我国是世界上肝病高发的国家,超五分之一的人群受到肝脏疾病困扰,而原发性肝癌的发病和死亡例数分别占比全球的55.4%和53.9%,均为一半以上。肝脏相关的疾病发展快,恶性程度高,因此如何准确地制定早期诊断以及诊疗计划对治疗肝脏疾病至关重要。随着医疗成像技术的发展,计算机断层成像(CT)、核磁共振成像(MRI)等技术为肝病的影像学无创诊断提供重要手段。近年来随着智能影像技术的发展,为医生利用医疗影像进行分析,提高无创疾病诊断效能,提供了更有效的技术支持。其中,医疗影像分割作为医疗影像分析的关键技术,广泛用于肝脏组织的定量分析、图像配准以及三维可视化建模,为肝脏疾病的诊断和手术规划提供重要依据,影像分割在临床影像分析中具有不可或缺的作用。传统的肝脏影像分割方法多以早期图像处理方法为基础,较为依赖图像的浅层特征。然而这类特征极易受噪音干扰,且缺乏代表性,提取相应特征的特征算子更需要耗费大量人力去设计。近年来,深度学习被广泛用于影像分割方法研究中,然而如何针对肝影像数据特点,利用影像学临床诊断经验,设计一个高效的、精准的自动肝脏影像分割方法仍是一个难点问题。本文针对传统图像分割方法存在的局限性,探讨基于深度学习的肝脏影像分割方法和改进方案。本文的主要贡献和创新点如下:1、提出了一种语义一致性约束的单模态肝脏影像分割网络。利用当前主流的分割网络架构U-Net,并参考了风格迁移方法中计算两幅图像的风格差异的方法,设计了语义一致性损失,用以解决网络在进行粗粒度与细粒度的特征融合时产生的语义间隙的问题,从而提高肝脏特征提取的性能。通过在肝脏肿瘤分割挑战Li TS数据集的CT肝脏数据以及北京友谊医院提供的MRI肝病数据上的实验表明,加入语义一致性约束后的单模态肝脏影像分割架构相比原始的U-Net网络,在CT肝脏数据的肝实质和肿瘤的分割精确度提升了1.7%和3.11%,在MRI肝脏数据的六种肿瘤的分割精确度上分别有0.78%、3.33%、2.54%、2.58%、1.59%、1.56%的提升,证明了语义相似约束对特征融合的有效性。2、提出了自注意力加权融合的多模态肝脏影像分割网络。针对MRI影像具有多模态成像的特点,研究基于多模态数据融合的分割算法解决方案。通过模拟医生在临床诊断中,根据病灶可能的类别,对不同模态有着不同的侧重观察,利用注意力机制建模该临床经验,设计了自注意力加权融合结构。在北京友谊医院提供的MRI肝病数据以及BRATS-2015的脑胶质瘤竞赛数据上分别进行实验,实验结果表明,加入了自注意力加权融合结构的多模态肝脏影像分割网络比基准网络在六种肝病上的肿瘤分割准确率分别提升了2.72%,5.52%,4.59%,4.36%,2.31%,3.81%,在脑胶质瘤数据集的三个任务的肿瘤分割准确率也分别提升了5.91%、6.63%、6.26%,表明了自注意力加权融合结构对多模态数据具有更好的利用率。