高质量高效的医疗可以提高人们的生活质量。而肝肿瘤作为一种恶性肿瘤严重威胁着人们的生命健康。因此肝肿瘤的射频消融(Radio Frequency Ablation,RFA)治疗逐渐受到广泛关注,各地区的RFA治疗水平也亟待提高。为了准确地实现肝肿瘤的RFA治疗,需要在手术前借助CT图像进行RFA治疗肝肿瘤的布针方案设计。在进行RFA设计时,需要CT图像中的肝肿瘤准确分割作为重要依据。同时,肝肿瘤的三维重建将给RFA治疗设计带来更大的便捷,因此对于CT的三维重建的研究是具有重要意义的。本文结合医学图像处理与深度学习的相关方法,首先对CT图像中的肝肿瘤进行分割,其次在肝肿瘤分割的基础上对CT图像中的不同组织进行三维重建,最后基于建立好的三维重建模型完成RFA治疗肝肿瘤的布针方案设计。本文针对传统算法的不足针对性地做了以下研究:(1)针对目前在CT图像中肝肿瘤分割精度不足的问题,本文提出了一种基于U-net网络的肝肿瘤分割算法。该算法用到两个参与分割任务的深度卷积神经网络,分别针对肝脏分割任务和肝肿瘤分割任务。整个方法分为离线阶段与在线阶段两个部分。在离线阶段中对网络进行训练,在在线阶段,将训练好的神经网络直接用于CT图像的分割任务当中。仿真结果表明,此算法可以减少在非肝脏区域中产生的误分割,有效地提高了对CT图像中肝肿瘤的分割精度。(2)针对CT图像三维重建过程中三维重建算法效率不高和三维重建模型实用性不足的问题,本文提出了一种基于改进Marching Cubes算法的CT图像三维重建算法。该算法首先通过改进体素的表示形式,增加了体素的体积,从而减少了三维重建过程中需要遍历的体素数目。同时在计算等值点的过程中,引入了平滑与失真系数来控制三维重建模型的平滑度与失真度。在绘制等值面之前,运用基于二次测度误差的网格简化算法对输出的三角网格进行消减,增强了三维重建模型的实时交互性。仿真结果表明,此算法可以提高三维重建效率,有效控制重建效果。综上,本文就论述的算法进行了仿真。仿真结果表明本文提出的基于U-net网络的肝肿瘤分割算法能够完成肝肿瘤的分割任务,为RFA治疗设计提供依据;基于改进Marching Cubes算法的CT图像三维重建算法可以为后续的肝肿瘤RFA治疗设计提供保障。