医学影像中各个器官组织的轮廓提取,是实现自动化诊断和辅助手术的重要前提。然而,医学图像在采集时,容易受到设备影响而产生噪声和伪影等。同时,不同患者的器官形态不尽相同,并且部分患者的器官有病变组织,容易产生灰度不均的情况。以上问题给医学图像中的器官分割带来极大挑战。本文针对腹部医学图像中的肝脏器官,分别提出了两种基于2D的肝脏分割算法。其主要是利用切片之间形状的关联性和一致性等特点,对切片进行分割。主要研究工作如下:(1).针对医学图像的器官繁杂、相邻器官对比度低的问题,本文提出了一种由粗及精的分割框架。由于医学图像的器官繁杂,感兴趣区域(Region Of Interest,ROI)的确定对后续分割起着至关重要的作用。因此,本文利用Faster RCNN锁定图像的感兴趣区域,以摒弃图像上其它器官对后续分割的干扰。此外,通过提取肝脏的形状信息与感兴趣区域灰度的高斯混合信息,提出了一种高效且可扩展的形状模型拟合肝脏的全局形状信息。为了精细化分割结果,所提的基于高斯伪方差的能量函数可以驱使曲线到达肝脏的沟壑及峡谷地带,而且能够有效避免灰度不均及肿瘤的影响。该框架考虑了肝脏尺度,空间纹理以及能量函数在迭代中的变化,具有更灵活的分割方式,分割精度得到了较好的提升。(2).针对神经网络训练需要大量样本的问题,本文提出了基于上下文形状约束的神经网络分割模型。该模型是一个级联网络,分为单切片分割预测模块和上下文分割预测模块。在单切片训练时,为了采用较少的样本达到较高的精度,对肝脏占比大的切片进行了数据增广。所提的大数据Dropout策略,可以有效的防止增广后的数据过于单一。在上下文分割预测网络中,模型输入是待分割的2D切片以及相邻切片的预测结果。该网络充分地利用了上下文的空间形态信息,因此分割准确率得到了较好的提升。与传统的基于2D的网络相比,该方法在小样本的训练中,分割精度得到了很大的提升。在大样本的训练中,与基于3D的网络分割模型的分割精度相比,略有提升。