肝癌作为常见的恶性肿瘤之一,拥有较高的患病率和致死率。通过组织分割掌握肝脏和肝脏血管之间的分支模式和空间关系是诊断和治疗肝脏肿瘤的关键步骤。传统交互式分割方法需要医生手动勾画肝脏和肝脏血管轮廓,整个过程比较繁琐并且分割的准确性取决于从业者的经验和技能。利用计算机视觉技术实现肝脏组织的自动分割具有重要的临床价值。由于CT图像中肝脏组织结构复杂,与周围软组织器官对比度低等问题,使得自动分割难度较大。基于上述问题,本文提出了基于三维全卷积神经网络的肝脏组织分割方法,主要工作内容如下:针对肝脏的分割问题的特点,同时为了充分学习CT图像各序列之间的上下文空间信息,本文提出了基于三维全卷积神经网络的分割方法。本文在网络最后一层使用了并行空洞卷积,通过设置不同膨胀率,提取特征图中不同尺度特征信息,并通过使用并行结构,整合多尺度特征,提高网络分类能力。为了加快网络收敛速度,同时帮助网络学习到更好的语义表达,在网络中引入了3D深度监督机制。在公开MICCAI 2017 Li TS的肝脏数据集进行训练和预测并与U-Net、U-Net++和V-Net网络模型对比,最终实验结果表明本文的网络模型分割性能较好,分割精度较高。还在公开的3Dircadb的20例数据进行预测,最终的Dice值达到0.965,充分证明了本文的网络模型具有较好的泛化能力。针对肝脏血管分割的问题,由于肝脏血管结构错综复杂,与周围组织对比度低,本文提出了一种基于改进的三维全卷积神经网络V-Net的分割方法。首先,在网络的编码器与解码器之间引入金字塔卷积块,提高网络定位能力;其次,在网络中引入多分辨率深度监督,即在不同监督路径下训练特定分辨率目标,使每条路径参数独立更新而互不干扰,从而得到更鲁棒的分割。通过将不同分辨率特征图融合,预测整体分割结果;最后,在网络的解码器中引入了跨尺度密集连接结构,防止在解码过程中高层语义信息丢失,有效融合多尺度特征信息。本文使用公开数据集3Dircadb进行肝脏血管分割实验,实验结果表明改进的V-Net网络相比于原网络分割性能显著提高,可自动准确分割出CT图像中的肝脏血管,且具有较强的鲁棒性。综上,通过对比实验和分析,充分验证了本文提出的基于三维全卷积神经网络的肝脏组织分割方法,可以从CT影像中自动,准确的分割出肝脏和肝脏血管,达到了应用于肝肿瘤的计算机辅助诊断与术前规划的技术水平。