肾脏在人体中负责维持体内平衡和新陈代谢,是人体重要的器官,肾皮质的体积和厚度在临床诊断中是直观的判断标准,可对肾肿瘤、慢性动脉硬化性肾病和肾移植急性排斥反应等疾病进行早期诊断。现有的肾脏图像分割算法大多数只实现了肾脏的整体分割,且针对一种模态的图像;深度学习在医学图像分割中的应用多数采用基于图像块的方法,该方法计算效率较低,针对这些问题,为实现肾皮质的有效分割,本文提出基于卷积网络和GrowCut的肾皮质分割算法,该算法可分割多模态的肾脏图像,提高肾皮质分割的准确率和效率。本文采用迁移学习策略将卷积网络应用于肾脏图像分割中,将肾脏分割任务分成感兴趣区域提取和肾皮质分割两部分。本文研究了基于广义霍夫变换和卷积网络的肾脏检测算法,以实现感兴趣区域的自动提取,基于卷积网络的检测算法研究了网络参数的修改,以预训练模型为初始参数进行迁移学习;研究了基于全卷积网络的肾皮质分割算法,构建了参数更少、更适于肾脏图像分割的全卷积网络,分割准确率达到0.88;研究了结合全卷积网络和GrowCut的肾皮质分割算法,以全卷积网络最后一层的特征图实现种子点自动标记,GrowCut基于该标记图实现进一步优化分割,将分割准确率提高至0.92。本文提出的基于卷积网络和GrowCut的肾皮质分割算法可分割多模态的肾脏图像,包括正常和发生变异的肾脏图像,说明该算法优于主流算法,分割结果边缘更平滑,误分割更少,说明该算法可为临床诊断提供可靠依据。