肾脏在人体泌尿系统中具有重要作用,而肾细胞癌是一种高发性恶性病变肿瘤,是威胁人类健康的一大杀手。近年来,临床上多采取部分肾切除手术方式进行治疗,而肾脏肿瘤大小、位置信息以及生长态势等特征是影响手术的重要因素。目前,对CT图像中肾脏和肾肿瘤组织定位是通过医学专家手工标注的。然而,因为CT扫描切片间距较小,整个肾脏器官所包含的CT切片数据量较大,医生通过人工处理非常耗时费力,而且受个人经验影响较大,因此,对CT图像中肾脏和肾肿瘤进行自动分割具有重要的研究意义,起到辅助医生诊断治疗的作用。近年来,深度学习在各个领域获得广泛应用,并且在医学处理应用方面取得了突破性的成果,为此,本文采用深度学习方法对肾脏肿瘤进行分割方法研究。由于不同患者肾脏和肿瘤的位置、大小和形状差异很大,而且CT图像中包含了许多其他器官和组织,再者由于CT图像自身成像原理的特点,存在组织边界模糊不清晰等现象。本文针对2D空间CT图像的特点,提出了一种采用全卷积神经网络的分割模型RAUnet++网络。该网络以Unet++为基础分割框架,充分利用它跳跃连接和多解码路径丰富感受野的优点;将预训练的Res Net-34网络中四个特征提取模块作为Unet++网络编码模块来获取图像特征信息,通过使用残差连接,有利于特征信息复用、防止梯度消失优化网络性能;在多条解码路径中嵌入的RASPP模块增强了特征图上具有判别性的信息;最后,对不同解码路径进行特征融合得到最终的分割结果。在ki TS19竞赛提供的数据集上进行了对比实验,表明本文方法优于其它方法,其中肾脏分割结果在Dice系数、IOU值、Precision和Recall分别达到了94.05%、88.768%、91.78%和96.435%;肾肿瘤分割结果在Dice系数、IOU值、Precision、和Recall分别达到了76.587%、62.057%、79.72%和74.085%。此外,在ki TS19竞赛提供的数据集上还设置了消融实验,验证了以Res Net-34网络作为特征编码器和嵌入改进的空洞空间金字塔池化网络的有效性。本文提出的方法充分利用不同感受野来捕获多尺度的特征信息并进行特征融合得到分割结果,提升了肾脏肿瘤部位的分割效果。同时,由于2D卷积神经网络忽略了CT图像的空间信息,为了探究空间信息对肾脏肿瘤分割性能的影响,本文研究了采用3D卷积神经网络训练模型来分割肾脏肿瘤区域。为了体现3D卷积神经网络的优势,让网络更好的理解CT图像体素空间信息,首先对图像进行重采样,将CT切片之间的间隔统一量化,并将图像HU值进行归一化操作等。在网络训练之前先通过随机旋转、随机缩放、随机弹性变形等数据扩充技术丰富数据集,防止过拟合现象,提高网络模型性能;采用3D U-Net网络训练模型并添加深度监督机制,加快网络训练速度,提升分割性能;最后,采用连通域分析方法除去假阳性部分。其中肾脏和肾肿瘤分割dice系数分别达到0.949和0.795,表明充分利用CT图像三维空间信息,可以有效提高3D肾脏肿瘤分割性能。