直肠肿瘤是直肠癌前期特征,是产生直肠癌的重要依据。因此,利用算法准确的分割直肠肿瘤的位置和大小是一项具有挑战性的任务。在诊断直肠癌的过程中,从CT影像中自动准确分割出直肠肿瘤区域,有助于提高医生的诊断速度和准确性。直肠肿瘤分割是非常具有挑战性的技术,也是医学图像分割中比较有意义的一项工作。因此,本文针对直肠肿瘤分割问题,提出基于U-Net改进模型的直肠肿瘤自动分割算法。首先在U-Net模型的每级编码器中嵌入子编码模块提升模型特征提取能力;其次通过对比不同优化器的优化性能,获得最适合的优化器用于训练模型;最后对训练集进行数据扩充使模型得到更充分的训练,从而提高模型的分割性能。本文提出改进模型与U-Net、Y-Net和Focus Net Alpha三种深度神经网络模型进行对比实验:本文提出的改进模型U-Net-SCB得到的分割区域与真实肿瘤区域更接近,对小目标的分割性能更突出;查准率P、查全率R和Dice系数3个评价指标都优于其它3种模型。由于改进的U-Net深度神经网络算法分割直肠肿瘤的精度有待进一步提高。因此,本文设计不同的深度神经网络模型,提高分割精度的深度神经网络算法。改进模型能有效分割直肠肿瘤区域,是对直肠肿瘤区域自动分割技术的有意探索。为了提高直肠肿瘤分割中提取足够特征信息的能力,本文提出一种协方差自注意力机制的双路径U-Net网络（CSA-DPUNet）。所提出的网络主要包括两个方面的改进:1)将只有一个路径结构的U-Net修改为包含两个收缩路径和两个扩展路径（把这个新网络称为DPUNet）,这样可以从CT图像中提取更多的特征信息;2)在DPUNet中引入十字交叉自注意力模块,同时,用协方差运算代替原来的相关运算计算方法,进一步提高DPUNet的特征表达能力,提高直肠肿瘤的分割精度。实验结果表明,与U-Net-SCB模型相比,CSA-DPUNet的Dice系数、P、R和F1分别提高了15.31%、7.2%、11.8%和9.5%,证明本文提出的CSA-DPUNet对直肠肿瘤的分割有积极的作用,对智慧医疗有参考的意义。