一直以来,医疗图像分割都是辅助医生进行临床决策,提高诊断效率的重要步骤之一。尤其是对于肿瘤等病灶的精准分割,能够为医生在临床诊断和术中切除时提供重要参考。然而在实际的临床应用中,医生需要对图像进行逐像素地标注,从而形成最终的分割结果。对这些医疗图像进行手动分割不仅需要具备专业知识的医生,同时也需要耗费大量时间（尤其是3D医疗图像的标注）。随着深度学习和卷积神经网络的不断发展,通过对大规模标注数据的学习,基于深度学习的自动化分割模型能够大大提高医疗图像的分割效率。虽然基于深度学习的自动化医疗图像分割算法能够快速地生成图像的分割结果,但在训练过程中仍然面临高质量数据缺乏的问题。一般而言,使用少量数据进行深度学习算法训练经常会导致模型在训练数据上过拟合。因此深度学习算法的训练需要大量高质量的标注数据,而且数据的数量和质量通常是限制模型能力的主要瓶颈之一。然而临床中未标记的数据却大量存在,如何利用这些未标记数据来辅助模型训练是当前医疗图像分割任务的一个重要问题。除此之外,一些交互式医疗图像分割算法在原有的医疗图像分割算法的基础上引入医生的纠错信息,让模型能够对原有的分割结果进行纠错。这些纠错信息也可以视作一种额外的监督信号,但这些信息通常是比较稀疏的,如何高效利用它们也是当前医疗图像分割研究的一个难点。针对以上问题本文的工作如下:1.针对未标注数据的利用,本文提出了一种基于对抗置信度学习的半监督医疗图像分割算法,利用生成对抗网络框架中的鉴别网络学习分割结果的置信度。学习得到的置信度信息不仅可以在标注数据的训练中施加对抗损失来对分割网络进行正则,同时还对未标注数据的伪标签进行校准,从而使得模型在利用伪标签进行训练时减少伪标签偏差对模型的负面影响。2.针对交互信息的利用,本文提出了一种基于置信度学习的交互式医疗图像分割算法。针对现有的交互式分割算法在交互过程中会出现对纠错信息不敏感的现象,本文结合多智体强化学习和置信度学习,对交互后分割行为进行置信度评估,让模型能够识别出那些对交互信息不敏感的区域。3.针对交互式分割中纠错动作的反馈,本文设计了一种自适应反馈机制,利用纠错动作的置信度评估结果对原有强化学习中的回报函数进行加权,让模型在训练阶段对那些交互后改进不够明显的区域给予更多的关注。通过这一机制,模型能够更有效地利用对纠错动作的评估结果,并在交互过程中不断调整模型的纠错策略。本文在多个3D医疗图像数据集上验证了所提出的算法,实验结果表明,本文所提出的算法在不同的3D医疗图像数据集上不仅能够超过其他同类医疗图像分割算法,同时能够减少对于标注数据的依赖,也充分证明了方法的有效性。