超声检查具有无电离辐射,适用性广等优点,是目前应用最为广泛的医学成像技术之一。近年来,超声图像自动分割技术的发展明显落后于CT图像和MRI图像,其原因在于:超声作为一种声学信号,存在回声衰减和弱穿透性的特性,这种特性导致超声图像下的自动分割技术准确性受限于超声伪影和边缘模糊问题。虽然基于深度学习的医学图像分割方法在多数任务中取得了卓越的性能,逐渐占据业界主要地位。但超声模态下的深度学习分割方法研究却发展缓慢,且在应对上述问题时,效果并不显著。基于此背景,本文从以下三个方面探究基于深度学习的超声图像分割算法的性能提升:1.在分割任务中引入结构化先验信息受限于超声图像本身的成像质量问题,目前只依赖超声图像信息实现组织或病灶的识别算法,存在明显的性能不足。在实际的应用场景中,超声医生通常利用丰富的医学先验信息辅助器官或病灶的识别与诊断。基于此,本文提出在分割任务中引入结构化的医学先验信息补充图像信息,实现分割性能提升。本文以分解模型为基础,研究了基于多任务学习的先验信息引入方法和基于多模态融合的先验信息引入方法,并通过实验验证其有效性。2.引入边缘监督实现分割边缘的细化边缘模糊问题是超声图像分割任务的难点之一,本文通过边缘恶化实验,验证了常用分割框架对于边缘分割的疲乏性。针对此问题,本文探究了基于边缘监督的边缘增强方法。在本文中,应用了两种不同的边缘增强方案:基于高低频解耦的边缘增强方法和基于边界距离度量的边缘增强方法,用以改善超声图像下的不良边缘的识别和细节的还原。3.利用形态学约束弥补不良边缘针对常见深度学习方法缺乏对器官的整体形态学特征的关注,本文一方面提出了基于傅立叶描述子的形状约束方法,利用低频傅立叶描述子引入网络对整体形状特征的关注;另一方面,应用了基于主动轮廓能量约束的损失函数,引入对目标轮廓与区域尺度的联合约束,实现了不良边缘的有效还原。