医学图像分割作为医学图像分析的一部分,是组织或病灶检测、识别等任务的基础,在计算机辅助诊断任务和智能医学中具有重要的地位。随着深度学习技术的发展,以深度学习为基础的医疗图像分割是大势所趋。构建分割精度高的医疗图像分割算法,并搭建操作简单、高效的智能辅助诊断系统,可以极大地提高医生精确诊断的效率和缩小各地区医疗水平的差距,同时为人们日益增长的健康需求提供更好的医疗服务。本文以医疗图像中的眼底图像和超声图像为切入点,探索医疗图像分割算法,搭建操作简便的智能辅助诊断系统,在DRIVE、STARE以及HC18数据集上进行大量实验,并针对数据集中存在的数据量少、图片质量参差不齐、分割目标部分结构细小而造成分割精度不高的问题,进行如下研究工作:(1)提出一种结合注意力机制与条件生成对抗网络的眼底图像分割算法,旨在提高较小视网膜血管分割精度。首先,设计一个关注高层和低层特征图内有用特征、抑制不相关特征的注意力模块,将其作用于网络高层和低层,使其关注血管提取,进而提高细小血管分割精度;其次,将注意力生成器和残差模块构成的判别器组成条件生成式对抗网络,使生成器和判别器互相对抗,促进两者能力提高;最后,去除注意力生成器中的BN层,缓解小批次训练下批统计量不稳定所带来的影响。在DRIVE数据集上的测试准确率、灵敏度、特异性、AUC指标分别为95.59%、82.88%,97.45%、97.86%,各指标均优于目前主流的视网膜血管分割方法。(2)提出一种缓解有用信息损失的医疗图像分割算法。首先,设计一个多尺度自适应细节特征融合(MSADFF)模块,自适应融合多尺度特征,充分捕获不同尺度细节特征,缓解细节信息丢失;其次,设计双路径上采样(DPUS)模块,从空间和通道上补偿信息,恢复图像分辨率,进而有效地获得更好的分割结果;最后,在U-Net的基础上进行改进,在跳连接之前使多尺度特征图经过MASDFF进行自适应特征融合,将DPUS作为新的上采样方式。在DRIVE数据集上的测试准确率、灵敏度、特异性、AUC、F1-Score指标分别为95.67%、82.20%、97.63%、98.05%、82.87%;在STARE数据集上的测试准确率、灵敏度、特异性、AUC、F1-Score指标分别96.50%、82.39%、98.25%、98.65%、83.88%;各指标均优于所比较的主流视网膜血管分割算法;此外在HC18胎儿超声图像数据集上Io U指标可达95.42%,比U-Net网络高了0.61%。(3)医疗图像辅助诊断平台设计与实现。在所提分割算法的基础上,从实际应用的角度出发,搭建医疗图像辅助诊断平台。整个平台集患者医疗信息智能管理和医生智能诊断于一体,功能丰富、操作简单,交互性强,具有较强的应用价值,且极大提高了医生诊断效率。