图像分割是医学图像处理过程中关键的技术之一,是医师诊断疾病和制定诊疗方案的重要参考依据。例如医生会根据眼底图像中视盘的形状、颜色和光泽判断患者是否患有青光眼,又如医生根据大脑肿瘤的位置、体积和形状判断肿瘤是良性或者恶性。目前,多种方法可以进行医学图像的自动分割,但卷积神经网络由于其端到端处理方式,以及在各种医学模态数据和各种组织器官分割中的鲁棒性,逐渐成为最主流的分割方法。尤其是近年来GPU处理能力的飞速发展,卷积神经网络处理数据可以做到实时,更增加了其在医学图像分割领域的应用。然而现有的基于卷积神经网络的医学图像分割方法仍然存在着很多问题,诸如网络只能聚焦于分割图像整体或局部,而不能将其结合,同时分割易于漏掉小区域。本文针对基于卷积神经网络在医学图像分割中存在的缺点,提出了两种自动分割模型,实现了眼底图像以及脑肿瘤核磁图像的自动分割。本文研究的主要内容以及创新点如下:1.针对眼底图像中视盘的分割问题,应用生成对抗网络实现了视盘的精确分割。本研究利用Unet框架搭建的生成器,可以结合图像中的高级语义信息和低级语义信息,解决眼底图像灰度分布及边界分布复杂导致的图像分割精度不高问题;判别器使用全连接层设计,网络的输入不再是简单的生成器的输出结果,而是将生成器输出结果作为掩码过滤原始图像并与金标准作为掩码过滤的原始图像共同作为输入。网络的输出也不再是简单的判定图像真假,而是计算两种图像的差异性。通过这样的操作,生成对抗网路训练收敛性更好,同时,分割的精度也更高。2.针对脑肿瘤图像分割问题,提出了结合肿瘤边界信息的分割网络Edge-Net。该网络既能提取图像中的全局信息又能针对关键区域的边界进行准确分割。Edge-Net由三个子网络构成,分别为:边缘子网络、注意力子网络和分割子网络。其中边缘子网络能定位肿瘤区域并确定肿瘤边界;注意力子网络将肿瘤边界信息转换为权重信息,增加卷积网络作用在肿瘤边界处的权重。同时利用注意力机制精确分割细小组织;分割子网络应用空洞卷积提取整幅图像的全局特征信息。注意力子网络与分割子网络提取的图像特征信息通过拼接共同预测最终的分割结果。在此基础上,本文应用ResNet模型从输入图像中提取全部的特征信息,通过利用高级语义特征融合低级语义特征的方法进一步完善了ResNet模型提取特征的能力,提高了网络分割的准确性。