随着医学领域的诊断成像技术不断地发展,各种成像手段层出不穷,X光、断层扫描(CT)以及核磁共振图像(MRI)技术都被广泛应用于医疗诊断中。但是依靠大规模的人眼观察病变区域和潜在病变区域将耗费大量的人力物力,如何高效的通过一些自动化的手段去检测,分割和诊断病变组织成为了关键。传统的一些机器学习方法被用于医学图像分割中,但是受到部分容积效应、灰度不均匀性、不同软组织间灰度差异不明显等因素的影响,传统分割方法效果不是很好。近些年来深度学习蓬勃发展,很多方法运用到了医学图像分割中,从最初的卷积神经网络(CNN)不断地发展到后面的全卷积神经网络(FCN),再到出现的U-Net分割模型,一时间涌现出了大量的分割模型和算法,取得了较好的效果。为了获取更好的分割精度,本文结合一些经典的网络架构和模块。针对医学分割问题提出了三种创新性的算法,并在相应分割问题中取得了不错的效果。本文所做的主要工作如下:1.提出了一种基于注意力机制的U-Net分割模型。对称的编解码结构U-Net可以充分结合提供物体类别识别依据的低分辨率信息和提供精准分割定位依据的高分辨率信息。在此之上,嵌入了通道域和空间域的注意力模块,在双重注意力的作用下,网络对编解码模块所提取出来的目标特征进行了权重的优化,在突出目标区域特征的情况下抑制了背景区域和过滤掉噪声,使得背景和前景更具有判别性。并且在LUNA肺部数据集和ISBI细胞数据集上取得了良好的分割效果,相对于已有算法更加凸显了关键特征的提取,提高了分割精度。2.提出了一种基于全卷积的Dense Net分割模型。采用了U型的全卷积编解码的结构和跳跃连接,使得网络更好的利用上下文信息而且融合了不同尺度的特征信息。并将Dense Net结合到了U型网络的编解码中,通过网络模型的密集连接以重复利用特征使得提取的特征更加的细化,减少了模型的参数量和加快训练收敛。在预处理运用了N4ITK算法,并且使用了Dice和交叉熵混合的损失函数。最后用Bra TS 2017脑部肿瘤数据集进行了实验,整体肿瘤区域Dice系数达到了89.73%,并且在LUNA肺部数据集准确率达到99.18%,均比现有的先进算法分割效果更好,分割的更加准确细致。3.提出了一种基于上下文信息的Dense Net分割模型。将上一章编解码网络中的Dense Net基础网络换成了更小型的Dense Net来缩减模型大小,从而减少计算量和加快训练。根据Inception-resnet v2模型的优势设计了一种上下文的信息提取模块并嵌入到编解码中,该模块包括密集空洞卷积(DAC)和残差多核池化(RMP)两个部分,可以获得更抽象的特征并保留更多的空间信息。最后在脑肿瘤数据集上进行测试,三个肿瘤分割区域的效果均好于上一章的所提出的算法,并且在LUNA肺部数据集上的各项指标略好于上一章,证明了上下文信息模块的有效性。