医学图像分割是定量病例评估、计算机辅助检测和疾病进展检测的重要环节,在医学图像处理领域起着关键的作用。目前,深度学习技术促进了医学图像处理领域蓬勃发展,大量的方法倾向于利用深度神经网络来解决各种医学分割任务。高精度医学图像分割的主要挑战来自于医学图像任务的固有难题:待分割区域的边界分割难度大与训练数据集匮乏。为了解决医学图像待分割区域边界的分割难度大的问题,提出联合边缘检测与图像分割的多任务学习策略。为了解决医学图像数据匮乏的问题,提出利用迁移学习策略将自然图像数据中的知识迁移至医学图像分割任务中。因此,本文依据医学图像的特点探讨了基于迁移学习的医学图像分割多任务算法问题,工作主要如下:一、研究了联合边缘检测与图像分割的多任务学习策略。边缘检测与图像分割是两种不尽相同但又相互联系的视觉任务,它们之间存在逻辑上的关联性,即边缘检测任务可以被理解为图像分割任务的子集。可以利用多任务学习策略将这两个任务结合起来,实现一个端到端的边缘检测-图像分割联合网络,以解决待分割区域的边界分割难度大这一问题。本文设计了一个选择性交并集成模块,通过将分割信息与边缘信息深度融合,最终生成高精度的分割结果图。在此基础上,为了更充分地利用医学图像的病理性特点,本文根据医学图像中分割难度从病灶（器官）中心至边界呈逐渐增大这一趋势,设计了中心权重解耦机制,将真值解耦为细节边缘标签与分割标签对网络进行多监督;同时本文还提出了一种新颖的交叉融合机制,对网络中的双流信息,即细节边缘信息与分割信息,进行深层次的融合。实验证明,相比于此前的单任务学习策略,联合边缘检测与图像分割的多任务学习策略可以大幅提高分割算法的精度。二、研究基于关系的迁移学习策略。由于常见的公开的医学图像数据集规模偏小,对比方法较少,很难在非常公平的条件下展现本文分割算法的有效性。为此我们使用了基于关系的迁移学习策略,首先在规模更大的自然图像数据集进行分割算法的比较,之后将相关经验迁移应用至医学图像。实验证明,本文方法无论是在自然图像分割还是医学图像分割任务中均大幅领先此前方法,证明了此策略的优势。三、研究基于参数的迁移学习策略。由于医学训练数据集匮乏,很难解决深度神经网络的数据饥饿问题,为此本文还采用了基于参数的迁移学习策略。本文首先选择了 Swin Transformer这一骨干网络,并在超大规模的自然图像数据集ImageNet上进行预训练,之后将这部分权重加载在医疗图像数据集上通过端到端联合学习对整个网络进行微调。从而可以利用其大量训练数据的优势,大幅提高了医学图像分割的精度。实验表明,基于迁移学习的医学图像分割多任务算法在息肉分割与视盘分割任务的四个数据集上均取得了优异的结果,在Dice、IoU等指标上领先于其他先进的模型,证明了本文方法的有效性。