医学图像分割是医学图像处理领域中的一项基础任务,其目的是提取医学图像中的感兴趣区域(Region of Interest,ROI)辅助医生诊断疾病。使用深度学习方法从医学图像中自动分割器官、组织或者肿瘤区域成为研究热点。利用卷积神经网络(Convolutional Neural Network,CNN)实现医学图像分割是目前最重要方法之一。基于CNN的分割网络从原始图像中提取像素特征,根据特征对像素进行分类,利用分类结果与像素类别标签计算损失值,通过优化算法更新网络参数降低该损失值,使分类结果与类别标签一致,从而实现对原始图像的分割。基于像素分类的分割网络没有利用邻域中心像素类别与邻域内其它像素类别的高阶相关性,导致目标边界分割不准确,小体积目标容易被误检或漏检。使用数学方法对邻域内像素类别的高阶关系建模十分困难,并且不易与CNN结合实现端到端的训练。针对以上问题,本文使用神经网络从CNN分割结果中学习像素类别的高阶相关性,提升分割精度。本文主要工作如下:第一,使用能量生成对抗网(Energy-Based Generative Adversarial Network,EBGAN)学习像素类别的高阶相关性。EBGAN由生成器和判别器构成,将基于CNN的分割网络作为生成器,判别器使用自编码器。判别器在与生成器的对抗训练过程中学习像素类别的高阶相关性。所提方法的优点是EBGAN基于能量理论设计判别器,避免对抗训练过程中出现的梯度消失或梯度爆炸问题,提出的方法易于训练。第二,使用条件变分自编码器(Conditional Variational Auto-Encoder,CVAE)学习像素类别的高阶相关性。该方法使用CVAE对基于CNN的分割网络输出进行后处理,利用CVAE学习像素类别的高阶相关性。所提方法的优点是CVAE中的参数与分割模型中的参数共同优化,实现端到端训练。使用MICCAI 2017肝肿瘤分割(Li TS)挑战赛的数据集和3DIRCADb数据集对以上两种方法进行实验,利用医学图像分割评价指标对实验结果进行验证,结果表明所提方法可以有效提升小体积目标和目标边界的分割精度。