肝小叶是肝脏的基本结构和功能单位,以中央静脉为中轴,肝血窦、肝板、窦周间隙及胆小管共同组成肝小叶的复杂结构。对于肝脏解剖结构的认识已有上百年,但肝脏中错综复杂的脉管系统和肝小叶之间的空间关系仍有待研究,实现肝小叶的分割对于解析肝小叶的形态结构以及研究其在肝脏中的空间分布有着重要意义。由于肝小叶数据采集的困难性和标注的复杂性,缺乏大量准确标注的数据。肝小叶的边界模糊、形态不规则以及成像数据的质量不够精细,共同造成了肝小叶分割的困难。对于这种全新的、复杂难分的数据,传统的图像分割方法效果并不理想。本研究拟借助卷积神经网络对肝小叶进行自动分割,以提高图像分析的效率,减轻生物学研究者或医生的工作量。本文以课题组共聚焦成像获取的小鼠肝脏图像数据为研究对象,在已建立的肝小叶手工分割方法的基础上,结合肝小叶结构的先验知识,建立肝小叶数据的预处理方法,并设计了一种结合多尺度特征预测融合和注意力机制的分割模型。多尺度模块将跳跃连接多个中间层生成的特征聚合起来进行预测,利用不同尺度上的全局信息。注意力机制消除了跳跃连接中的无关性和噪声响应带来的歧义,增加了模型对前景像素的敏感度。该模型在肝小叶数据集上的MIo U为0.7161,平均Dice系数为0.8254。与几个主流的分割网络相比,它在引入参数较少的情况获得了更好的分割性能。将二维肝小叶数据三维重建和渲染,分别对自动分割和手动分割的肝小叶定量分析。统计结果表明,自动分割的191个肝小叶平均体积为0.0788±0.0042 mm~3,平均面积为1.18±0.05 mm~2。手动分割的150个肝小叶平均体积为0.0674±0.0036 mm~3,平均面积为1.09±0.04 mm~2。通过球形度、扁椭圆度和长椭圆度三个量化参数来描述肝小叶的形态,球形度集中在0.6～0.8,扁椭圆度远大于长椭圆度,肝小叶的形态偏向于不规则的扁状多边棱柱体,类似卵石状。与手工分割的量化结果对比,两种方法计算的肝小叶体积（P=0.2230）和面积（P=0.6037）无显著性差异。而自动分割的肝小叶形态更不规则,这可能与肝小叶边缘的分割不够精细存在粘连有关。总体而言,自动分割方法在提高肝小叶分割效率的同时,较好地保证了数据分析的准确性。