肝脏是人体内脏中最大的器官,目前肝癌是世界上仅次于肺癌的第二大癌症,严重影响人类的生命健康。针对肝癌的治疗方案,目前最有效的依然是肝脏肿瘤切除手术。但是肝脏内部组织错综复杂,给肿瘤切除手术带来了极大的困难。所以,在术前准确分割肝实质、肿瘤和血管区域,对手术计划的制定具有重大意义。近年来,人工智能技术发展迅速,因此也被广泛应用于医学图像分割领域。本文主要基于深度学习的方法实现肝实质、肝脏肿瘤以及肝脏静脉血管的分割,研究工作如下:1.针对肝实质分割任务,该任务相对容易,主要基于2D的卷积神经网络实现。本文针对该任务分别实现了 V-FCN全卷积神经网络、基于编码解码结构的Unet网络,接着针对网络退化问题提出了 ResUnet网络,获得了最优的结果。为了去除噪声,还通过最大连通分量的后处理来获取更加精确的结果。2.针对肿瘤分割任务,为了解决2D网络无法提取CT片内特征的问题,本文实现了 3DUnet、DenseUnet和Vnet网络,3D网络能够注重学习CT层之间的关联信息,得到更有效的特征。针对小目标区域的分割问题,在Vnet的基础上引入长连接和短连接和多尺度特征提取模块来兼顾全局特征和局部特征,实现Vnet++网络,最终得到比Vnet更优的分割结果。3.针对静脉血管分割任务,本文采用了两种算法。一种是基于区域生长的传统算法,通过人工选取种子点,设置生长准则实现血管分割。另一种是基于深度学习的方法,针对2D、3D网络的缺点,实现了更有效的2/3D Unet网络。接着实现了能够扩大感受野区域和自动学习通道重要性的SEVnet++网络,得到了比Vnet++更为精确的分割结果。本文通过多组腹部CT影像数据作为测试数据,分别对肝实质、肿瘤和静脉血管进行分割以及DICE指标的计算,最终肝实质、肿瘤、静脉血管的DICE指标分别达到了 0.9602,0.7971,0.7531,实验结果证明了本文提出的算法的可行性。