作为发病率最高的癌症之一,进行肾保留手术（nephron sparing surgery,NSS）的第一步是使用计算机断层扫描增强造影对患者进行扫描腹部CT扫描,从CTA图像中分割出肾和肿瘤组织的三维模型,以确定病灶位置、大小及形态学特征为医生提供视觉指导。随着多项国际性全监督肾脏语义分割比赛的开展,深度学习自动化分割结果的相关指标可以达到人工标注的90%。然而,由一个医院的带标注数据训练所得到的模型难以直接运用于其他医院的多中心目标域数据,对这些数据进行标注将会耗费大量的人力和时间。针对这一问题,无监督领域自适应方法（Unsupervised Domain Adaptation,UDA）被提出,UDA方法旨在用已有带标签数据的情况下,将模型的适用域从源域迁移至无标签的目标域数据,从而达到接近全监督方式训练的模型效果,这大大节省了标注目标域数据的成本。然而,医学图像通常采集自多个医疗机构和扫描中心,传统UDA方法仅考虑单数据中心构成的目标域,同时并不关注模型的源域上性能,这限制了模型的应用场景和性能的提升。因此,迫切需要一种单到多中心的无监督域扩张（Unsupervised Domain Expansion）方法,使用来自多中心的无标签数据,增强模型在更多中心数据上的泛化能力,并保持在原始中心上的性能。本文主要研究内容如下:（1）本文从卷积神经网络出发,提出一种基于熵的混合不确定性训练方法（Hybrid Uncertainty Learning,HUL）令模型在无额外标签的情况下自适应地泛化到目标域数据。HUL以3D U-Net作为分割网络主体,从两个互补的层面减少模型对目标域图像的不确定性以减小域间差（Inter-domain gap）。首先,本文提出三维熵减损失函数,基于模型在目标域图像产生的错误分割结果伴随着高熵值的观察,对目标域图像进行像素级不确定性的熵减训练。其次,为了学习医学图像中病灶组织的形态学特征,我们构建了三维判别网络,和分割网络进行对抗学习,判别网络以分割网络输出结果的熵图作为输入,对输入图像来自源域或目标域进行区分,从全局层面逼迫分割网络产生接近源域带标签图像的分割结果。（2）然而针对来自多个数据中心的无标签目标域图像,不同中心之间会呈现出数据异质性,使得中心之间的自适应难度也不尽相同,HUL无法关注到站间差（Inter-site gap）且无法保持模型在源域上的性能。针对这两个问题,本文提出动态可信样本策略（Dynamic Credible Sample Strategy,DCSS）,通过减小站间差进一步增强模型在多中心数据上的泛化性能。结合模型在目标域图像产生的熵图和后处理后的预测结果,带权前景平均熵代表模型对于图像的置信度,DCSS将置信度最高的若干样本的伪标签加入全监督源域样本池,目标域剩余不可信样本作为新的目标域,进行多轮采用HUL的自适应学习。实验结果表明,在目标域内,最终肾脏和肿瘤平均Dice系数为83.8%,达到Ki TS19分割挑战排名第一全监督方法的90%以上性能;在源域内,经过UDE平均Dice提升0.6%,保持甚至提升了在源域上的性能。本文提出的HUL和DCSS经过验证,在肾脏CT的单到多中心无监督域扩张任务中,在源域和目标域皆能得到较好的表现,能够在节省标签的同时起到视觉指导作用。