深度学习在医学影像上的应用越来越广泛,深度学习的主要应用为医学图像的分类、分割以及检测。本文详细介绍和总结了深度学习针对不同器官的相关应用并提出将深度学习应用于肝脏肿瘤分割,该方法主要基于深度学习中的分割与检测。结直肠癌肝转移(CRLM)的临床诊断治疗中最重要的步骤是对肝癌的评估。本文提出一种应用于CRLM的网络模型,可以自动完成病患腹部肝脏肿瘤的分割与检测的任务。该网络模型采用改进的级联网络辅助医师进行后续诊断和定量分析。改进的级联网络由U-Net和Mask R-CNN组成,分别用于肝脏肿瘤的分割与检测。步骤一,训练的U-Net模型作为级联网络的第一层用于分割肝脏器官作为感兴趣区域(ROI);步骤二,针对ROI区域进行形态学活动轮廓的剪裁与提取;步骤三,训练第二个U-Net模型和Mask R-CNN模型作为级联网络的第二层分别完成ROI区域内肝脏肿瘤的精准分割和检测。通过大量实验证明,级联的U-Net模型的肝脏转移瘤分割的平均Dice系数约为74%,均值平均精度(mAP)为83%;对于Mask R-CNN模型的肿瘤实例分割的平均Dice系数为67%,mAP为88%。本文通过进一步的实验,比较了不同时期的腹部增强CT,并证明了该模型的可行性。本文提出了一种优化改进的级联网络方法,分为数据层面以及网络模型层面。数据层面采用仿射变换以及PG-GAN(Progressive of GAN)的方法用于数据增广。网络模型层面采用ResNet,SENet,DenseNet用于优化网络改进级联网络的第二层U-Net网络,分别组成ResU-Net,RSU-Net,RSDU-Net模型。ResU-Net改善网络参数传递的短程连接过程,以参数的残差代替原始参数传递,从而优化网络模型。RSU-Net通过引入通道注意力机制,为特征的不同通道赋予不同的权重,从而实现特征重匹配策略。RSDU-Net利用DenseNet特征共享以及高参数利用率完成网络参数共享的长程连接,从而优化网络模型。对这三种改进的网络模型进行模型训练和超参数调优获取实验结果。ResU-Net、RSU-Net和RSDU-Net针对增强静脉期肝脏肿瘤数据,得到的Dice系数依次为74.6%,75.8%,76.2%,正确的肿瘤检出率依次为84.66%,85.30%,85.65%。从而证明本文优化改进的网络模型具有较好的优化效果。