恶性肿瘤一直是危害人类健康的主要疾病之一,其发病率和死亡率一直居高不下。在治疗肿瘤的放化疗过程中,对肿瘤区域的靶区与周围重要器官的分割一直处于重要地位。此前由医生进行的人工分割成本巨大,如何进一步减轻医生的工作量,提高治疗的效率一直是近年来的研究热点。随着人工智能技术的快速发展,深度学习算法在计算机辅助诊断中取得了突破性的应用。基于深度学习的图像分割算法应用在医学领域,能够快速地实现自动化的靶区勾画与器官分割,减缓医疗资源的紧张,提高患者的就医率。对治疗恶性肿瘤意义重大。本文主要是对基于深度学习的医学图像分割算法3D-Unet进行研究优化与实现。主要贡献如下:1.提出了一种水平深度多尺度的U型卷积神经网络(Level Depth Multiscale U-net,LDM-Unet)分割算法,基于3D-Unet,在水平层采用多卷积堆叠方式提取多尺度信息,提高网络对不同尺度目标的感知能力,在各深度层利用空洞卷积提取不同深度的空间结构信息,避免连续池化带来的信息损失,从而提高网络的分割性能。在公开数据集BraTS 2018上对WholeTumor,TumorCore以及EnhancingTumor的分割dice系数分别取得了0.82,0.73,0.64的结果。2.提出了一种多分辨率并行的U型卷积神经网络(Multi-resolution U-net,MRUnet)分割算法,维持多个不同分辨率的子网,子网之间采用并行的连接方式,进行密集的信息交换,避免了传统串行网络通过上采样恢复分辨率造成的空间位置不准确问题。在公开数据集BraTS 2018上对WholeTumor,TumorCore以及EnhancingTumor的分割dice系数分别取得了0.84,0.77,0.71的结果。3.将上述的模型算法应用在华西结直肠癌CT图像上,提出一种手动特征提取方法,对CT图像数据进行多种方式的特征提取,增加图像的通道数,提升图像中的信息容量,对数据进行扩充。使用新的带权损失函数解决图像分割中类别不均衡问题,对算法进行工程上的优化与实现,完成结直肠癌的临床靶区的勾画与器官的分割。