医疗图像分割被广泛地认为是后续医疗图像处理中最重要的一个步骤,能大幅提高医疗诊断的效率和准确性。然而,纯手工的医疗图像标注成本非常高,一方面医疗图像大多是3D的,其标注需要耗费大量的时间资源,另一方面标注需要专业的医生,且其准确率与医生的经验密切相关。随着近几年卷积神经网络的快速发展,自动分割大幅提升了医疗图像分割的效率。然而在实际诊疗应用中,现有自动方法的精度和鲁棒性仍有待提高。为了得到一个更佳的分割结果,交互式的图像分割策略,通过引入少量的用户提示实现对分割结果的迭代优化,成为了一个有价值的研究方向。为了减少用户提供的点击数量和交互时长,现有交互式图像分割算法用自动获得的粗分割结果代替初始用户提示,本文在这类算法框架上进行了探索和研究。此外,虽然这些算法能迭代式地对分割结果进行多轮交互更新,但它们仍然独立地考虑每一轮更新的分割结果,很大程度上忽略了连续交互的动态性。为了更好地利用交互式图像分割的动态性,本文提出了一个基于深度增强学习的算法Ite R-MRL,将交互式医疗图像分割的动态过程建模成一个马尔科夫决策过程,然后用深度增强学习求解。我们的算法从整体上考虑一个分割更新序列,充分挖掘了交互分割前后的关联。由于体素级的图像分割标注任务会使得单智能体的增强学习算法遭遇探索空间爆炸的问题,我们采用了多智能体模型,将每个图像体素看作一个智能体。通过让所有智能体共享同一个行为策略,将探索空间减小到了可行的范围。多智能体模型还能同时实现图像体素的合作交互,有效地捕捉了分割任务中体素之间的依赖性。对于增强学习中的状态、动作和回报,我们针对交互式图像分割任务作了以下设计:1)包含分割概率的状态设计,使得之前分割结果保留的信息更加丰富,也避免了分割结果出现振荡的现象;2)多尺度的动作设计,使得模型能对分割概率进行更加细致和精确的调整;3)基于相对性能的回报设计,为模型提供了可比较的基准,提升了模型的探索效率。实验结果表明,在不同的3D医疗图像数据集上Ite R-MRL算法都能显著超过目前其他的同类算法。我们的算法需要更少的交互量,并且拥有更快的收敛速度。另外,由于不同的模拟用户交互设定会很大程度上对分割结果的性能产生影响,本文提出了一套兼具高效性与合理性的模拟用户交互设定方案。针对交互设定的各个因素,我们做了大量实验和深入分析,包括用户提示点位置的选择、提示图的生成、提示点噪音扰动,以及在总点击数量不变的情况下提示轮次数与点击数量的分配方法,并将最终的交互设定方案应用于本文算法及对比算法中。