肝脏是人体内一种以代谢功能为主的器官,发生于肝脏的细胞组织病变严重威胁到了人类健康。目前临床治疗中,肝脏及肝脏肿瘤的描绘主要依靠影像专家的人工标注,分割结果依赖于专家的临床经验且极其耗时。因此,借助深度学习方法实现对肝脏以及肿瘤的自动分割是充满实际意义的研究课题。针对肝脏与其周围软组织、血管的界限不明确和对比度较低等问题,本文构建了Encoder-Decoder的三维深度学习框架,提出了一种基于上下文注意力策略的三维肝脏影像语义分割方法。将上下文注意力机制与跳跃结构相结合,有效地关注肝脏感兴趣区域。该模块融合了上层三维空间边界信息和下层整体通道信息。最后针对肝脏影像数据较少的问题,集成了深度监督结构,缓解梯度爆炸或消失等问题。针对肝肿瘤与肝脏内正常组织灰度值接近和肝肿瘤的大小、形态、密度差异性较大等问题,本文提出了一种基于三位面卷积策略的三维肝脏肿瘤影像语义分割方法,利用医学影像中特有的冠状面、矢状面和横断面信息进行三位面卷积提取肿瘤多样特征。首先基于级联的方法联结了两个分割网络,利用上下文注意力策略模型来分割肝脏区域,再将分割得到的感兴趣区域输入到三位面卷积网络来分割肝肿瘤。此外提出了一种组合损失函数,有效缓解了数据不平衡等问题。本文针对肝脏分割难、耗时久和边界不明等问题,实现了一种基于上下文注意力策略的肝脏分割模型;针对肝肿瘤多样性的特点,利用三位面卷积模块代替普通卷积,并结合上下文注意力策略设计了肝脏肿瘤分割模型。与现有方法相比,本文所提方法提高了肝脏和肝肿瘤分割精度,对于肝癌的临床诊断具有良好的参考价值。