影像医学是医学领域的一个重要分支,医学图像分割是实现计算机辅助诊断的前提。随着成像技术的发展,医学影像资源快速增长,医学图像分割成为研究热点。近年来,深度学习在图像分析领域取得了突破性进展,特别是基于生成对抗的深度网络在自然图像语义分割中得到了成功应用。本文针对医学图像分割的迫切需求,在生成对抗框架下开展了基于深度网络的医学图像分割研究,主要工作如下:（1）提出一种基于注意力残差链式融合的彩色眼底图像硬性渗出物分割方法。硬性渗出物（Hard Exudate,HE）对糖尿病视网膜病变早期诊断具有重要意义。目前应用于眼底图像HE的分割方法仍存在对小目标误检率高及分割精度低等问题。针对这些问题,本文在传统生成对抗网络（Generative Adversarial Networks,GAN）的基础上,提出了一种适用于硬性渗出物分割的注意力残差链式融合生成对抗网络（Chain Fusion of Attention Residuals GAN,CFAR-GAN）。该网络在生成网络编码器的每个子模块后添加一个残差网络结构,并引入带有残差连接的卷积层链（Residual convolutional layer path,Res path）,实现层间的跳跃连接,同时将全局最大池化注意力机制用于刻画不同深度特征的权重,以防止训练过程的过拟合,从而提高网络的泛化能力。实验表明,所提方法对于准确高效地检测眼底图像中的硬性渗出物,实现糖尿病视网膜病变的早期自动诊断具有积极意义。（2）提出一种基于任务驱动生成对抗网络（Task-Driven Generative Adversarial Network,TDGAN）的眼底图像视网膜血管分割方法。对眼底图像视网膜血管进行手动分割不仅工作量大,且主观性强,现有的一些计算机辅助分割方法存在血管分割不完全、分割精度不高等问题。针对这些问题,本文提出一种基于TDGAN的视网膜血管分割方法。具体地,在传统生成对抗网络中引入任务驱动思想,将生成器生成的图像和标准分割图像依次从底层到高层进行特征匹配,以弥补传统生成对抗网络任务针对性差的缺点;同时,在判别模型中引入具有不同感受野的多尺度判别器,来引导生成模型生成更丰富的细节。实验表明,该模型在准确率、特异性等指标上均得到了更好的结果,能够适用于视网膜血管的分割。（3）提出一种基于多任务驱动生成对抗网络的盆腔磁共振（Magnetic Resonance,MR）影像胎盘组织分割方法。由于胎盘MR影像软组织分辨率较高,且图像质量不受胎位及母体体型、羊水量等的影响,同时成像过程对于孕妇无辐射损伤,使其在胎盘疾病的诊断中应用较为常见。目前在盆腔MR影像分割领域,存在相邻组织对磁共振强度的响应相似、成像过程中不可避免的组织蠕动及胎儿、母体的移动所导致的影像对比度低、不同组织器官边界模糊不清等问题,从而造成盆腔磁共振影像感兴趣区域（Region of Interest,ROI）提取的困难。针对这些问题,在经典全卷积分割网络的基础上,本文提出一种多任务驱动生成对抗网络（Multitask-driven Generative Adversarial Networks,MTD-GAN）,并用于人体胎盘自动分割。该网络在传统生成网络仅具有单一的掩膜分割任务解码器的基础上,添加了轮廓预测任务解码器,并设计了适用于多任务学习的损失函数,以提高边界分割的精度,从而实现了盆腔MR影像胎盘组织的自动分割。实验表明,所提出的方法在分割精度及鲁棒性上都具有一定的优势。通过对眼底图像硬性渗出物分割、视网膜血管分割以及盆腔MR影像胎盘组织分割进行研究,本文不仅提出了若干基于深度学习的医学图像分割新方法,而且为实现计算机辅助诊断提供了技术支撑。