随着图形图像技术的发展,特别是医疗成像设备的普及,医学图像处理技术得到了越来越广泛的应用。临床上,医生通过对脑出血病人的脑部CT扫描图像进行肉眼观看,并结合自身的行医经验,来判断病患的脑部出血量、血块的形态以及出血区域等相关指标,进而为手术做好相应的准备。然而,CT图像均为二维断层切片,并不能反映脑出血部位在空间上的结构。因此,本文以脑出血CT图像数据集作为基础,利用深度学习的方法对图像中出血部位进行二维层面的分割,并在分割完成后采用基于改进的移动立方体（Marching Cubes,MC）算法实现出血部位的三维重建。本文对医学图像处理技术中的图像分割与三维重建传统算法的不足性,展开了如下的研究:1.针对脑出血CT图像出血部位大小及形状差异性较大而导致分割精度较低的问题,本文提出一种基于改进U型神经网络的图像分割模型。首先,该模型利用UNet中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积（Residuals Octave Convolution,ROC）块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度。为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net、Attention U-Net、UNet++以及CE-Net相比,m Io U指标分别提升了20.9%、3.6%、7.0%、3.1%,表明本文所提模型具有更好的分割效果。2.针对传统的MC算法中存在的计算速度慢以及二义性问题,本文提出一种基于改进MC的三维重建算法。该算法以二维脑出血CT图像和病灶分割掩膜切片作为输入,在三维数据场中通过对体素棱边进行标记的方法,有效的排除了空体元的检测。在计算等值点坐标和法向量的时候采用中点法,节省了计算量。此外,通过设计新的基本构型,将15种基本构型扩展至20种,减少了MC算法二义性导致的空洞问题。最后,在真实的脑出血病人数据集上进行实验仿真。实验结果表明,提出的改进算法在重建速度上提升了60.47%,并且在重建效果上也得到了改善,验证了算法的有效性。综上所述,本文对提出的改进算法进行了仿真实验。实验结果表明本文提出的网络分割模型能够很好地完成脑出血CT图像的出血部位分割任务,为后期的三维重建打下良好的基础;改进的MC算法在CT图像三维重建时速度和精度有很大的提升,为医生对于患者的术前准备工作提供了帮助。