胰腺癌作为当下医学技术重点关注的疾病之一,其严重影响人类健康生活。磁共振图像（MRI）作为一种有着多种序列参数的图像,能够为医生提供详细的胰腺病变信息。对MRI图像上的病变胰腺进行快速、准确的自动分割可以帮助医生发现病灶区域并采取有效的治疗措施。然而,病变胰腺在形态、大小、位置等方面的巨大差异性,使得自动分割尤为困难。为了实现病变胰腺的自动分割,本文提出了一种基于多尺度引导特征重建的双支路交互融合网络。该网络利用磁共振图像成像的优势,将两种在对比度以及特异性上互补的T1水相参数图像与T1反相位参数图像作为双支路网络的输入。编码器中提供的选择性特征交互模块将两个参数序列上的信息灵活的相互融合,增强网络编码器中的信息流动性。解码器部分设计了多尺度引导特征重构模块用于重构低级信息。模块消除胰腺邻域存在的冗余器官组织信息的同时,缩小低级特征与高级特征之间的差距,改善了网络对于小目标胰腺的分割效果。本文还提出一种基于不确定度估计与形态学方法的半监督训练策略。该策略利用不确定度估计对网络生成的伪标签进行评价,对于不确定度高的伪标签进行修正。该策略利用3D MRI图像的连续性,采取形态学方法进一步对伪标签进行处理,提升伪标签的可信度。该策略可以利用无标签数据辅助微调网络,减少对于准确、费时耗力的手工标注数据的大量需求。本文提出的算法在395例胰腺癌患者的三维MRI数据上进行了实验,其中104个数据有胰腺区域标注。本算法与目前先进的分割网络做比较,经过定量与定性的分析可知,本文提出的算法在病变胰腺的分割上有着一定的竞争力。