肝癌是人类最常见的癌症之一,其致死率在各种癌症中位列前茅,当前广泛应用于临床的治疗方案如手术、放化疗等均对人体存在较大的副作用,而新型癌症治疗手段肿瘤治疗电场（Tumor treatment of electric field,TTF）以其抑制肿瘤生长、对人体无明显副作用且与药物联合治疗效果显著等特点在肝癌治疗领域发展迅速,针对患者和肿瘤的差异性,在临床中,事先通过个性化计算机建模分析进行方案设计是非常有必要的。计算机断层扫描（Computed Tomography,CT）成像技术自面世以来,依据高性价比和扫描技术的突破,目前仍然是肝癌筛查的最常用方式。基于病例腹部CT图像对肝脏及肝肿瘤分割和三维重建不仅能够表述更多的解剖学细节,同时通过赋予肝脏及肝肿瘤的计算机模型介电特性（包括电导率和介电常数,electrical properties,EPS）进行有限元建模可以对TTF量化分析,提高电场分布准确性,优化设计方案。然而,当前肝癌的临床治疗计划或医学影像分割研究中,普遍是由医生手动分割肝脏及肿瘤,非常依赖其专业水平,同时,一套CT动辄成百上千张不等,标记过程繁琐且耗费精力;此外,目前对于肝癌的TTF仿真研究中假设肝脏和肝肿瘤内部的EPS是均匀的,未考虑到组织内部的异质性,电场分布和实际情况存在误差。本文主要针对如何基于CT图像快速准确的分割肝脏及肝肿瘤、如何在分割结果重建的模型中体现组织EPS差异性两方面开展研究,为个性化TTF设计做出贡献。具体研究内容如下:调研肝癌临床和医学研究中常见的数据类型和组织CT值的范围,从工程应用实现和数据集质量俩方面考虑设计分割方案:在拥有大量准确标注的数据集时,采用基于卷积神经网络的方法,针对现有网络分割肝脏及肝肿瘤存在的不足之处,如肝脏边界缺失或肿瘤识别失败等,本文将Unet网络作为基准网络,引入空间注意力机制,捕获肝脏的边缘像素和打破局部感受野限制。在LITS（Liver Tumor Segmentation Challenge）数据集中公开部分上的实验结果表明,添加了注意力机制后的网络可以提升Unet的性能指标,其中,基于Non-Local的方法在边缘细节的还原效果更为明显。在数据集质量较差且算力限制的情况下,针对CT图像中肝脏及肝肿瘤与周边器官组织的对比度差的难点,采用两阶段分割方案,首先分割肝脏,提出基于调窗转换灰度和保边滤波的预处理方法,在区域增长过程中加入canny边缘先验信息,抑制过分割,将结果作为初始水平集并进行迭代优化分割结果;分割肝肿瘤,对一阶段肝脏分割结果使用改进的OTSU3阈值方法粗分割肿瘤,对粗分割结果使用水平集中细化。在3Dircadb的含肿瘤腹部序列上的实验结果表明,加入边缘先验信息的半自动肝脏分割结果能够得到期望的分割结果,而第二阶段分割肿瘤的方法在速度和肿瘤较小情况下均有不错表现。本文最后研究了人体组织EPS、图像CT值和组织密度之间的紧密关系和相关映射方法,比较了基于编程和软件面绘制的重建模型的效果,并将分割和建模流程模块化增强本文研究的应用性。具体来说,首先证实了肝组织的CT值与其EPS以及组织密度和成分之间的相关性,然后采用区间法依据肝脏CT值调研数据将肝脏CT区间划分为多段,通过移动立方体算法分别重建得到肝脏各个部分以及肿瘤的模型,在一定程度上反应肝脏内部EPS的异质性。