胼胝体发育不良是胎儿中枢神经系统畸形中的一种先天性发育异常,指在胎儿发育过程中胼胝体部分缺失或完全缺失,并且通常情况下胼胝体发育不良的胎儿没有明显的外在症状,难以在发病前及时发现,但是在未来则有可能出现视力障碍、癫痫、智力障碍、情绪障碍等疾病。在临床中,使用超声技术进行胎儿胼胝体异常检测这项工作往往取决于人工诊断,医生依赖自身的工作经验找到胎儿脑部胼胝体区域生成超声图像并对超声图像进行分析,这过程工作量十分巨大。故而,为了减轻医生负担和提高胎儿胼胝体异常诊断的准确性,基于超声图像的胎儿胼胝体分割任务变得不可或缺。基于上述现实背景,本文从以下两个方面研究基于深度学习的胎儿胼胝体分割方法:基于编解码网络结构的胎儿胼胝体分割方法。首先,本文根据胎儿胼胝体超声图像的特征,制定了数据集的采集方案和标注规范,并且利用伽马校正、直方图均衡等方法进行数据增强,抑制过拟合现象的发生。其次,本文对所使用到的编解码网络结构展开了详细地说明,并且重点介绍了基于原方法所做的修改。最后,为了找到对胎儿胼胝体超声图像最优的分割方法,分别在图像数据增强、优化器、损失函数、编解码网络四个方向做了充分的对比实验,并找出合适的模型结构,实现了胎儿胼胝体的高精度分割。基于注意力机制的胎儿胼胝体分割方法。首先,本文对当前主流的注意力机制展开了详细地介绍,包括多头注意力机制、双边注意力机制、窗口注意力机制。其次,本文将这三个注意力机制与胎儿胼胝体分割任务的实际情况相结合,搭建了用于胎儿胼胝体分割的网络模型,同时提出一种新的融合注意力机制用于胎儿胼胝体分割。最后,为了验证三个模型在胎儿胼胝体分割任务上的性能表现,本文做了详细地对比实验。实验结果发现,本文提出的融合注意力方法能够有效地提升胎儿胼胝体分割性能。最终,本文采集胎儿胼胝体超声图像,通过深度学习技术,使用融合注意力机制算法和窗口注意力机制算法实现了胎儿胼胝体超声图像的高精度分割,m Io U值分别达到0.787和0.788,可用于降低医生诊断工作量,同时提高胎儿胼胝体异常诊断率。