肝结石病是世界上最常见的外科疾病之一,尤其是在亚洲。每年都会出现由于取石不净而造成的二次手术,这不仅增大患者的创伤和病痛,也给社会造成了一定的经济损失。为了提高手术的安全性,一个完整且妥当的术前诊断必不可少。肝胆外科医师凭借临床经验定位腹部CT图像中的病灶区及结石位置,受到主观因素影响很大。因此,在腹部CT图像中自动分割肝胆管及胆道结石有助于医生快速精确定位病灶区。由于肝胆管的高形变特性以及胆道结石的小尺寸特性,使得这项任务十分有挑战性。据文献调研,目前尚无有关肝胆管和结石的图像分割算法研究。为了更加高效地辅助肝胆外科医师进行手术,本文基于U-Net提出一种医学图像分割网络,有效地同时分割胆管和结石。本文的主要工作有:1、通过文献调研,发现目前尚无针对肝胆管及结石图像分割的公共数据集,我们与广州医科大学第一附属医院的肝胆外科进行合作,根据临床病例的腹部CT图像,利用像素级别的标注工具Labelme构造了一个新型数据集GZMU-HS;2、基于U-Net设计了一种新型端到端全卷积网络,以实现肝胆管及结石自动分割任务。我们根据该网络的形状将其命名为M-Net。在M-Net中,由四个流组成了两个编码器-解码器。在不同的流中,设计多尺度稀疏卷积去提取不同尺度下的丰富语义特征和多尺度上下文信息。为了充分利用多尺度特征图的优势,提出一种多流特征融合策略,将第一个流中产生的最丰富的语义特征融合到其他流中;3、为了进一步提高分割性能,重新设计了一种新颖损失函数:自举交叉熵函数。其作用是可将M-Net的特征提取进一步聚焦在难以区分的胆管和结石边缘像素点上。通过丢弃具有较高分类概率的易区分像素所计算出来的loss值,使得网络中整体loss的下降集中在这些难区分像素上,从而使得训练变得更有效率和针对性。实验结果表明,M-Net优于多个最新的深度学习方法,可以在腹部CT图像中同时分割胆管和结石。其图像分割性能可达:胆管的召回率为98.678%,准确度为84.427%,DICE为89.831%,F1-分数为90.998%;结石的召回率为99.894%,准确度为55.132%,DICE为71.248%,F1-分数为71.051%。