随着深度学习以及医学图像处理技术的快速发展,深度学习模型在医学领域的应用迅速增加。基于CNN的算法研究取得了显著的成果,越来越多地应用于医学图像分析领域,从而提高了临床医生的工作效率。近年来,有关3D CNN的研究受到了广泛关注,3D CNN弥补了2D CNN在空间上提取信息能力不足的缺陷,并且可以实现三维医学数据的直接输入与输出。本文简单介绍了CNN从二维到三维的发展历程,并使用3D CNN模型实现了肝脏及肝脏肿瘤的分割工作。肝脏肿瘤的自动化分割对于肝癌的诊断和治疗具有重要作用。由于计算机断层扫描图像大多为3D格式,我们在U-Net架构上设计了一种完全基于3D的CNN模型,分两个阶段来进行肝脏和肝脏肿瘤的分割工作。第一阶段,使用结合残差结构的3D U-Net模型进行肝脏分割,并提取分割结果作为感兴趣区域（ROI）。第二阶段,针对ROI区域进行形态学轮廓裁剪,在该区域内使用改进的3D ResUnet网络进行肿瘤的精准分割,并在编码器与解码器中间引入注意力机制、空洞卷积以及动态卷积思想,提升了模型针对小目标的特征提取能力。对于数据驱动的深度学习模型来说,输入数据的处理比模型的设计更加重要。本文设计了多种数据增强策略来解决分割目标边界模糊和体积各异等问题。通过窗宽窗位调节与灰度均衡化等方法增大肝脏区域与背景区域的对比度,通过颜色翻转来增强神经网络对肿瘤区域的关注度,通过ROI裁剪来降低背景信息的冗余度,从而保证神经网络的直接输入数据精简而有效。此外,我们在训练过程中使用迁移学习将肝脏分割任务中学习到的信息传递给肿瘤分割任务,解决了训练数据量少以及类别不平衡等问题,在提升模型拟合速度的同时增强了模型的鲁棒性。通过LiTS数据集验证,肝脏分割任务的Dice系数为94.9%,肿瘤分割任务的Dice系数为53.2%,相比于基础的网络框架,在肿瘤分割任务上平均可提升4.4%的分割效能。实验结果表明,本文设计的3D CNN模型成功完成了肝脏及肝脏肿瘤分割任务,同时证明了注意力机制、动态卷积和空洞卷积等模块应用于3D CNN模型上的有效性,为三维神经网络模型的设计与优化工作提供了一定的参考。