医学图像分割与检测定位是医学图像处理及分析领域的重要研究内容,同时也是对医学成像数据中感兴趣区域进行二次提取的关键技术。在自动化处理过程中涉及到分割和椎体的定位标号工作,可以极大地减少医务工作者重复且乏味的数据信息筛选过程,辅助医生完成病灶分析与定位,便于及时制定后续的治疗方案。由于人体的解剖结构具有一定的复杂性,同时医学成像设备种类繁多,在数据在成像过程中也易受外界环境的干扰。相对于自然图像而言,医学图像跨中心样本差异大、噪声高、对比度低等特点,导致分割出来的边界轮廓粗糙,模型整体性能下降,难以满足临床应用。因此本文提出了一种子“编码-解码”结构的全局多尺度图像分割网络,实现子网络对主干网络的二次提取与预先解析。同时为提升对边缘细节的关注,引入了由空洞卷积的多尺度结构和全局上下文信息提取结构组成的全局上下文多尺度特征提取模块,使用多分支注意力门机制,使得深层语义与浅层特征细节相互协调,保留了不同空间特征信息,加入辅助Loss对网络进行监督,实现端到端、快速、准确的医学图像自动分割。在公开的肝脏、脊柱和骨盆数据集上均取得了较好的精度,图像内部结构和边缘细节的分割上更准确。此外,由于CT呈现视野范围不同,局部视野中的椎骨间具有极高的外观相似度,椎体自动定位困难较大。而基于深度学习的椎体标号模型大多数都需要巨大的计算开销,无法直接应用于临床嵌入式设备中。针对以上问题,本文首先借助多目标分割任务,对常用作骨干网络的U-Net进行内部表征分析与信道压缩的可行性探究,深度剖析瓶颈模块作用以及信道压缩前后的变化与规律。其次,本文将以上的探究性结论迁移至椎骨标记,提出了一种卷积神经网络（CNN）与多层感知机（MLP）混合的Btrfly Xt网络结构。采用分组卷积与信道压缩降低模型的参数量,并在MLP阶段引入了注意力机制,完成了一种端到端、轻量级的椎体中心点定位与标号网络Btrfly Xt。该网络实现了在压缩90%模型参数后仍能提升8个百分点的椎体标记任务。