在临床医疗诊断中,医学图像是医生进行诊断和手术的重要辅助信息。人体各器官内包含丰富的血管组织,利用计算机技术从医学图像中分割出血管树,可以更加方便对器官和疾病进行定性和定量的分析,辅助医生制定出更加细致且合理的手术计划,具有极其重要的临床意义。近年来,随着计算机运算能力的提升和海量数据集的存在等因素,通过训练深层全卷积神经网络,并运用于医学图像的分割,得到了学术界的广泛研究和青睐。然而,使用深层全卷积神经网络分割三维的肝脏血管图像,存在以下几大困难:1)虽然腹部螺旋CT图像容易获得,但是由于三维肝脏血管数据集的标注工作非常耗时耗力,因而,具有标注数据集的三维血管图像极少;2)为将肝静脉和门静脉分离开来,传统的基于图分析和图像配准的方法鲁棒性不强,且复杂性过高,而在全卷积神经网络的分割结果中,存在较多的错分类结果。针对以上问题,本文提出了两种方法分别加以解决,首先提出了基于统计形态学和Hessian矩阵的肝脏内血管分割方法,专家可以在该算法的分割结果上,进行修正以得到准确的标注结果,从而大幅度的提高肝脏血管数据的标注速度和准确性;其次提出包含迭代式连通域分析的全卷积神经网络算法框架,用于从腹部螺旋CT图像中,分割得到肝静脉和门静脉两大血管系统。本文的主要工作内容如下:(1)提出一种基于统计形态学和Hessian矩阵的半自动算法,用于肝脏内部血管树的分割。首先,对原始CT图像使用改进的三维中值滤波进行去噪和平滑;其次,为获得更好的Hessian增强效果,针对背景像素值的灰度不均匀问题,提出基于统计信息的顶帽操作方法;然后,为增强断续状血管,对图像进行灰度变换,并进行多尺度Hessian增强;最后,对Hessian增强后图像,使用各向异性扩散滤波进行平滑,并利用包含区域生长和活动轮廓模型的两阶段分割算法,获得完整的血管树分割结果。(2)提出基于全卷积神经网络的多类别血管分割算法框架,用于肝静脉和门静脉的分割。首先,在半自动算法分割结果的基础上,进行人工修正得到完整的肝静脉和门静脉标注数据集;随后,使用旋转、平移和形变等方式,对训练数据集进行数据扩增;使用扩增后的数据集训练二维和三维全卷积神经网络模型,其中,通过使用加权损失函数,以提高三维模型的分割准确率。在测试时,对两种全卷积神经网络模型的分割结果,进行迭代式的三维连通域分析,以获取具有一致性的血管树语义分割结果。在若干套螺旋CT数据集上,进行的定性和定量的测试实验,验证了本文所提出两种算法的有效性。与普通区域生长方法的对比实验结果表明,本文提出的半自动肝脏内血管分割算法,不仅使分割出来的肝脏血管树具有更好的视觉效果,而且在量化指标上也高于普通区域生长方法,从而极大程度减轻了标注工作者的工作量;基于全卷积神经网络的多类别血管分割算法框架,自动化程度高,能够有效地分离肝静脉和门静脉,为临床诊断和手术规划提供了有效的辅助手段。