腺体是重要的人体组织学结构,腺体的形态是腺癌病理分析的重要依据,腺体对象的分割也是腺癌分级的基础和前提;人眼视网膜的血管状态通常反映了人眼的健康状况,血管组织具有纤细而绵长的特点,视网膜血管的分割是眼科病诊断的重要因素。由于两种人体组织结构的复杂性以及在医学影像中呈现出的多样性,相关研究虽取得了一定的进展但仍具有一定的局限性,本文在前人研究的基础上进行了进一步探索,具体工作如下:(1)基于双分支深度神经网络的腺体分割和轮廓预测协同建模方法腺体具有复杂且聚簇的结构特性,在腺体分割任务中,进行腺体的轮廓预测通常能帮助获得较优的边界。现有的深度腺体分割方法通过构建单分支的底层网络提取底层特征再构建分支网络别用于腺体分割和轮廓的共同预测,弱化了腺体分割和轮廓预测任务的相关性以及腺体边界与内部表征的差异性。因此,本文提出一种新型腺体医学图像深度分割网络模型,该网络主要由两个网络分支构成,分别用于腺体分割和轮廓预测两个子任务,各分支拥有独立的底层特征提取网络,而高层的学习和预测网络则基于共享的高层特征图构建,其特点在于独立的底层特征网络更有利于提取腺体内部和边界处差异化特征,而共享高层特征的预测网络强化了腺体分割与轮廓预测两个子任务的相关性,并通过网络学习的反向传播机制协同抑制了分割和轮廓识别的误差。此外,除共享的高层特征外,各分支网络具有较为独立的网络结构,为利用已训练的深度模型进行初始化提供了便利,提高了训练的效率和性能。本文将所提出的方法在腺体医学图像分割竞赛MICCAI 2015提供的标准数据集上进行了测试,结果表明所提出的方法在腺体检测、腺体分割、腺体边界识别指标上其性能均优于现有其他同类算法。(2)基于可训练随机游走层的RW-Unet视网膜血管图像分割方法边界预测和前景分割相融合的双分支网络可用于内部结构和边界具有较显著表征差异的人体结构医疗图像分割任务。视网膜血管结构具有纤细而绵长的特点,因此无法有效适用。为实现视网膜血管结构的分割,本文进一步研究了医疗图像分割中经典网络结构U-Net并加以改进,提出一种融合可训练随机游走层的RW-Unet视网膜血管图像分割方法。传统的U-Net网络通过编码和解码单元聚合多尺度特征实现分割预测,其结果忽视了视网膜血管图像中前景像素点之间的相关性,因此所得分割结果具有不连贯性。在RW-Unet中,通过引入随机游走网络层量化相邻像素间的相关度,约束优化过程中血管区域标签的不一致性,并融合到传统的U-Net网络中,解决了血管分割的空间碎片化的问题,提升了视网膜血管分割的性能。本文在视网膜血管分割标准数据集DRIVE上进行了一系列的实验对比,其结果表明所提出的方法可以取得良好的分割性能,验证了算法的有效性。