新生儿的脑部疾病是一系列多样化的疾病,罹患这些疾病的新生儿若是没有即时发现其脑部问题并加以诊治的话将有可能会使其终身残疾。当前主要诊察和研究此类疾病的方法依然是通过人工的手段去对患儿进行临床的诊断或者通过直接肉眼观察和人工分割病变或关键区域脑组织的手段来阅读医学成像仪器所扫描而来的图像,但随着生成的医学图像数据集变得越来越大,不仅本身人工分割的方法容易受到诊断医师的主观因素使其分割的准确性受到影响,而且庞大的数据集也使得人工手段难以全部逐个去分割和标记区域。因此,通过机器学习来自动或者半自动分割出有关的区域出来的方式逐渐受到了医学界的热捧。为了解决以上问题,本研究尝试利用在医学图像分割领域中表现较好的深度神经网络模型U-Net以及基于U-Net的模型架构所做出来的模型U-Net++和Trans UNet来对表现为组织低对比度的年龄为6个月左右的等强度阶段图像进行分割。U-Net凭借其编码-解码器结构和跳跃连接来较好结合了医学图像的高级特征和低级特征,并且其变种Trans UNet更是加上了目前较新的模型架构Vision-Transformer（Vi T）使模型获得了图像全局特征的长依赖关系,让语义分割的效果更为良好。实验过程分为数据增强前和数据增强后的图像集输入进模型中进行以模型不同和以当前深度学习模型在是否数据增强后的数据集上训练共6组对比实验。实验结果表明U-Net在该数据集上表现较不稳定,UNet++和Tran UNet都能在该图像数据集上达到较为良好的分割水平,其中Trans UNet达到了最高的测试集分割准确率最高,达到了87.63%。同时在本文所用的数据增强上三者网络都能够提高对大脑白质的分割准确率,但是会对相应的降低对大脑灰质的分割准确率。在本实验的最后,为了将实验结果有所应用而制作了一个简单的基于U-Net的新生儿脑组织分割辅助程序。该程序既可以人工手动去分割所需的区域,也可以交给实验所用的三个网络去进行自动进行分割给医生提供参考。该系统及实验依然还有许多方面需要进行改善,例如将输入的数据集以3D的方式来进行分割,或者对医学图像自动分割的数据增强方法进行改进等。这些问题和想法将在未来进行更加深入的改进和验证。