医学图像的病灶分割是医学诊断过程中的重要步骤,病灶的自动分割可以节省医师的大量时间与精力,因此医学图像分割是目前的研究热点。近几年出现的深度学习方法具有效果好、流程简单、人工参与度低等优点,因此深度学习也被用于医学图像分割领域。U-Net是一种基于深度学习的医学图像分割算法,被广泛运用与研究。本文针对U-Net模型特征提取效果较差以及不适合处理较大间距三维图像的问题,主要做了以下工作:(1)针对U-Net模型特征提取效果较差的问题,本文在U-Net的基础上,结合挤压和激发结构与金字塔池化模块,提出一种基于挤压和激发结构的U-Net模型。与原始U-Net相比,该模型能扩大感受野,并对特征通道进行加权,抑制无用特征。本文以Dice相似系数作为评价指标进行实验,在鼻咽癌数据集上的实验结果表明,在原始U-Net上添加金字塔池化模块将使Dice相似系数从66.17%提升到68.32%,在此基础上结合挤压和激发结构,Dice相似系数将进一步提升至75.71%,与V-Net、Deeplab v3+进行横向对比,该模型也具有较好的效果。在PDDCA数据集上,使用该模型对9种器官进行分割,其平均Dice相似系数为78.04%,比U-Net提升4.6%,比该数据集上的其他模型高0.6%。(2)针对三维医学图像数据间距过大的问题,本文在上述模型的基础上,提出一种基于卷积门控循环单元的分割网络。上述模型具有特征提取效果好的优点,但其使用的三维卷积不适合处理间距过大的三维图像。为了利用上述模型的优点,同时解决序列间距过大的问题,本文将上述模型中的三维卷积修改为二维卷积,使用修改后的模型提取二维特征,然后使用卷积门控循环单元提取间距较大的维度上的特征。结合二维卷积与卷积门控循环单元,可以有效提取间距较大的三维图像中的三维特征。在鼻咽癌数据集上,该模型的Dice相似系数为77.46%,比第一点中的模型提高1.7%。在PDDCA数据集上,该模型的平均Dice相似系数达到81.62%,比第一点中模型高3.6%,比PDDCA数据集上的其他最先进的模型高4.2%,验证了模型的有效性。