肝脏作为人体不可或缺的器官之一,承担着人体代谢各种物质的功能,同时又是重要的热能供应器官。随着今天的社会生活节奏变快以及人们不正常的生活作息,导致肝癌患者数量不断增加。CT是根据不同的器官或组织对X线的吸收系数不同来成像的。相对于其它技术,CT成像技术比较成熟,灵敏度较高,能够比较准确的呈现身体的器官、组织和病变位置的详细特征,使医生能够更加清晰的观察,及时制定出有效的治疗方案,因此常用于肝脏肿瘤诊断。根据医学成像对肝脏和肝脏肿瘤进行准确分割是医生进行诊断和手术治疗的重要基础。特别是在智慧医疗中,精准的分割出肝脏和肝脏肿瘤是其他治疗步骤的前提,也是医生进行病情诊断、确定治疗方案的重要依据。传统的分割方法需要医生根据病理学知识和相关临床经验,借助相应的软件手动标注病变位置,这种方式非常耗时且费力。另外,标注的准确性由医生的主观判断和专业背景知识决定,存在很大的差异性和不稳定性,因此需要更加精准的自动分割工具,借助于计算机辅助实现更加快速精准的分割。近年来随着机器学习技术的日新月异,越来越多的学者将深度学习技术引入到医学影像处理邻域,使得医学图像分割的精度得到提高,但是肿瘤与肝脏边界不清,肿瘤形状各异甚至有的肿瘤小到肉眼难以分辨,并且肿瘤位置也变化不定,因此准确的分割肿瘤仍存在较大困难。针对以上问题,本文进行了以下研究工作:1.提出一种基于多尺度特征提取的图像分割网络模型,用于肝脏的分割。模型使用重新设计的多尺度特征提取结构,该结构包括了多个残差连接和不同感受野的卷积块,残差连接可以缓解网络过拟合的问题,同时连续的卷积操作会导致语义信息的损失,加入残差连接也能抑制语义信息丢失的现象,CT切片中的肝脏大小不同且位置多变,传统卷积的固定感受野难以提取到全面的特征,因此使用不同大小感受野的多个卷积块来提取更全面的特征。实验结果显示该模型明显分割效果相较其他模型更好。2.针对更加困难的肝肿瘤分割,本文设计一种融合多种注意力机制的CT影像分割网络模型。该模型在编码阶段首先用深度可分离残差卷积提取特征,深度可分离卷积具有更少的参数量因此可以加快网络的训练过程,然后用融合多种注意力机制的注意力模块调整特征值的权重,从而使网络模型更加关注肝肿瘤所在的区域,降低背景及无关语义信息的影响。实验表明该模型分割肝肿瘤的性能优于所对比的分割模型。