肝癌的发病率和致死率均位居各类癌症的前列,每年因肝癌去世的人近百万,它正严重威胁着人类的健康。医生在对肝癌患者制定治疗方案之前需要精确的了解肿瘤的尺寸、位置、数目等信息,这样才能对肿瘤进行精确治疗,提升手术成功率。因此,实现肝脏肿瘤的精准分割是肝癌患者手术成功的重要保障。由于肝脏肿瘤的尺寸、形状、位置复杂多变,肿瘤与肝脏正常组织密度接近界限模糊,以及肝脏病变组织密度的不均匀性,导致肝脏肿瘤的精准分割具有一定的挑战性。国内外大量工作者对肝脏肿瘤分割进行了研究,提出了许多分割方法,大致分为两类:基于图像算法的分割方法和基于机器学习的分割方法。通常基于图像算法的分割方法需要人工介入,是非自动的分割方法,分割效率低且受主观性影响较大。基于机器学习的分割方法主要包括基于经典机器学习算法的分割方法和基于深度学习的分割方法,前者根据人工选择的特征能实现肿瘤的自动分割,提升了分割效率,不足之处是分割结果受人工设定的特征和经验影响较大,且计算复杂。后者利用卷积神经网络自动提取肿瘤的特征,大幅提升了分割效率,实现了更为精准的自动分割,但受深度网络退化问题影响,网络的学习能力有待提升。本文设计了一种能对CT图像肝脏肿瘤进行精确自动分割的深度全卷积网络(Deep Fully Convolutional Networks,DFCN)。DFCN 以深度残差网络(ResNet)作为基础网络,加深了全卷积网络的层数,提升了网络学习深层语义信息的能力,而且DFCN在上采样阶段引入侧输出层融合了多尺度特征,改善了全卷积网络的细节丢失问题。本文通过将DFCN与基于区域生长的分割方法以及两种基于全卷积网络的分割方法对比证明DFCN的肝脏肿瘤分割效果更为精确。全卷积网络没有充分考虑像素之间的关系,分割结果缺乏空间一致性。本文通过全连接条件随机场对DFCN的分割结果进行了优化。其中用DFCN产生的肿瘤概率图提供一元势能,腹部CT图像包含的像素之间颜色和位置信息作为二元势能,最后通过平均场近似算法不断迭代,直到能量函数值最小,得到肝脏肿瘤分割结果。通过对比实验证明,经过全连接条件随机场优化后DFCN肿瘤分割结果的精度得到了进一步提升。