医学图像反映了人体的内部结构,是现代医学检查的基础。医学图像分割是生物医学影像领域中重要的步骤,主要特点是通过区域间的相似性或不同,将影像划分为几个区域。因为常规的机器学习技术依靠特征工程进行图像分割,基于此获得的特征的表达能力有限,所以分割结果相当受限。基于深度学习的医学图像分割方法近年来备受瞩目,其中基于卷积神经网络的相关方法具备出色的特征识别和提取能力,在医学图像分割等领域的性能远高于传统机器学习方法。针对医学图像分割任务,本文指出了现有的研究中医学图像分割方法存在准确率和稳定性等性能指标仍不够高,缺乏与临床应用相结合的关键问题,特别是CT脑出血图像和腺垂体MR序列。本文以基于深度学习的医学图像分割算法为技术核心,旨在实现高质量医学图像分割,以立足于医疗辅助诊断为需求,深入研究并提出了一些有效的理论和方法。本文的主要研究内容如下:(1)基于深度学习的CT图像脑出血分割方法存在数据集参数单一,泛化性不高的问题,开展了基于深度学习的使用混合精度训练的脑出血测量的研究,提出了一种混合精度训练的由粗到细的深度学习策获悉更多略,结合2D和3D模型的优点以颅骨剥离,脑出血定位和脑出血精细分割三个阶段用于脑出血分割。三个阶段共享同一个用于脑出血分割的卷积神经网络(称为s ICHNet)。使用所提出的模型和策略,在多种层厚参数的私有数据集和公开数据集(CQ500)上进行了训练和验证。实验结果证明所提出的模型具有很好的泛化性和鲁棒性,并且性能优于单一的2D或3D分割模型。最后对血肿随访体积的可视化和脑出血不同治疗方法的血肿体积变化进行了探索,从而更精确地指导临床决策。(2)针对腺垂体这类小目标分割难度大的问题,开展了基于深度学习和影像组学的MR图像腺垂体分割研究,提出了腺垂体定位和腺垂体精细分割的策略,并且设计了一种selleck激酶抑制剂能捕获局部细节信息和长距离依赖关系的Transformer和CNN融合模型(PIT-Former)用于腺垂体精细分割。实验结果证明了PIT-Forbiopsy site identificationmer在腺垂体分割任务中的先进性能。除此之外,本文还将全自动分割的腺垂体影像组学特征跟手工分割的腺垂体影像组学特征进行了比较,实验证明二者的影像组学特征具体高度的一致性。最后使用全自动分割的腺垂体影像组学特征对激素水平进行了回归预测,初步发掘了影像组学特征可替代激素水平的潜力。