医学图像分割是把医学影像进行像素级别的分类,从而得到每个像素所属的类别。像肾肿瘤、肺肿瘤这样的肿瘤,通常可以发生在正常器官的任何一个位置。由于恶化的程度不同,肿瘤的大小和形状也就不同,这些不确定性给判断病情和肿瘤定位带来了很大的挑战。医师通过CT扫描图片来观察病人的病理情况,随着扫描切片的大量拍摄,医生的工作量变得非常大,工作效率变差。可以利用图像分割方向的知识,对医学图像的每个像素点进行分类,得到肿瘤和正常器官在医学图像上的精确位置,帮助医生做出更为准确的诊断。本文提出了一个的端到端多信息融合图像分割方法,将“显著区域”之间的特征信息、“潜在特征”之间的关联信息和切片序列之间的顺序信息进行融合,从而完成肾部肿瘤的病灶分割。本文的第一个方法分别利用了注意力机制进行不同层次的特征信息探索。基于“区域”的方法寻找显著区域之间的关联关系,比如利用左肾区域和右肾区域的相似性来促进病灶分割。基于“特征”的方法,主要关注卷积过程中深层次特征图的复合过程。本文的第二个方法,针对切片序列采用了卷积双向GRU的方法,来有效的捕捉切片间的顺序信息。CT扫描的过程是一个不间断的连续过程,顺序性是构造生理组织的基本要求。于是,利用卷积循环神经网络对切片序列的顺序性进行探索,从而发现潜在的序列信息。最后,利用Python、wx Python进行系统界面设计,编写了一个基于深度学习模型的肾部肿瘤图像分割系统。