肝癌是发病率和致死率较高的病种,因此利用图像分析技术尽早发现肝脏中的病灶,对于肝癌的诊断和治疗都非常的重要。但由于肝脏与其他器官连接复杂,肝脏肿瘤形态、位置、规模和质地都因人而异,肝脏肿瘤的分割一直是医学图像分割问题中的难点。随着人工智能技术的发展,利用深度学习实现高效的肝脏肿瘤分割成为热点课题。本文基于课题组的前期研究基础,建立了3DA-U-Nets架构,提出了基于集成学习的3DA-Dense U-Nets-LSTM增强型CT肝脏肿瘤分割方法。该方法增加了分割网络对重点通道、重点空间的注意力机制,并利用密集连接模块和循环神经网络优化卷积网络结构,增强网络的提取能力,最后在利用集成学习对增强型CT三期图像特征进行融合。本论文的主要工作与成果如下:（1）提出了一种3DA-U-Nets肝脏肿瘤分割统一框架。在传统注意力机制的基础上建立了三维注意力模块（Three Dimensional Attention,3DA）。该模块通过扫描全局图像,重点关注目标所在区域和特性,降低与肿瘤无关信息的关注度,提升肝肿瘤分割网络的效率与准确性。将该模块与U-Nets级联网络融合得到3DA-U-Nets架构,一期网络生成肝脏掩膜,二期网络实现肝脏肿瘤的分割,通过缩小网络的处理面积,提高目标关注度,达到提升肿瘤分割精度的目的。（2）提出一种3DA-Dense U-Nets-LSTM肝脏肿瘤分割方法。为了提取CT影像的序列性,改善U-Net由于网络深度不足,难以得到较高的分割精度的问题,在3DA-U-Nets的基础上,使用密集连接模块取代了卷积模块、增加双向C-LSTM模块以达到加深网络深度,提取数据序列性,提升网络分割精度、加快网络收敛的目的。（3）提出了一种Stacking-3DA-Dense U-Nets-LSTM增强型CT肝脏肿瘤分割方法。考虑到增强型CT的多模态特性,本文使用集成学习的方法来融合三期增强型CT图像特征信息,并使用Stacking作为结合策略,充分利用多模态医学图像信息,达到进一步精准高效分割肝脏肿瘤的目的。并通过实验对以上所提出的算法性能进行了深入的分析。由于目前公开数据缺乏增强型CT数据集,因此本课题组与江苏人民医院合作,获得了40位病人的增强型CT数据作为实验数据集,并邀请专业的医师对图像进行了高准确性的注释。实验所用对比的网络分别为CFCNs网络、U-Nets网络、DC-CUNets、SE-U-Nets网络、H-Dense UNet分割网络等,实验结果验证了本文算法性能的优势。