医学图像分割旨在自动勾勒医学影像中对应着人体结构或病变的区域,对疾病诊断、人体结构区域量化、医学影像可视化等有着重要的意义,其也一直是计算机视觉领域一个广受关注的研究课题。医学影像有多种成像模态、也可以从多个器官采集,不同影像间存在显著视觉差异,导致面向不同成像模态和器官的医学影像分割算法研究过程相对繁琐和复杂。由于不同医学影像分割算法中存在较大比例可以复用的模块,因此本文从加快算法设计的角度出发,开展医学影像分割算法实验平台的设计与实现,旨在将繁琐的数据处理流程和网络结构构建流程模块化,降低算法设计的门槛,以更好推动医学影像分割算法设计领域的发展和进步。具体的,本文的主要工作如下:第一,设计了一个医学影像分割算法实验平台。在调研了大量医学影像分割中用到的神经网络后,总结了网络的设计规律,开发了一个医学影像分割算法实验平台。该平台面向科研需求设计并实现了数据解析、数据扩充、网络结构设计、网络训练和结果获取等模块,可支持研究人员选择数据的存储类型并进行自动的图像解析,选择扩张方法进行数据的自动扩张,选择平台支持的基础网络和先进模块设计面向特定任务的分割神经网络结构,并进行相关的训练和测试,得到较为满意的结果。本文的各项测试分析证明了所设计平台的合理性、健壮性和实用性。第二,将本文设计的医学影像分割算法实验平台应用于医学影像的分割神经网络构建。工作包括两个方面:首先研究了分别适用于神经元图像、眼底视网膜图像、腹部图像和皮肤图像的专用分割网络构建,在相应领域数据集上取得了较好效果;其次研究了面向医学影像分割的通用神经网络构建,以解决网络迁移到其它影像类型时性能下降的问题,实验表明所构建的ACE-Net结构在两个不同的数据集上均表现出突出性能。以上实验均验证了本文设计的算法实验平台的有效性。