核磁共振成像(MRI)是一种被广泛使用的医学成像技术,它能够以非侵入方式获取生物体内部组织、器官的结构信息,为医生进行疾病诊断和治疗提供了极大的参考价值。医学图像分割技术则能够快速提取到原始数据中的特定区域,大大提升了医生的工作效率。过去通常使用传统的图像处理和机器学习方法对医学图像进行分割,但是这些方法往往是基于图像的浅层特征进行分析的,因此其处理能力非常有限。近年来,以深度学习为代表的人工智能技术得到了很大的发展,并在许多领域取得了革命性的成果。相比于传统方法,深度学习网络更有利于提取到数据的深层抽象特征,而且端到端的学习方式使得深度网络可以直接处理原始数据,真正实现数据驱动。因此,研究并设计用于医学图像分割的深度网络具有重要意义。本文采用了PROMISE12数据集,将前列腺MRI分割作为论文所述方法的典型应用,但是该方法并不局限于此数据集。针对MRI分割任务,本文研究了二维和三维全卷积网络的结构,包括二维网络到三维网络的转换。对于二维全卷积网络,本文首先分析了目前领先的U-Net深度学习模型。通过引入残差结构、致密网络等当前最新思想,提出了几点改进,使用改进后的网络与原始U-Net在相同的MRI数据集上训练和测试。对于三维全卷积网络,是通过将改进后的U-Net泛化到它的三维形式,使得网络可以直接处理三维数据,而且进一步提升精确度和效率。最后,对上述的二维、三维全卷积网络进行总结分析,本文提出了一种更一般化的通用U形网络结构,并分析了该结构的特征融合方式。通过实验,可以证明这种通用U形网络在图像分割应用上的优势。首先,本文研究了二维全卷积神经网络在MRI分割任务上的表现。由于二维卷积网络无法直接处理三维数据,因此实际使用时需要对三维数据进行分层处理。通过对FCN和U-Net网络的分析,本文提出了基于U-Net改进的2个二维全卷积神经网络,分别命名为UR-1和UR-K。UR-1在U-Net的基础上引入了残差结构以及其他的一些优化。而UR-K则是在UR-1的基础上对网络的输入层进一步改进,使用目标层邻近的上下K层数据作为该层的数据进行处理,其目的是为了提取到相关的空间结构信息以利于更准确地分割MRI数据。本文在相同的MRI数据集上分别对U-Net、UR-1和UR-3网络进行训练和测试,实验表明UR-1和UR-3的结果要优于U-Net,而且UR-3略优于UR-1。其次,本文研究了三维全卷积神经网络在MRI分割任务上的表现。本文对二维网络到三维网络的转换过程进行分析,将UR-1网络扩展到三维结构,并命名为3D-UR网络。三维卷积网络能够提取到更多的空间信息,而且可以直接处理三维数据。通过一次前馈计算,三维全卷积神经网络就可以得到MRI的分割结果,相比于二维卷积网络具有更高的效率。本文在同样的MRI数据集上对3D-UR网络进行训练和测试,实验表明三维全卷积网络可以提取到更多有利于决策的模式特征,在结果上要优于UR-3网络。最后,本文对构建二维、三维全卷积网络时所使用的U形网络进行分析。通过对U-Net进行简化和抽象,并加入残差结构,提出了通用的U形网络结构。本文重点分析了通用U形网络的特征融合架构,分别是Skip和Shortcut连接。U形网络的Skip连接是将浅层和深层的特征图进行通道堆叠,然后再通过卷积网对融合方式进行学习。而Shortcut连接是一种残差结构,有利于网络的收敛和提升网络的性能。通过对3D-UR网络移除Skip得到3D-UR-RS网络,而同时移除Skip和Shortcut得到3D-UR-RDS网络。本文在同样的MRI数据集上对这2个网络进行训练,实验结果表明了Skip和Shortcut在通用U形网络的特征融合上所起到的关键作用,证明了通用U形网络的有效性。