医学影像分割描绘了人体不同的解剖结构和异常组织,可以用于临床诊断,治疗规划等。借助充分的标注数据,深度卷积神经网络已经在医学影像分割研究中取得了突破性的进展。但是,获得用于训练深度卷积神经网络的大量医学标注影像是一项密集的劳动并且很容易出错,因此迫切需要对标注数据依赖小的分割方法,该方法只需要一个或几个标注示例即可进行训练,可有效解决标注难以获得的问题。本文以分割磁共振成像的脑解剖结构为例,借鉴one-shot思想,学习一例标注数据与未标注数据之间的相关性,将此相关性应用到分割空间中,得到未标注数据的标注。因此,算法目标是学习能够得到准确分割结果的相关性映射。研究内容和主要贡献包括以下几个方面:第一,提出了基于前向相关性的one-shot脑解剖结构分割算法。原始的分割网络在输入统一分布的前提下,通过逐层学习特征,在复杂的环境中分割出目标区域。受启发于可变形卷积,基于前向相关性的分割算法不直接输出对目标的预测,而是输出源数据（标注数据x）到目标数据（未标注数据y）之间体素级别的相关性映射。相关性映射学习影像之间潜在的对应关系,此对应关系可以直接应用于分割空间,从而减少对标注数据的需求。第二,提出了基于双向相关性的one-shot脑解剖结构分割算法。使用one-shot 思想获得精确分割结果的条件是深度神经网络能学习到光滑且准确的相关性映射。基于前向相关性的算法学习由标注数据x到未标注数据y的前向映射,此映射并不唯一。为了使网络学习唯一且更准确的映射,本文借助CycleGAN的思想学习可逆映射,增加未标注数据y到标注数据x的后向相关性映射的学习,对前向映射进行约束。第三,提出了基于变换一致相关性的one-shot脑解剖结构分割算法。基于前向相关性和基于双向相关性的one-shot分割算法只是在影像空间和相关性映射空间中对网络进行约束,基于变换一致性的分割算法将分割空间加入训练,并探寻三个空间中的一致性信息,这些一致性信息作为监督信号约束相关性学习。