肝脏是人体最大的实质性器官,它维持着人体排毒、代谢等重要的生命活动。据世界卫生组织发布的《2018全球癌症报告》中显示,肝癌的发病率在所有癌症中位居第6,属于高发癌症。腹部计算机断层扫描(CT)是检测肝脏疾病的常用医学影像方法。肝脏CT图像分割,即把CT图像中肝脏部分的图像像素与周围器官组织和背景的图像像素分隔开,是通过腹部CT图像检测肝脏疾病的必要步骤,这对于诊断肝脏疾病、制订治疗计划、评估疗效等都很重要。近几年,国内外学者对于肝脏CT图像的自动分割技术进行了广泛研究。然而,不同患者的腹部CT图像千差万别,肝脏与其周围器官在CT图像中的颜色也较为接近,腹部CT图像中背景与肝脏区域的面积相差也较大,这导致了目前的肝脏CT图像自动分割依旧存在着分割精度不够高的问题。同时,现有的肝脏自动分割方法所需计算时间都较长,在临床应用方面效率不够高。本文提出了一种将残差映射(Residual Mapping)集成在优化后的U-Net网络中构成的级联全卷积神经网络CR-U-Net,应用于肝脏CT图像的自动分割。本文的研究内容如下:第一,本文针对U-Net网络对图像细小特征不敏感以及网络训练过拟合问题,对U-Net网络进行了优化,提出了多种残差映射结构,并将残差映射与U-Net结合构造了R-U-Net网络,以避免网络训练轮数过高而出现准确率退化。在2017ISBI LiTS数据集上进行实验,通过多组对比实验确定了R-U-Net网络的最终结构,并验证了R-U-Net网络相比U-Net网络有效提高了分割准确率。第二,本文针对R-U-Net网络分割结果边缘不细致的问题,提出了级联网络的中间处理步骤,在R-U-Net网络的基础上构造了级联网络CR-U-Net用于肝脏CT图像分割。中间处理步骤在两级级联网络之间,作为第一级网络输出结果的后处理和第二级网络输入数据的预处理,经实验验证可以有效提升网络的分割准确率并细化ROI的分割边缘。此外,本文针对分割结果中的假阳溢出问题,提出了新的损失函数用于CR-U-Net网络训练,通过损失函数中的超参数平衡图像中假阳性与假阴性的训练权重,从而提高网络的分割精度。同样在2017 ISBI LiTS数据集上进行实验,与现有分割方法进行对比时,验证了使用新提出的损失函数训练CR-U-Net网络可以得到更好的分割结果。最后,本文针对网络运算时间较长的问题,采用多阶段模型剪枝使模型稀疏化,减少了分割模型运算时间。