间质性肺病（ILD）的分割标签标注成本极高，且现有数据集通常存在样本量较少的问题，导致训练的模型效果较差。针对该问题，提出一种基于多任务学习的ILD分割算法。首先，基于U-Net构建多任务分割模型；其次，使用生成的肺部分割标签作为辅助任务标签进行多任务学习；最后，使用一种自适应调整多任务损失函数权重的方法，平衡主任务和辅助任务的损失。在自构建的ILD数据集上的实验结果表明，多任务分割模型的Dice相似系数（DSC）达到了82.61%，与U-Net相比提升了2.26个百分点。验证了所提算法可以提升ILD的分割性能，协助临床医生进行ILD诊断。
