和图像分类一样,图像分割已成为诸多医学影像研究中极为重要的领域之一。图像分割旨在提取具有特定含义的图像区域或特征,并将它们分割出来,为医学诊断治疗以及影像学和病理学的研究提供基础。因此,从医学影像中精确而稳定地分割人体器官或病灶区域,在疾病的诊断和治疗等诸多临床医学问题上起着举足轻重的作用。但是由于临床医学影像所具有的特殊性和复杂性,如何解决其在影像分割过程中存在的个体间差异和不规则性等问题十分必要。因此,提出有效的医学影像分割算法对提升医学影像分割效果具有重要的意义。医学影像的自动病变分割是广泛应用于临床的计算机辅助诊断的关键技术之一,它已经迅速地取代了效率低下的传统手动注释。近年来,得益于卷积神经网络等深度学习技术的出现,医学影像自动分割在心脏磁共振影像分割和肺癌结节检测等具体问题上的性能已经达到或超过了专业医师水平。但是,大多数方法通常以监督学习的方式进行训练,训练过程中需要大量高质量的标记训练数据。而医学影像的数据标注是一个非常耗时的过程,例如:放射影像的精确注释必须在经验丰富的放射科医生手工注释的基础上,进一步由其他专家仔细检查才能得到。近年来,相关研究者提出了许多医学影像分割算法来降低医学影像分割过程中对标记数据的依赖。主要的方法可以分为以下三种:1)自监督学习算法:通过大量无标记数据本身的结构或者特性,自动构造标签来训练网络模型,之后在此模型上进行知识的迁移;2)弱监督学习算法:在不使用像素级分割标签的基础上,利用手绘图像轮廓、边界框或图像级的类别标签进行医学影像的分割;3)半监督学习算法:利用少量具有分割标记的数据及大量无标签的数据进行模型训练,最终实现高性能的影像分割。在大多数医学影像分割问题中,都有一些已经进行分割标记的数据,因此充分利用已有分割标记数据的半监督学习算法应用范围最为广泛。因此,本文的研究主要集中在以半监督学习的方式进行医学影像的分割,即如何在有限的标记数据情况下充分利用大量的无标签数据训练模型,从而得到精确的病变掩模（Mask）以改善医学影像分割的性能。本文中,我们提出了一种基于一致性标签迁移学习的医学影像分割算法。算法对于少量有分割标签的医学影像数据,通过将带有注意力机制的预测模型所预测出来的病变掩膜和真实分割标签间的交叉熵进行模型的优化。对于无分割标签的医学影像数据,则是基于循环生成对抗网络（Cycle GAN）的图像分割技术来实现不同类别之间数据的转换,从而最大限度地识别类别转换过程中需要变化的病变区域位置。在整个循环生成网络训练过程中可以仅使用只有类别注释（有病/无病）的医学影像数据,通过在疾病数据和无病数据之间建立了双向类别转换模型,结合使用注意力机制来检测两个类别之间最具鉴别性的语义特征,从而识别病变区域。最后,我们还可以将新生成的疾病影像以及对应的病变掩膜,作为新的有分割标签的数据,进一步提升半监督分割的性能。我们使用所提出的模型在Bra TS和ISIC数据集上进行相关的实验,实验结果验证了该模型在医学影像分割问题上的有效性,并且在仅有少量分割标签的数据上的性能好于监督学习模型的性能。