近年来,随着机器学习与深度学习技术的发展,计算机视觉与图像处理技术也得到了迅速的发展。医学图像分析,作为一个传统的计算机视觉的分支,在医学诊断中具有重大的意义。本文的目的在于介绍深度学习算法在不同医学图像中的应用。这些应用,可以作为计算机辅助系统,解决实际中的医学问题。由于医学图像分析的范围较广,通常包括分类、分割、检测、配准等,本文着重研究深度学习算法在医学图像分割中的应用问题,即辅助医生进行快速医学图像分析与诊断。本文主要分析两种医学图像应用场景,包括冠状动脉造影影像中的冠状动脉血管分割与B超图像中的胎儿大脑中动脉分割。场景一为冠状动脉造影影像中的冠状动脉血管分割。临床医生通过分割冠状动脉影像中的冠状动脉并进行相应的检测,可以获得相关的病理诊断信息,例如血管异常、血管是否堵塞、血管狭窄程度等。这些通常是导致冠心病的重要因素。然而,临床医生手动分割冠状动脉血管通常需要花费大量的时间,而且对于不同的临床医生,他们的诊断结果通常存在差异。这些因素使得在实际的临床诊断过程中,对自动的冠心病诊断系统的要求越来越高。然而,由于冠状动脉造影影像的低质量与其中存在的伪影,导致冠状动脉血管自动分割十分困难。场景二为B超图像中的胎儿大脑中动脉分割。B超图像中的胎儿大脑中动脉分割的目的在于为动脉血管参数测量过程识别标准切面,与血流参数测量提供标准血管位置。传统的B超图像标准切面识别是通过诊断医生完成的,需要诊断医生具有丰富的经验。而胎儿大脑中动脉中血流参数测量的过程中,需要在获取到标准切面之后,使用彩色多普勒超声检测出胎儿大脑中动脉的位置,进而诊断医生通过识别彩色血流图,定位血流参数测量位置。这个过程中,存在大量需要诊断医生手动完成的操作。本文中提出了针对两种不同的场景,提出了两种深度学习算法,分别应用于冠状动脉造影影像中的冠状动脉血管分割和胎儿大脑中动脉B超图像中的胎儿大脑中动脉血管分割。通过对冠状动脉血管的分割和对胎儿大脑中动脉血管的分割,使得自动诊断冠状动脉血管堵塞程度与自动诊断胎儿大脑中动脉血流参数测量成为可能。其中,主要贡献如下:1.设计并实现了一种简单但有效的基于域间差异指导的数据增强算法。通过合成虚拟数据,来减少源域（眼底血管图像）和目标域（冠状动脉血管图像）之间的差异。与其他数据增强方法不同,本文提出的数据增强算法不仅能够合成虚拟的冠状动脉造影影像,而且能够生成相应的血管标注。由于这些数据是通过无监督的方式合成的,所以利用这些合成的数据可以进行无监督训练。2.设计并实现了一种用于胎儿大脑中动脉血流参数测量过程中自动识别标准B超切面,自动识别胎儿大脑中动脉,自动血流测量位置标定算法。通过该算法,在实际临床诊断过程中,诊断医生避免了繁复的手动操作过程,从而提高诊断的效率。同时,基于该算法实现的胎儿大脑中动脉血流参数自动测量系统可以作为初级医生的辅助诊断教学工具。3.大量的实验结果表明本文中提出的数据增强方法可以有效地减少源域和目标域之间的差异从而提升域适配算法的性能。同时,实验表明本文中提出的自动胎儿大脑中动脉血管分割算法对自动获取标准B超切面,自动获取带测量血流参数位置十分有效。