医学图像分割在医学图像分析中扮演着至关重要的角色。随着现今医疗水平的提高,医疗设备的飞速迭代以及实现落地化普及,超声、计算机断层扫描（CT）、磁共振成像（MRI）等高水平医疗成像技术广泛运用于各个医疗领域中。同时,医学图像分割在血管、皮肤病变、肿瘤病变等各种人体部位的医学图像处理和分析任务中发挥着重要作用,为辅助医学诊断提供有利的依据,对真实场景的临床治疗具有重要意义。本文侧重研究应用于实际临床医学场景中具有非凡潜在价值的医学CT图像分割的深度学习算法,并致力于算法准确度的提升以及解决分割算法仍存在的部分缺陷。本文的具体的研究成果如下:1、提出了一种多尺度上下文注意力的医学CT图像分割网络（MC-Net）针对医学CT图像的分割准确度低、不同尺寸的分割目标导致学习困难以及传统模型参数量大等问题,本论文提出了一种多尺度上下文注意力的CT图像分割网络。首先利用SP卷积（Split Convolution）替代了传统的双卷积,解决了经典U-Net中参数大、准确度一般、预测分割速度慢的问题。然后,在SP卷积组成的U型骨干网络中设计并添加了多尺度特征提取模块,提高了分割网络的学习不同尺度目标的能力和分割准确度。同时,在MC-Net分割网络的下采样操作之后,设计了一种基于空洞卷积的模块,其补充了因为连续的卷积层和池化层操作而损失的边缘细节信息。额外地,残差注意力模块、快速特征解码模块以及变体Dice损失函数被应用到所设计的MC-Net中,进一步提高了医学CT图像的分割预测准确度以及推理时间。通过所提出的五种模块以及骨干网络进行组合成一个大型的分割网络,实验结果表明,在四个不同的公开医学CT图像数据集上的AC评价指标分别为0.9960、0.9946、0.9981、0.9924,其他三种评价指标也优于当前先进的CT图像分割网络算法。2、提出了一种基于Transformer的层次性上下文注意力医学CT图像分割网络（HT-Net）为了更有效的建立分割目标像素间的长距离依赖,弥补传统卷积中的缺少的自注意力能力,本文提出了一种基于Transformer的层次性上下文注意力医学CT图像分割网络。该网络首先建立了一个残差空洞金字塔池化模块,通过设置不同的空洞率的空洞金字塔卷积来学习不同尺度的分割目标,同时也为了后续添加的位置敏感轴向注意力模块提供了丰富的目标边缘像素细节信息。位置敏感轴向注意力模块是基于Transformer机制进行设计,该模块分别通过Transformer机制对输入的特征映射进行纵向以及横向像素点之间的相似度计算,以此建立不同像素点之间的自注意力。最后,本文还添加了三路输入的层次性上下文注意力模块来弥补Transformer机制带来的丧失捕捉局部特征能力的缺点。上述所提出的三个模块依次添加进入Res Net-34的骨干网络中,并以此作为跳跃连接辅助骨干网络进行目标分割。该算法在128分辨率的三个公共医学CT图像数据集中,AC评价指标分别获得了0.9911、0.9924、0.9913。在512分辨率的Lung和Ki TS19数据集中,AC评价指标分别获得了0.9948和0.9944。实验数据表明该网络的分割能力都要优于经典的纯卷积分割算法和当前热门的基于Transformer机制的混合卷积分割算法。