医学影像分割是指从患者的诊断影像中辨别出病变的器官、组织或相关区域,描述关于这些区域的轮廓、体积和定位的方法.目前在临床上,影像分割是疾病诊断和治疗的先决条件,通常由具有诊断经验的医生人工完成.随着患者就诊率的上升,医学影像数据的规模快速增长,给医生带来了大量而繁琐的工作.因此,许多研究人员对医学影像自动分割方法进行了研究.早期的医学影像分割方法大多是基于像素边界、阈值和图论等经典的方法,这些方法在分割性能和效率上均不能满足现今临床应用的需求.深度学习能够通过数据驱动的方式从原始影像数据中学习最具代表性的影像深层次特征,这种方法采用很多简单的模拟生物神经元互联,组成层,很多的层堆叠成神经网络来实现复杂任务.这种算法可以从海量影像数据中自动学习,而不必人工设计复杂的影像特征.这些算法解决的任务包括对海量数据中的输入特征向量进行理解和分类.虽然深度学习的关键技术卷积神经网络是在几十年前首次引入的,但是直到近些年,这些算法才展现出让人信服的成果,将它们的地位从一种算法思想提升到人工智能通用算法的水平.并且近年来,虽然复杂的深度学习算法很少能够超过人类的一些工作,但在某些任务中,如肺结节和乳腺结节诊断,它们表现出优于人类的性能.本文以食管癌肿瘤的计算机断层扫描装置影像（Computed Tomography,CT）分割为例,基于深度学习技术,对如何提高分割算法的性能和适用性进行了研究.本文的主要工作和贡献如下:（1）本文改进了一个食管癌影像生成算法,结合循环神经网络能收集上下文信息特性,根据真实的CT序列影像,在生成对抗网络基础上合成有前后影像相关性的CT序列影像,达到数据增强目的,并以此来训练后续的分割神经网络模型.（2）由于食管在整个胸腔截面中所占部分较小,为了提高鉴别器的效率,在生成对抗网络基础上加入了一个与主鉴别器合作的额外局部鉴别器专门鉴别肿瘤部分.并结合注意力机制设计了粗分割模块,赋予网络在分割部位的注意力,通过此模块,网络可以从数据中自动学习出哪些特征需要更多的关注.然后使用残差块加深的U型网络结合生成对抗网络鉴别器调整输出结果进行细分割,粗分割负责区分肿瘤区域与背景,细分割利用前者的分割结果进一步将当前肿瘤区域从其相邻软组织中分割出来,精确分割肿瘤边界.（3）在算法鲁棒性分析方面,本文分别对三种影像分割网络模型Cascaded Net,经典U-Net和Deeplab-v3,使用常规数据增强算法和本文数据增强算法下生成的训练集,分别训练三种影像分割网络模型.根据评价指标:Dice相似度指数、分类误差和体积误差,对比其他几类用于影像分割的神经网络算法,验证了本文算法在不同肿瘤位置特征及有噪声影响环境下的鲁棒性均优于其他算法.