医学图像分割是计算机辅助诊断(Computer Aided Diagnosis,CAD)的关键步骤,也是医学图像进一步分析的基础。CT、磁共振(MRI)等医学图像是对比度较低的灰度图像,图像中的邻近器官通常具有相似的密度和纹理,因此精确的医学图像分割具有挑战性。目前,深度学习技术在许多计算机视觉任务中取得了巨大的成功,如对象检测、图像分类和图像分割等。其中一些深度学习技术在医学图像研究领域也得到广泛应用。然而,针对医学图像分割任务,还可以从以下两个方面进一步研究。第一,与自然图像不同,医学图像中人体器官通常呈现相似的形状和位置,这些特征可以被称为解剖学先验知识。由此可以考虑利用解剖学先验知识,结合深度学习方法,提高医学图像中器官分割的性能。第二,深度学习模型的训练需要大量的标注数据,而医学图像分割任务的标注数据集通常较小。因此,可以采用半监督学习方法,同时使用有标注和无标注数据训练分割模型,从而减轻医学图像标注的压力。基于上述分析,本文针对医学图像中的器官分割任务,对深度学习与解剖学先验融合开展研究,有效利用医学图像解剖学先验特征提高器官分割的性能。同时,针对医学图像标注数据量较小的问题,利用无标注数据和解剖学先验特征提出半监督医学图像分割模型。本文的主要工作如下:1)提出一个基于解剖学先验的医学图像分割方法首先,该方法通过一个DAP(Deep Atlas Prior)损失函数将解剖学先验特征融入深度学习模型的训练。其次,参考由先验和似然组成的贝叶斯框架,将DAP损失视为先验损失,与常规似然损失结合,提出自适应贝叶斯损失函数。自适应贝叶斯损失函数可动态调整训练过程中DAP损失与似然损失的比例。在公开的肝脏数据集(来自ISBI LiTS 2017挑战赛)和私有的脾脏数据集(来自医院)上进行一系列实验,与不同的损失函数、最新的语义分割模型比较,验证了所提出的医学图像分割方法的有效性和可扩展性。实验中对肝脏和脾脏的分割指标Dice系数分别达到了96.05%和95.77%。2)提出一个基于对抗学习的半监督医学图像分割方法该方法针对医学图像标注数据不足的问题,利用生成对抗网络中的判别模型从无标注数据中筛选部分可信任的像素,用于分割网络训练。同时,该方法通过损失函数融合解剖学先验特征,辅助网络训练。在肝脏和脾脏数据集上进行实验,实验中将训练数据集按照不同比例划分有标注数据和无标注数据。实验结果表明,该半监督分割模型在多种比例的数据集下,都有效利用了无标注数据和解剖学先验特征提高了医学图像分割的效果,分割性能超过了其他半监督模型。3)提出一个基于先验相似的半监督医学图像分割方法该方法利用概率图集与分割预测结果的相似度作为置信度依据,从无标注数据中筛选高置信像素训练分割模型。在肝脏和脾脏数据集上进行实验,对基于对抗学习和基于先验相似的两个半监督分割模型进行比较,实验结果证明后者的分割性能超越了前者。