医学图像分割是医学图像处理和分析的关键步骤,由于体力活动减少和现代久坐的办公室工作,脊柱问题成为现代社会日益严重的问题,如颈椎病、腰椎间盘突出、特发性脊柱侧弯等。严重的脊柱病变常常会压迫人体组织、器官,影响人体健康,需要通过手术矫正,利用钢钉来重新固定椎体,维持脊柱正常的生理曲度。在进行脊柱外科手术矫正之前,需预先制定合理的治疗方案以提高手术的成功率、降低手术的风险。确定钢钉植入角度和深度是术前方案制定的关键,其精确性依赖于对脊柱病变部位测量和建模的精度。脊椎的分割精度越高,三维重建后得到的脊柱模型也越准确,因此,精确的脊柱分割具有重要的意义。本文通过分析传统医学图像分割方法的局限和不足,针对脊柱三维CT图像数据特点,借鉴当前最新医学图像分割技术,以及深度学习这一当前热点,开展相关研究。论文首先回顾了医学图像分割的发展历史和现状,分析了常用的基于区域、基于边界、基于模型以及基于单图谱的分割方法。由于基于单图谱配准的分割方法难以适应不同个体间结构组织存在的差异性,以此为基础,论文采用一种基于多图谱的脊柱CT图像分割方法。首先,通过脊柱初始姿势的估计这一预处理步骤得到脊柱各个椎体的中心及旋转,然后,通过基于多图谱配准的分割方法的常规步骤如配准、标签融合等步骤,实现脊柱CT图像分割,最后,对分割结果进行相似性度量。为获得更好的分割性能,论文结合深度学习这一当前人工智能热点,通过借鉴当前医学图像领域中优秀的深度学习方法,比如U-Net、V-Net、3D-Unet,以及最新提出的密集卷积神经网络Dense Net的概念,提出一种面向脊柱CT图像分割的卷积神经网络框架——致密V-Net,利用多图谱来训练神经网络,使用训练后的模型来分割脊柱CT。与已有方法的对比实验结果表明,所提的深度学习分割方法具有更好的性能。