Medische beeldsegmentatie is van cruciaal belang voor verschillende toepassingen in de gezondheidszorg, zoals chirurgische planning en ziektediagnose. Dit proces maakt doorgaans gebruik van neurale netwerken om onderscheid te maken tussen b.v. gezonde en kankercellen in medische beelden afkomstig van CT- en MRI-scans. Het creëren van deze netwerken is echter uitdagend vanwege de moeilijkheden bij het verzamelen van grote, geannoteerde datasets. Deze uitdagingen vloeien voort uit de hoge kosten, het invasieve karakter en de hindernissen op regelgevingsgebied met betrekking tot medische beeldvorming. Om dit aan te pakken introduceert het onderzoek in dit proefschrift nieuwe methoden waarmee neurale netwerken segmentatie effectief kunnen uitvoeren, zelfs met beperkte data. Door het beeld vóór segmentatie op een bepaalde manier te vereenvoudigen, maken deze methoden het gebruik van kleinere neurale netwerken en dus kleinere datasets voor segmentatie mogelijk. De aanpak omvat in eerste instantie het identificeren van het interessegebied in een beeld met één neuraal netwerk en vervolgens het uitvoeren van fijnere segmentatie met een ander netwerk dat werkt op een getransformeerde, vereenvoudigde versie van het beeld. Deze techniek verbetert niet alleen de efficiëntie van het segmentatieproces, maar handhaaft of verbetert ook de nauwkeurigheid van verschillende medische beeldvormingstoepassingen.