肝癌是全球范围内最严重的癌症之一,在肝癌的早期及时发现病灶并进行治疗,对病人来说大有裨益。然而临床实践中,放射科医生往往需要对腹部CT图像进行逐张检查才能对病情进行诊断。这个过程依赖医生的经验,需要耗费大量时间和人力。为了避免耗时繁重的阅片工作,自动化的肝脏和肿瘤分析算法亟待研发。在对肝脏肿瘤分析要求较高时,可用图像分割来获得肝脏和肿瘤的区域;在仅需简单诊断或硬件性能有限时,可用目标检测来判断肝脏和肿瘤的位置。目前已有的肝脏肿瘤分析方法存在以下问题:用二维卷积对CT图像分割,忽略了图像序列中存在的三维关系;三维分割网络计算量大,对于小型计算机来说负担过重;目标检测网络因注重准确率而变得庞大,无法在移动设备上运行。本文针对上述问题进行深入分析和探索,取得了以下成果:·针对二维网络不足以挖掘三维信息的问题,本文提出了一个包含高分辨率特征提取和特征融合的三维网络HRNet3D,能够提取和融合不同尺度的特征来获得全局和局部信息。实验结果表明,该方法在肝脏和肿瘤分割任务上表现优异。·针对三维网络计算量过大的问题,本文提出一种新颖的多视角分割框架,同时分割出CT图像序列中的肝脏和肿瘤。同时,提出一种新模型TowerNet和联合损失函数,以检测分割过程中易被漏掉的小型肿瘤。实验结果表明,该方法在降低了计算门槛的情况下,仍然对肝脏和肿瘤分割有很好的效果。·针对已有目标检测方法运行门槛高的问题,本文将Transformer应用在深度神经网络中,提出了特征提取器CSPTR和轻量化的目标检测网络YOLOv5TRs。实验结果表明,CSPTR能够很好地提取全局特征,所该方法具有优异的准确性和实时性,易于部署在移动智能设备上。