近年来,由于生态环境恶化及生活饮食不规律等因素,肝脏疾病的发病率不断上升。对于出现明显病变区域的肝脏疾病,如肝脏肿瘤、肝内胆管结石、肝脏囊肿等,临床上往往需要采用手术切除的治疗方法。为了尽可能精确地切除肝脏的病变区域,避免因切入血管而导致大出血,医生需要按照Couinaud分段法,沿着周围的肝脏静脉实施切除手术。所以,在手术前需要对肝脏静脉血管进行定量分析和精确建模。在临床上,肝脏静脉血管往往需要通过医生在CT图像中手动勾勒获得,这种方式耗时耗力,且对医生的临床经验有要求。因此,目前临床上迫切需要一种能够快速自动化精确提取肝脏静脉血管的方法。然而当前肝脏静脉血管分割仍存在以下难点:（1）血管尺寸小且分布不均匀,而现有网络在多次下采样过程中,容易丢失这些细小的血管特征,导致细小血管分割效果较差。（2）血管周围存在其他病变组织,这会使得血管的分布与形态变得更加不规则,而孤立的CT切片无法充分展现血管的复杂走形和位置信息,导致分割出的血管连续性较差。针对上述问题,本文的主要工作有:本文提出了一种基于片内注意力机制的肝脏静脉血管分割方法,利用编、解码模块获得血管不同维度的特征,这些特征中往往分别包含大量细小的血管细节及语义信息;同时,设计片内注意力模块,充分融合血管高维度语义特征与低维度细节特征,并训练网络聚焦于区域与通道上的肝脏静脉血管特征信息,提高细小血管分割效果。在此基础上,本文设计片内-片间注意力机制、片内-片间图连接机制加强捕获相邻CT切片之间关联度,提取丰富的序列上下文信息,这些信息能揭示肝脏静脉血管的复杂走形、分布及位置关系,有助于提高血管分割结果的连续性。另外,本文提出了一种血管区域结合边缘度量约束项的损失函数,以优化调整血管边缘。实验表明,本文所提出的两种肝脏静脉血管分割方法均取得了较好的结果。尤其是,基于片内-片间信息关联的分割网络在独立的测试集上的评估结果:Dice为84.5%、精准率85.6%、敏感度86.6%、F1为86.1%,优于多个深度学习算法。