图像分割是计算机视觉领域中重点研究内容,在医学图像处理中也尤其重要,它可以在复杂图像中得到医生感兴趣的病变区域,帮助医生做出更准确的病情阶段评估以及更精确的治疗计划,为医生带来了许多便利。肝癌目前是世界上最常见的癌症疾病之一。由于肿瘤形状的多样性和扩散性,肝脏肿瘤病灶的自动分割任务是非常具有挑战性的。放射学家这种良好的孤立性质使得人工智能算法在肝脏肿瘤分割领域中得到很好的应用。本文分析了现有肝脏肿瘤分割算法的优缺点,在现有GPU内存资源条件下,分别对基于二维全卷积神经网络(Fully Convolutional Networks,FCN)和三维全卷积神经网络结构作出改进,并在公开数据集上验证本文提出方法的有效性。首先,介绍基于深度学习的医学图像分割算法的基本理论知识,为后续对改进的算法工作介绍打下理论基础。其次,针对基于二维FCN神经网络方法中空间信息特征不足的问题,提出了新的基于二维FCN的肝脏肿瘤分割算法。该模型采用多尺度特征提取模块与在反卷积过程中加入位置信息,将图像的全局信息和局部信息进行充分的结合,提高病灶定位准确度。通过与现有方法对比,模型参数量大大减少,降低对计算机GPU内存的需求。最后,提出了双通道输入的轻量级的基于三维FCN改进的肝脏肿瘤分割算法,缓解了三维卷积高计算成本和高内存消耗的问题。我们通过随机采样和优化目标函数的方式弥补训练样本不平衡的缺陷。将本文提出的所有改进点进行综合后得到一个混合的网络结构。在公开数据集上的实验结果可以看出,不管是基于二维FCN或者是三维FCN的网络结构,本文提出的方法相较于原始的方法在提高模型定位准确度的同时减少模型的参数量。