医学图像作为临床诊断的重要参考,如何快速且准确的分割出医学图像的病灶区域得到了人们的广泛关注。利用深度学习进行图像处理成为当前的主流,医学图像分割也以其独特的应用场景成为深度学习在图像处理领域应用的成功范例。U-Net网络以其特有的U型结构在医学图像分割领域取得了较好的性能。但该网络仍存在诸如精度不够高等一些问题,后续研究者也提出了一些U-Net的改进网络,虽然在精确度上有一定程度的提升,但造成的参数爆炸等问题也非常值得关注。为进一步加强医学图像分割的性能,满足精确度和网络参数量的要求,本文围绕基于U-Net的医学图像分割方法展开研究,论文主要内容和创新工作如下:1)介绍了U-Net及其四种改进的U-Net医学图像分割网络,包括V-Net、Multi Res UNet、CE-Net和UNet3+网络的结构、优缺点和性能。2)针对现有的基于U-Net改进的医学图像分割网络只注重分割精度而忽略网络计算量的问题,提出了一种新的基于多尺度偶数卷积注意力U-Net（multiscale even convolutional attention U-Net,MECAU-Net）的医学图像分割网络。该网络在编码端采用2?2偶数卷积代替3?3卷积进行特征提取,并借鉴多尺度思想,利用4?4偶数卷积将得到的信息直接传递给主干部分,以保证获取更全面的图像信息并减少额外计算开销,同时还采用对称填充解决偶数卷积核提取信息过程中产生的偏移问题。此外,在2?2偶数卷积模块后加入卷积块注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。最后,在三个医学图像数据集上进行分割实验,实验结果表明,提出的MECAU-Net比其他对比网络在低复杂度情况上取得到了更好的分割性能。3)针对现有的U-Net及其改进网络对图片细节信息关注度不够的问题,提出了一种新的基于多尺度编解码U-Net（multiscale encoder-decoder U-Net,MEDU-Net+）的医学图像分割网络,该网络在编码和解码部分分别加入了不同形式的多尺度特征融合进行特征的提取和恢复,在编码部分,借鉴Goog Le Net的多尺度特征提取模块,提取图片更多的细节信息;还在连接部分引入一层一回传的跳跃连接机制,不需要编码到最后一层再传递特征信息,保证编码部分每一层提取出的特征信息不被浪费;此外,还结合了广义Dice损失函数和Focal损失函数的共同优点,提出了一种新的组合形式的损失函数,帮助整个分割网络取得更好的分割结果。为了验证网络的性能,对MEDU-Net+和其他分割网络在三个医学图像数据集上进行分割实验,实验结果证明,提出的MEDU-Net+取得了最好的分割性能。