肾脏肿瘤多为恶性肿瘤,是泌尿系统最常见的肿瘤之一,每年新增肾脏肿瘤病例超过40万例,严重危害人们的健康。临床上多采用手术切除的方式,保留肾单位手术成为一种更加常见的治疗方式。保留肾单位手术是指切除所有肾脏肿瘤,尽可能保留患者部分正常肾脏,这就要求尽可能准确的分割出病变位置。传统分割方法中,医生根据病理学知识和相关经验,借助相应的标注软件在CT影像上手动标注肾脏和肾脏肿瘤位置,耗费大量时间和精力。此外标注的准确性取决于医生的主观判断和专业水平,存在很大的不稳定性。不同个体之间的肾脏和肾脏肿瘤差异性很大,肾脏肿瘤病理情况复杂度、临床表现不同,传统分割方法存在很大的局限性,难以达到临床要求。因此,自动分割肾脏肿瘤的研究具有重要的研究价值。近年来,随着人工智能的发展,深度学习在图像处理等领域得到广泛应用。以医学图像分割为例,深度学习算法通过使用大量数据训练模型自适应学习目标的特征,无需过多人为干预,过程比传统算法简单,可以有效提高医学影像的分割精度和速度,更加适用于数据量小的医学图像分割,因此在医学影像分割领域得到广泛应用。针对以上问题和背景,本论文完成了如下工作:1.提出一种基于聚合层间信息的U-Net分割模型,应用于肾脏和肾脏肿瘤分割。传统的U-Net模型输入单张CT切片进行训练,每个切片之间不具有关联性,忽略了 3D影像的层间信息,造成信息损失,降低了分割精度。本论文提出的聚合层间信息的U-Net分割模型,在模型编码端进行3D卷积,充分利用了相邻切片之间的层间信息,针对性地预测中间层切片,该模型解决了 U-Net模型缺少层间信息的问题,有效提高了分割精度,改善分割效果。2.提出一种基于多尺度融合的图像分割模型,应用于肾脏和肾脏肿瘤分割。考虑到传统模型解码端的上采样部分由低分辨率恢复到高分辨率,肯定会丢失一些细节信息,影响最终的分割结果,本论文在模型解码端加入多尺度融合单元,将不同尺度的特征信息融合。此外,本模型在编码端加入残差单元,一方面将网络提取到的不同级别的特征进行融合,重用已经得到的浅层信息;另一方面抑制网络过拟合。基于多尺度融合的图像分割模型充分挖掘细节信息,有效解决了小肾脏肿瘤难以分割的问题,显著提高了分割性能。