计算机断层扫描图像(Computed Tomography,CT)凭借其信噪比高、图像清晰、成像的速度快等优点成为外科医生辅助诊疗的重要手段。肝脏疾病越发引起研究人员的重视,患病肝脏的形状、尺寸等和正常人相比都有明显不同,因此,医生需要对患者的肝脏CT图像进行分割,通过观察分割结果对患者病情做出判断。人工手动分割肝脏虽然分割精度较高但分割结果缺乏客观性,且时间成本比较高。本文的研究就是为了提高医生的工作效率而进行的,在本文中,本文采用了近年来发展迅速的U-Net网络并在原始网络上进行了改进:为了提高网络的训练速度,引入了 BN算法;为了参数能快速优化而不造成梯度消失,加入Leaky Relu函数。U-Net网络是一种全自动的分割算法,属于深度学习算法范畴,已经训练好的U-Net网络可以通过本身层层卷积自主学习图像的具象和抽象特征,最终完成图像的自动分割。在改进的U-Net网络的基础上,本文采用增加空间节点的Ncut算法来对分割结果做融合增加分割节点的空间特征提取能力,最后用全连接条件随机场模型优化分割结果的边缘细节分割效果。经过实验证明,本文所采用的分割模型的分割结果比区域生长算法这种传统分割算法的分割结果及原始的U-Net网络的分割结果效果都要好。本文所采用的模型可以有效地提高临床工作者的工作效率。本文的主要工作是:1.详细介绍了 U-Net网络的组成,为了提高U-Net网络的分割性能对原始的U-Net网络进行改进:借鉴全卷积神经网络模型(Fully convolutional neural network,FCN),加入BN算法,此外将激活函数改成Leaky ReLU函数,减少静默神经元的出现,从而可以更好地完成图像的初步分割。2.本文采用增加空间节点的Ncut算法实现肝脏CT图像的分割,借鉴deeplab-v2模型后续优化处理方法,引入全连接条件随机场模型进行边缘细节的优化,得到最终的分割结果,并以此辅助临床医生对疾病的诊疗。3.介绍了 3Dircadb、Chaos 2019两个数据集,并对数据集中的相关图像利用中值滤波去噪、归一化作预处理,对训练集进行数据增强技术扩充实验样本,经过对比实验证明,本文采用的分割模型对肝脏CT图像的分割相比于区域生长算法、原始的U-Net分割算法、改进的U-Net分割算法、仅用改进的U-Net分割算法加Ncut算法分割方法效果得到了进一步的提升。最后对本文采用的联合模型做了进一步总结,并展望了该模型的发展方向。