随着当今社会的发展,医用技术在人们生活日常诊疗中愈发重要,CT图像、MRI图像的数量也不断增加,单靠人力来进行医学图像的分割识别已经难以满足现今需求,因此,利用计算机技术来进行自动分割受到研究人员的广泛关注。本文以牙齿CT图像为切入点进行研究,研究的内容包括水平集算法与神经网络相结合的半自动标注分割技术,三维卷积神经网络分割技术,最终设计并实现了一个医学图像牙齿CT算法分割平台。目前,神经网络技术应用广泛,其有效性也得到广泛承认,但是神经网络训练模型时所使用的训练集数量庞大,医学图像难以提供足够有效样本,且人工标注存在耗时过于严重的问题,容易造成数据过拟合问题导致模型无法应用于训练集外的图像,这也是目前医学图像领域深度学习发展远不如其它图像处理的主要原因。本文利用水平集算法,结合曲线演化理论,使得初始化曲线收敛于图像边界,并输出图像边界作为标记,实现半自动标注,用以神经网络的训练,最终通过训练的网络模型完成分割;针对医学图像在训练中难以定位的问题,提出了基于卷积的三维分割网络,网络使用CT图像序列集之间的距离数据构建第三维度信息,实现医学图像在三维空间中的分割;为解决神经网络算法之间不易评估问题,构建评估平台,用以与当今主流算法进行对比分析。并结合华西医院所提供的数据集,通过大量的实验对算法的有效性和优点进行了验证。本文的主要内容如下:1.提出一种半自动标注分割算法。利用水平集算法与曲线演化理论生成的边缘轮廓,将得到的边缘轮廓与人工标注的标签混合,协同参与神经网络的训练中,在不降低网络分割精度的情况下,减少人为操作的工作。2.提出一种融合三维特征的神经网络分割算法。对三维特征在医学图像上的优势进行分析,通过三维卷积搭建三维神经网络模型,利用残差思想解决随着网络层数增加而产生的梯度消失问题,建立桥接通道补充高维信息,提出一种融合三维特征的新神经网络模型,解决二维神经网络在相邻序列集数据上无法精确定位的问题。3.设计并实现了一种医学图像牙齿CT算法分割平台。平台可以对输入网络模型进行精度验证等比较,生成效果对比图,内置多种当今主流的医学图像分割算法,也允许用户上传自己生成的网络模型参与对比。