随着大数据时代的到来,各个行业每天都会产生并积累大量的数据。在医疗领域,医疗影像数据也在快速的产生并积累。利用医疗影像数据进行语义分割可以帮助医生定位生理结构的位置并制订诊断计划。随着深度学习技术的快速发展,利用深度卷积神经网络来进行医疗图像语义分割成为了重要的研究领域。目前已有的工作大多都关注于通过设计更好的网络结构和训练方法来使得网络学到表示能力更强的特征,这些方法在训练过程中只使用了数据集的标签信息。但是在医疗影像领域,除了标签信息外还有很多可以利用的信息来帮助语义分割任务。本文分别利用无标签数据信息、医疗影像上下文信息和组织的位置和形状信息提出了三个创新性工作:一、针对医疗影像数据收集困难又存在大量无标签数据的特点,本文提出了差异最小化网络（Difference Minimization Network,简称DMNet）来进行半监督分割。DMNet的分割网络由一个共享的编码分支以及两个解码分支构成。DMNet通过最小化两个解码分支输出的分割结果之间的差异来充分利用无标签数据。为了提升DMNet的分割性能,我们还使用了锐化操作和对抗训练方法。相较于已有的基于自训练或协同训练的半监督方法,DMNet通过最小化两个解码分支输出的差异来进行端到端训练。在一个CT肾脏肿瘤数据集和一个MRI脑部肿瘤数据集上的实验结果表明,DMNet可以超过已有算法从而取得最好的效果。二、针对医疗影像目标组织周围的像素更重要的特点,本文提出了局部-全局上下文网络（Local-Global Context Network,简称LGCNet）。LGCNet包含了局部上下文模块和全局上下文模块来同时提取局部上下文信息和全局上下文信息。局部上下文模块将输入特征图划分为小的局部特征图,然后在每个局部特征图中提取局部上下文信息。全局上下文模块会提取一些包含全局上下文信息的全局上下文向量,然后将这些全局上下文向量分布到输入特征图的各个位置。相较于已有的只关注全局上下文信息的方法,LGCNet充分利用了局部上下文信息。在一个CT肾脏肿瘤数据集和一个MRI脑部肿瘤数据集上的实验结果表明LGCNet可以超过已有算法从而取得最好的效果。三、针对三维组织一般具有相对固定的位置和形状这一特点,本文提出了基于图卷积操作的三维组织分割方法Graph-UNet来利用组织的位置和形状信息。Graph-UNet通过对训练数据集的标签中相同类别体素的关系进行统计来构建邻接矩阵。Graph-UNet将图卷积操作嵌入到分割网络中,并利用构建好的邻接矩阵来监督网络预测的邻接矩阵。在一个三维牙齿数据集上的实验结果表明,Graph-UNet可以有效地分割出牙齿并且效果超过已有的基准方法。