医学影像己经成为医生进行疾病诊断的重要参考信息。随着医学图像数量的快速增长,基于计算机的自动医学图像分析成为现代医学影像学的主要研宄方向之一。阅览大量医学图像并做出诊断对于医生来说是一项繁琐的任务,容易受到医生经验和疲劳程度的影响,计算机辅助诊断系统则有助于降低医生阅片负担和提高诊断准确率。甲状腺相关性眼病(TAO)是一种成人最常见的眼眶疾病之一,属自身免疫性疾病,确切发病机制尚不清。医院通常对患者眼部进行扫描得到CT图像进行病情分析,而眼部直肌的畸变是TAO发病的主要原因之一,故将眼部直肌分割出来具有显著的现实意义。本文研究了基于深度学习的医学图像眼部直肌自动分割算法。首先介绍了常见的图像分割算法,然后把研究重心放在基于神经网络的图像分割算法上,介绍了基于神经网络进行图像分割的几个网络,包括全卷积网络、SegNet、DeconvNet和DeepLab以及各个网络在语义分割上的技术原理。在此基础上做了两个研究。本文的第一个研究点是针对卷积神经网络网络参数巨大、训练难以收敛、计算量大等问题,选取了三种Inception module,提出结合InceptionNet的U-net作为医学图像分割网络,将不同的Inception module插入U-net对应的位置,以增加网络的宽度和深度来提升网络性能为目的,设计了7个Inception-U-net变体,在ISBI数据集上训练与测试,来探究Inception-U-net的最佳网络结构,使得Inception-U-net在训练阶段更快收敛,并能够更加精准地分割图像。本文的第二个研究点是在眼部CT图像分割任务中,在对眼部直肌数据集进行数据脱敏后,针对医学图像样本稀少,难以训练的问题,应用数据集增强算法,将数据集数量扩充,以满足训练的需要;使用labelme数据集标注工具对数据进行标注后,使用Inception-U-net在制作好的数据集上训练和测试,并与原版U-net在此数据集上的实验结果做对比,实验结果显示,Inception-U-net能够自动分割眼部直肌组织区域,并且分割结果比U-net的分割精度提高了8.38%,对医生诊断患者病情具有辅助作用,也推动了深度学习在医学图像分割上的发展。