鼻咽癌严重威胁着人们的身体健康,医学图像分割在鼻咽癌放疗中起关键作用,它可以增加疾病诊断的准确性,提高癌症治疗成功的概率。然而,鼻咽癌外形多样,密度不均匀,边界模糊,病变形状复杂等给鼻咽癌CT图像分割的准确性带来了一定的困难。随着深度学习的快速发展,已经有研究人员将深度学习应用到医学图像分割领域,利用深度学习算法对医学图像提取最佳图像特征,提高了医学图像分割的精确度。故论文采用了深度学习技术对鼻咽癌CT图像分割进行了研究,论文主要研究成果如下:(1)针对鼻咽癌CT图像的特征和卷积神经网络存在耗时长、存储量大和提取全局特征较少等问题,提出了一种基于全卷积网络的鼻咽癌CT图像分割方法。该方法充分利用了全卷积的全卷积化、上采样和跳跃结构的网络结构优势,同时在全卷积网络的基础上添加了第二条路径,这样的双路径结构可以结合局部特征和更大的上下文特征。实验表明,该方法能够对鼻咽癌CT图像进行有效分割,且分割效果较传统卷积神经网络有所改进。(2)针对全卷积神经网络对中间特征图进行下采样降低了图像的空间分辨率以及分割结果精确度低等问题,提出了一种结合膨胀卷积、残差连接和条件随机场的3维卷积神经网络方法。该方法将膨胀卷积代替了传统卷积,使得可以在空间分辨率高的图像块上提取特征,采用残差网络以解决网络优化问题,并在3D CNN网络输出层后加入条件随机场,使得能够对鼻咽癌CT图像进行高准确度地分割。实验结果表明,本文提出的3D CNN模型对鼻咽癌CT图像分割有良好的分割性能。(3)利用TensorFlow深度学习框架,在anaconda中实现了以上两种分割算法,并且开发了鼻咽癌CT图像分割系统。通过该系统,可以任意选择一种分割方法,不仅可以获得准确度较高的分割结果,而且简化了人工手动操作复杂度。该系统具有图像导入导出、图像分割与三维可视化等功能。