随着信息技术的快速发展，以计算机辅助诊断与治疗疾病的方式在临床医学领域的地位日益提升，得到了广泛地应用。图像中蕴含着丰富的信息。医学图像分割是指将图像中感兴趣区域提取出来，分割结果可为医生在疾病诊断和治疗方案规划等方面提供重要的参考依据。因此，对医学图像分割方法的研究具有重要的意义。本文研究的是脊柱CT图像的分割。脊柱是人体生命大厦不可或缺的重要组成部分，是人体的后壁，具有支持躯干，保护脊髓、内脏等重要功能。但在实际中，脊柱图像存在噪声、组织对比度低、脊柱形态结构变化复杂多样等，这些都给脊柱图像的精确分割带来了一定的挑战。一些传统的脊柱图像分割方法常需人工干预或引进先验信息，只能实现半自动地分割，分割效率较低的同时分割精度有限。针对以上问题，本文引入深度学习中用于图像语义分割的全卷积神经网络(FCN)和卷积—反卷积网络等相关模型，利用它们能够自动地学习并提取图像数据深层次特征的优势，实现脊柱CT图像的全自动分割。和一些传统的分割方法比，本文提出的方法最终所获得的结果，在分割精度和效率上均有一定的优越性。主要的工作内容包括：
　　(1) 基于FCN的脊柱CT图像的分割。在深度学习的相关模型中，卷积神经网络(CNN)通常适用于处理图像分类和目标检测等问题，对于处理图像像素级分类任务的语义分割问题存在一定的局限性。基于此，本文将CNN的模型结构转变成FCN，提出基于FCN的脊柱CT图像分割方法，该法能自动提取脊柱的深层次特征而实现全自动分割，实时性较好。但从分割的结果看，由于 FCN 在上采样过程中采用简单的双线性插值法，对图像的边缘轮廓尤其是一些细节之处分割较为粗糙，以至分割精度有限。
　　(2) 基于卷积—反卷积网络的脊柱CT图像分割。针对FCN在分割图像时所存在的问题，为了改善分割效果，在 FCN 的基础上构建其镜像的反卷积网络，反卷积网络可循序渐进地将网络中间层所提取的特征恢复到输入图像尺寸，而不是像 FCN 那样进行简单地放大操作。实验表明利用卷积和反卷积网络共同组成的深度网络进行学习训练所得的像素级的语义分割模型进行分割，和一些传统分割方法比，分割的精度和效率均有所改进，和FCN比，分割的精度有所提升。
　　(3) 基于卷积反卷积网络和全局条件随机场相结合的脊柱 CT 图像分割。在研究过程中发现，不管是利用 FCN 还是卷积反卷积网络进行分割，均会出现对图像的一些边缘细节处的错割、漏割等现象。出现以上问题的原因在于图像中存在一定的噪声和伪影及以CNN为基础模型的算法本身存在一定的缺陷。针对以上问题，在卷积-反卷积网络之后增加全局 CRF 进行后处理，充分利用图像空间的全局信息及CRF的推理功能，以达到进一步提高分割精度的目的。