医学影像分割在基于医学影像的辅助诊断尤其是疾病的早期诊断中起到非常重要的作用。海马萎缩是阿尔兹海默症（Alzheimer disease,AD）的早期临床表现之一。医生通常需要基于磁共振图像（Magnetic Resonance Imaging,MRI）对海马结构进行分割,并进行形状和体积分析。然而,与自然图像相比,由于医学影像成像复杂,且不同患者间的解剖结构差异很大,导致该任务的实现极具挑战性。因此,实现海马体高效、精准的自动化分割一直是一个活跃的研究领域。近年来,由于深度学习强大的非线性特征表征能力,使其在医学图像分割领域中得到广泛关注。特别是基于编码器-解码器的体系结构,已成为很多分割任务中的首要选择。本文针对海马体积小、形状不规则、边缘模糊等特点,以及训练数据缺乏和正、负样本失衡等问题,研究基于深度学习的海马分割技术,主要研究工作及创新如下:（1）通过在U-Net中引入密集连接来扩展不同分辨率层的上下文信息,构建了一种2D Dense U-net模型,有效提升特征重用率并增强特征传播。该方法在不增加网络深度和宽度的情况下,能够学习更丰富的海马信息以提高特征表达能力,即使在小数据集上也保证了网络拥有更好的信息流。同时,为了解决数据集数据缺乏问题,依次对数据样本采用划分图像块、数据增强以及边缘采样的预处理,强化边缘细节的同时有效缩减了海马与背景区域间的体积差异,进而保证训练样本的类别平衡。（2）提出一个双重密集上下文感知网络（DDCNet）用于海马分割。该方法结合两种上下文感知模块以及一个优化的输出结构,构建了一套完整的海马分割框架。虽然Dense U-net模型中基于图像块的数据提取方式已经一定程度上缩减了海马与背景区域间的体积差异,然而,图像块的大小会影响海马分割的效果,进而导致单尺度的2D Dense U-net模型难以找到一个合适的尺寸平衡信息差异。DDCNet采用多尺度输入模块利用不同大小的感受野分别捕获海马的全局定位信息和局部细节特征,实现跨空间的信息互补。同时,由于利用裁剪切片提取图像块的方式可能破坏海马与周围甚至其它任意位置间的上下文信息,而且MRI中的海马与其邻近组织具有相似的成分,且海马边界信息模糊,因此,一定范围内的空间结构关系对于海马的精准分割至关重要。DDCNet采用多分辨率特征融合模块将更多的上下文信息传输到高分辨率层,以确保不同阶段的多分辨率特征被有效利用。（3）鉴于以上两种方法制作的训练样本仅考虑二维平面下单张切片的空间信息,提出一种2.5D图像块提取方法以建模空间结构关系,并分别考虑了三维结构特征与相邻切片间的结构特征对海马分割的影响;其次,针对DDCNet模型获取多尺度信息的方式为手动设计,缺乏灵活性,无法捕获整个MRI中的长距离依赖关系,因此,在编码阶段引入自注意力机制并分层设计空间注意力模块（LFSAM）与通道注意力模块（HFCAM）,以建模低级特征中不同位置间的空间相关性以及高级特征中不同通道间的语义信息,进而显著增强网络在学习过程中对海马边缘轮廓特征以及内部细节的关注;另外,在编码器的高级特征阶段设计一个上下文感知模块（HFCAM）,以进一步丰富海马特征的语义表达;进一步地,由于之前方法中采取无区分的特征融合,而海马与其周围组织具有相似的成分,噪声信息会造成分割性能降低。为此,在解码阶段引入尺度注意力机制以设计一个引导的优化模块（交叉连接注意力模块（CCAM））,既可以过滤不相关的嘈杂信息,又帮助网络专注于图像中特定类别的相关区域。基于以上一种新的数据提取方式和四个有效的网络模块,实现了端到端的自动海马分割。本文在ADNI和Decathlon两个公开数据集上验证了上述所提方法的有效性,相比已有的海马分割方法和一些其它的语义分割模型取得了更优的性能。