肝癌是全球高发的恶性肿瘤之一,是亟待攻克的全人类公共卫生问题。在中国,肝癌患者数量达到世界总数的一半,肝脏健康问题更需要加以重视。医学影像分割是对肝脏肿瘤进行准确分析的关键,分割的速度和精度都直接影响着后续的治疗过程。传统的医学图像分割过分依赖于人工操作,耗时且主观性强,因此利用日益发展的计算机辅助治疗技术实现肝脏肿瘤CT图像的自动分割是极具应用价值的研究课题。针对肝脏肿瘤CT图像的自动分割还有很多难点等待突破,例如由于不同病例之间肝脏和肿瘤的尺寸、形状和位置差异大导致的特征多样化问题,由于肝脏肿瘤与周围各组织器官的密度过于接近而导致的CT图像对比度低和目标边界模糊问题,因此提升肝脏肿瘤的自动精确分割依然是具有挑战性的任务。近年来,深度学习方法在计算机视觉领域异军突起,被大量应用在医学图像分割任务中,并且取得了明显的效果。这种分割方法基于数据驱动,从带有标注的原始医学图像数据中自动找寻特征规律,挖掘深层信息,避免了传统方法过于依赖人工的特点,满足了肝脏肿瘤分割算法自动、快速和准确的需求。但深度学习在肝脏肿瘤分割领域仍然存在局限性,现有的一些网络结构对原始三维数据信息的提取并不充分,同时还存在肝脏和肿瘤边界分割不清、小尺寸肿瘤区域无法分割等情况。因此,本文采用深度学习的方法,对肝脏肿瘤图像自动分割任务进行了研究,在改善上述问题的基础上,进一步提高了肝脏和肿瘤图像分割的精度,并设计了肝脏肿瘤自动分割算法可视化系统,对算法结果进行展示。本文的主要工作有:（1）针对现有神经网络结构对原始CT数据利用不充分的问题,本文设计了一种基于多维度特征提取网络的肝脏图像分割方法。该方法中的网络模型从网络层级、轴向和体素三个维度出发,分别利用层间连接、三维网络结构和空洞卷积方法,使网络对原始CT数据特征进行充分的学习;同时针对三维网络计算量大的问题,设计了不平衡深度可分离卷积模块,在网络学习效果不变的条件下大幅降低了参数量;最后针对数据不平衡和肝脏边缘分割效果欠佳的问题,设计了混合损失函数,并与深度监督结构相结合,有效提高了肝脏区域的分割精度。通过在肝脏肿瘤CT图像数据集Li TS上进行实验,本方法的肝脏分割结果在Dice系数和体积相对误差（VOE）衡量标准上都超过了其他算法,得到了较精确的分割结果。（2）针对神经网络获取三维医学图像体积信息的计算成本高问题,本文提出了一种基于密集注意力LSTM网络的肝脏肿瘤图像分割方法。该网络首先采用级联思想,利用上述肝脏分割网络的结果对肿瘤分割的感兴趣区域进行选取,大幅度减少了周围组织结构对肿瘤分割的干扰;其次针对小尺寸肿瘤区域特征的学习,设计了基于密集连接和残差混合域注意力机制的图像特征提取模块,充分提取水平面方向上二维切片图像的特征信息;最后将连续的二维切片看作序列,从序列的上下文关系中引入医学数据的体积信息,利用双向卷积LSTM构建序列特征融合模块,将切片间的体积特征信息进行融合,进一步提升分割精度。通过在肝脏肿瘤CT图像数据集Li TS上进行实验,本方法的肿瘤分割结果与其他方法相比有了一定程度的提升。（3）本文开发了肝脏肿瘤自动分割可视化系统。本系统利用Python编程语言和Py Qt5开发框架进行搭建,将本文所提出的两种基于深度学习的肝脏肿瘤图像分割方法嵌入其中,为用户提供了CT数据加载、图像预处理和神经网络图像分割等功能,实现了相应操作结果的可视化显示和保存。