随着人工智能技术的快速发展,深度学习方法以其强大的抽象表示能力,逐渐成为新一代医学影像分析中的主流研究模型。通过对医学影像的分析,可以准确定位病灶,制定合适的放疗计划,实现个性化精确治疗。但是深度学习对训练数据的质量和数量,以及计算资源都有着较高的要求。医学影像的数据量通常较小,而且成像质量较差,这些因素给使用深度学习方法进行医学影像分析带来了挑战。在核磁共振成像中,低场强磁共振有更大的扫描空间,设备较小,可以根据临床需要移动治疗床位,适合辅助医生进行放化疗,但是低场强磁共振图像噪声较大,影响了对感兴趣区域的分割。如何对低场强磁共振图像中的感兴趣区域进行准确分割是一个值得研究的问题。宫颈癌在磁共振T2加权成像中显示为高信号,组织轮廓清晰。在磁共振影像中对宫颈癌区域的准确勾画是医生制定放疗计划的前提和主要依据。本文针对低场强磁共振胃部分割中存在的噪声严重、数据量较少的问题以及临床中需要对磁共振中的宫颈癌区域进行分割的需求,有针对性的设计分割算法,辅助医生进行临床诊断和治疗。本文主要完成了以下三个工作:1.针对低场强磁共振图像噪声严重而且存在部分容积效应,影响对胃部区域的准确分割的问题,本章提出了基于多任务深度学习的低场强磁共振胃部分割模型。首先针对低场强MRI图像噪声严重的问题,使用BM3D算法对其进行去噪增强。然后构建一个基于多任务学习的统一模型,将去噪增强后的图像作为高质量参考图像,与手动勾画的胃部标签共同作为监督信息,对统一模型进行训练。由于图像增强分支和图像分割分支的图像特征提取部分的网络结构和网络参数是共享的,可以使两个任务提取的特征互补,同时能够降低网络过拟合的风险,提高图像分割的效果。2.针对低场强MRI数据较少,直接使用三维网络模型分割会出现的过拟合问题,本章提出了基于迁移学习图像增强的低场强3D MRI图像胃部分割模型。首先使用Cycle GAN对非配对的高、低场强MR图像进行训练,然后使用训练好的Cycle GAN网络实现高、低场强MRI图像的相互转换,把高场强MRI图像转换成和低场强MRI图像具有相似视觉表现和图像分布的伪低场强MRI图像。最后将生成的伪低场强MRI图像与原始的低场强MRI图像共同作为训练集,训练3D Res-U-Net分割网络,实现对低场强MRI图像的胃部区域的准确分割。实验结果表明,通过Cycle GAN学习高、低场强MRI图像之间的映射关系,然后将高场强MRI图像转换之后作为对数据量较少的低场强MRI图像的补充,共同作为训练数据对分割网络进行训练的方法,能够提高分割网络的泛化能力,取得了较为理想的分割效果。3.针对宫颈癌MRI图像扫描层厚较大,层间分辨率较低,直接使用三维卷积神经网络进行分割效果较差的问题。本章提出了基于多视角特征融合的3D磁共振宫颈癌分割网络模型。模型的核心是所提出的多视角特征融合模块,该模块借鉴了残差模块和Inception模块的设计思想,对输入的图像块从不同的视角进行特征提取,然后使用通道注意力模块对提取到的特征进行自适应加权融合,以提取对分割结果更有利的特征。实验结果表明,通过精细化的设计特征提取模块,可以有效解决宫颈癌磁共振影像因扫描层厚较大带来的层间分辨率较低的问题,提升对宫颈癌的分割效果。