自从数字医学图像成像设备问世以来,医学图像已在医学治疗和诊断中起着至关重要的作用,其分析已经成为了临床治疗中的重中之重。在医学图像分析中,医学图像的精准分割对其分析起着至关重要的作用。近年来,深度卷积神经网络特别是U型编码解码器已经在医学图像分割领域内表现出了强大的性能。然而,由于医学图像的固有挑战,例如数据集的不规则性和异常值的存在,在临床应用领域内传统的分割方法还没有展示出足够准确和可靠的结果。基于此,本文提出了一种新型的深度学习网络Attention BConv LSTM U-Net with Redesigned Inception（IBA-U-Net）用于医学图像分割。首先,为了融合不同尺度的特征,并利用并行的不同大小的卷积核来提取多尺度细节,本文提出了一种更适合医学图像分割的Inception模块来增加输出特征图的感受野,提高网格提取特征的能力,同时降低模型整体网络参数及提高GPU计算能力,该模块能够提升网络的分割准确性和鲁棒性。其次,针对医学图像中噪声过多干扰分割准确率的问题,本文集成了BConv LSTM块和Attention块提出了Bi-Conv LSTM Attention块,该块能够减少编码器和解码器特征图之间的语义差距降低噪声带来的干扰问题。Bi-Conv LSTM在保留更多特征的同时能够挖掘出编码器和解码器中潜藏的信息,Attention块提高了模型的灵敏度,同时该块聚集于殊含义的部分,该做法可以降低错误分割的比例。再次,本文基于U型编码解码器结构集成了多尺度特征融合特点的Redesign Inception和Bi-Conv LSTM Attention机制的深度卷积神经网络Attention BConv LSTM U-Net with Redesigned Inception（IBA-U-Net）。同时本文基于Dice loss损失函数和加权交叉熵提出了更适合医学图像分割的损失函数。最后,本文提出的架构IBA-U-Net已在三个公开可用的数据集（肺图像分割数据集、皮肤病变图像数据集和视网膜血管图像）上与U-Net及最先进的分割方法进行了比较,每个数据集都有其独特的挑战,在实验部分本文发现提出的IBA-U-Net提高了预测性能。IBA-U-Net网络不仅计算费用略低,网络参数也更少,该网络只需45%的U-Net参数即可有效、准确地完成不同任务的医学图像分割。