肝脏是人体腹腔内最大的实质性器官,其结构复杂,血管丰富,病变种类多,发病率高,已经严重威胁着人类的健康和生命。近年来,计算机断层成像(Computed Tomography,CT)已成为肝脏肿瘤诊断与治疗中最常用的医学成像方式,主要的治疗手段包括肿瘤切除、介入、放射等,每种治疗方法都需要术前详细了解肿瘤的数量、大小、位置等信息,以便制定一个完善的治疗方案。因此,肝脏肿瘤的精确分割成为肝肿瘤治疗的首要任务。肿瘤分割难点主要体现在以下几个方面,首先肝脏肿瘤的大小、形状、位置复杂多变,因人而异;其次肿瘤区域与肝脏正常组织界限模糊且可能毗邻其他器官及血管;另外,肝脏肿瘤影像表现存在较大差异,病变组织灰度不均匀等。在临床诊断中,手动分割一致性差,耗时多,大量研究工作者对其分割进行了深入研究,提出了许多半自动、自动的分割方法。通常半自动分割方法需要人工干预,依赖于人的主观性和经验。大部分自动分割方法是基于传统的机器学习方法完成的,需要手动设计提取大量特征,特征提取过程复杂且计算量大,凭借经验。肝脏肿瘤分割仍然是医学图像处理领域中的研究难点和热点。在本文研究中,首先提出了基于深度卷积神经网络(Convolutional neural networks,CNN)的肝脏肿瘤自动分割方法。提取不同大小的图像数据块作为训练数据并设计不同的网络结构,自动学习特征,获得肿瘤的分割结构。其次,提出了基于深度卷积神经网络与图割优化结合的分割方法。通过图割优化所获得肿瘤粗分割区域,无需相应的后处理就能得到平滑的肿瘤边界,获得更精确的分割结果。然后,将传统的手工提取特征和自动学习特征进行对比,分别训练AdaBoost,Random Forests分类器用于肿瘤分割,相比之下,自动学习特征更有效,更具有可分性,更能够刻画数据的丰富内在信息,有利于肿瘤分割。实验结果表明,通过深度卷积神经网络自动学习所获得的特征更有利于肝脏肿瘤分割,基于深度卷积神经网络并通过图割优化后的肿瘤分割结果优于传统机器学习方法及半自动水平集方法的分割结果,具有较高的准确性和鲁棒性。