医学图像分割是医学图像处理与分析领域一个复杂而关键的步骤,其目的是将医学图像中具有特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。近年来,由于深度学习算法在医学图像分割中的应用,医学图像分割技术取得了显著的进展,本文在此基础上进行了深入研究,致力于提高胸腔X射线图像的诊断精度,主要提出了两种方法:多支柱卷积神经网络和病灶专注网络。由于人体的特殊结构,胸腔X射线图像不同位置区域的视觉特性相差较大,而传统神经网络中的权重共享技术的基本假设是不同区域具有相似的分布,因此本文提出了多支柱卷积神经网络来解决这一问题。多支柱卷积神经网络可以看作多个支柱支撑顶部的结构,底部是多个分支模块,独立处理不同位置区域的输入数据,然后融合每个分支模块的特征图形成融合特征,之后生成的单流网络根据融合特征编码全局上下文信息,从而提高分割性能。该方法在NIH胸部X射线数据集上取得的AUC评分要优于本文其他算法,验证了所提出方法的有效性。考虑到目标病灶信息占整个图像的比例较小,为了提升分割效率和诊断精度,提出病灶专注网络来改进深度模型:其中的硬注意力和软注意力模仿放射科医生如何分析图像,关注输入图像中与疾病最相关的区域,从而提高了模型提取特征的效率;并加入大决策余量损失,能够反过来激励模型挖掘更准确更有说服力的预测能力,从而提高其泛化性能。在NIH胸部X射线数据集上进行了广泛的实验,结果显示所提出的方法在验证集和测试集上均优于本文对比的其他现有算法,证实了所提出的网络模型和改进算法的有效性。