器官分割是临床上最重要和最具挑战性的医学图像预处理步骤。目前,放射科医生通常以人工的方式描绘感兴趣区域,然而,这种方式极其依赖观测者的专业知识,并且十分耗时耗力,因此全自动的医学图像分割方法被迫切需要。本文主要针对两种不同模态的器官做出了如下分割工作:1.针对胰腺过分割、欠分割以及预测结果与真实值之间形状不一致的问题,本文提出了三种跨域信息融合策略来解决。首先本文提出第一种策略跳跃网络,该网络可以通过大范围跨域连接有效地抑制过分割。第二种策略称为残差网络,其主要目的是通过小范围的跨域连接来解决欠分割和过分割的问题。第三种多尺度跨域信息融合策略称为多尺度残差网络,在第二种策略上增加了多尺度卷积操作,可以学习更准确的胰腺形状并有效抑制过分割和欠分割。本文对来自美国国立卫生研究院临床中心的82例腹部对比增强的三维计算机断层扫描(CT)数据集进行了四折交叉验证实验。实验获得的平均Dice相似系数为87.57%±3.26%,比德国Freiburg大学Olaf Ronneberger教授实验室2015年提出的U-Net的预测结果提高了7.87%。2.针对心脏错误分类和形状不连续性的问题,本文提出了一种多尺度双路径特征聚合网络来解决。本文提出的网络分为两部分:第一部分是多尺度嵌套网络,目的是抑制心脏形状并保持浅层的全局信息;第二部分是可以保留更深细节的全卷积神经网络。本文在45个病例的b-SSFP MRI和T2加权MRI图像上进行了实验,该数据来源于2019年医学图像计算和计算机辅助干预(MICCAI)心脏分割挑战赛。该方法在b-SSFP核磁共振成像(MRI)心肌分割的平均Dice相似系数为86.26%±5.22%,在b-SSFP MRI左心室分割的平均Dice相似系数为93.36%±2.23%,在b-SSFP MRI右心室分割的平均Dice相似系数为87.95%±4.29%,在T2加权MRI心肌分割的平均Dice相似系数为86.75%±8.66%,在T2加权MRI左心室分割的平均Dice相似系数为92.94%±3.34%,在T2加权MRI右心室分割的平均Dice相似系数为84.90%±7.17%。