肝脏分割任务是从输入的肝脏CT数据中分割出肝的任务。由于CT图像中肝脏具有与邻近器官对比度低、噪声较高和存在病理异常等特点,因此肝脏分割具有一定难度。随着视觉相关算法的快速发展,深度卷积神经网络在医学图像分割上得到了越来广泛的应用。其中,利用捕获上下文的收缩路径和允许精确定位的对称拓展路径的U-Net模型获得了较好的分割效果。然而,单纯的U-Net网络结构在分割上的表现还有较大提升空间;并且通过简单地堆叠卷积核的方法提升模型效果,会加大参数量和计算量,是训练和推理变得困难。本文为了提升U-Net在肝脏分割上的效果,首先使用残差模块代替原有的卷积模块,加快模型的收敛速度;之后为了抑制像素点类别不均衡问题,使用DICE系数的相反数替代交叉熵损失函数,并引入基于形态学的方法对像素点进行加权;针对3D肝脏分割进行了模型改进;最后为了提升模型的泛化能力,使用随机仿射变换和随机弹性形变进行数据增强。实验结果表明,该方法对2D图像的分割效果改进明显,在3D数据上可扩展性强。本文为了降低U-Net的参数量和计算量,首先使用由两个级联的小网络构成的kU-Net进行改进,在降低了模型参数量的同时,提升了模型效果;之后使用由粗到精的分割策略改进kU-Net,进而得到W-Net,它在几乎没有提升模型的参数量和计算量的同时显著提升模型效果;最后对W-Net的扩展路径进行精简,并微调模型收缩路径,在明显降低模型计算量和参数量的同时,保持了分割效果基本不变。通过实验测试,本文提出的基于残差模块的改进方法对于肝脏分割效果提升显著,使用kU-Net和由粗到精的分割策略在降低参数量和计算量的同时,保证分割表现,具有良好的实用性。