肝脏肿瘤的发病率很高,肝脏恶性肿瘤是最致命的癌症之一。为了对肝脏肿瘤进行有效,及时的治疗,对肝脏和肿瘤的精确分割是现今医疗影像分析中的热点课题。如果能实现医疗影像的自动化处理,得到准确的肿瘤位置,将会有助于肝脏肿瘤的治疗。随着近几十年来计算机算力的爆炸式提升,深度学习已经为计算机视觉,自然语言处理等方面贡献了很多算法。在医学图像方面,U-Net网络由于需要的数据集少,处理高复杂度图像效果好的特性,在医学影像的处理这一领域受到了广泛的应用。但是肝肿瘤出现的位置,形状,大小和数量难以预测,U-Net网络在肝脏肿瘤分割这一任务中表现不佳。有学者提出了Modified U-Net网络,在U-Net网络的跳跃连接过程中加入了阻塞反卷积,实现了对大物体和小物体自适应过滤的功能,取得了良好的效果。但是该网络在分割不同大小的肿瘤时,并不能完全准确地分割肿瘤的边界,还有改进的空间。本文在该网络的基础上对肝脏和肿瘤的语义分割算法提出了一系列的改进,所提出算法的评价指标有明显的提升。对数据的处理直接影响语义分割算法的分割结果。本文首先提取了CT图像中肝脏和肿瘤的特征,并对训练数据使用随机的仿射变换和弹性变换,大幅增加了数据数量。然后本文在Modified U-Net网络的基础上进行改进,提出了CE-m UNet网络。在网络中添加了DAC模块和RMP模块,提取多尺度信息,增强了网络对于不同大小的肿瘤的特征提取能力。通过消融实验验证,本文所提出的CE-m UNet网络取得了比原网络更好的分割效果。为了进一步提高对肝脏和肿瘤的分割效果,本文对提出的算法进行了优化。在网络结构方面,基于注意力机制,本文提出了ACE-m UNet网络。在CEm UNet网络中引入了注意力机制,让网络更加注重肝脏和肿瘤的边界,在加快模型收敛的同时提高了肝脏肿瘤的分割能力。另一方面本文还对训练使用的损失函数进行了优化,由于交叉熵损失函数对肿瘤分割效果不理想,Tversky损失函数,本文提出了一种综合了两种损失函数的优点的混合损失函数。通过消融实验对比验证了提出的优化方法可以取得优秀的分割结果。