肝癌在中国癌症发病率中排名第四,虽不及肺癌和胃癌的发病率高,但其致死率却高居常见癌症死亡率的第二位,严重威胁到人们的生命健康。精确的肝脏肿瘤分割方法对于辅助医师的临床治疗至关重要,有助于肿瘤的定量评估（如肿瘤体积、直径）,并且可用于肝癌的诊断以及预测患者存活率。在肝癌的临床诊断过程中,注射造影剂是不可缺的主要步骤之一,因为造影剂能够提高MRI影像中肿瘤的能见度,增强肿瘤边缘与周围组织的对比度。然而,造影剂可能会对人体的器官功能产生特异性的毒性作用,且检测时间长、费用高、资源消耗大。近几年的研究表明,具有扫描时间短、低风险、无有毒金属危害等优势的无造影MRI全自动分割模型有望成为一种新的代替方式,能够在肝癌的临床诊断和治疗过程中提供既安全又快速的帮助。然而,无造影MRI中由于没有造影剂的增强作用,导致图像的肿瘤区域边缘模糊,对比度低,边缘细节信息难以被准确捕获。因此,从无造影MRI中精确的分割肝肿瘤成为了一个迫切并具有挑战性的任务。在此情况下,本文针对无造影MRI数据的肝脏肿瘤分割任务开展了一系列的基于深度学习方法的研究。（1）本研究首先提出了一种基于边缘约束和位置映射的分割方法实现从无造影MRI中精确的分割肝脏肿瘤,它由定位网络和双分支分割网络组成。双分支分割网络考虑到了边缘特征的重要性和肿瘤与边缘之间的互补性,通过边缘解码分支和主解码分支分别针对性的负责肿瘤边缘部分和整个肿瘤区域,以获得更丰富的边缘特征。同时还引入了通道压缩和空间激励块和密集的向上连接使网络施加更多的注意在肿瘤边缘像素上。定位网络通过生成粗略的分割掩膜来提供更准确的位置映射,增强模型在无造影数据下的定位能力,更好的避免了肿瘤相似组织的干扰。为了解决小肿瘤分割困难的问题以及融合位置映射到分割网络,本章提出了瓶颈多尺度模块,利用不同大小的卷积核构建多尺度表示,丰富了网络的感知维度,同时融合了定位网络生成的位置映射。我们在由215名不同受试者组成的无造影MRI图像数据集上评估了该模型,实验证明了本模型的有效性,它的Dice系数、精确率和准确率分别达到了90.23%、92.25%和92.39%,且与现有的分割方法相比,本模型在无造影肝脏肿瘤分割任务中取得了优越的结果。（2）上一研究中的基于边缘约束和位置映射的分割模型提高了分割精度,但仍存在网络参数量相对较大的问题,且在不同数据中的泛化性能有待提高。针对以上问题,我们进一步提出了一种更轻量的混合差分信息与多尺度感知的分割网络（DM-Net）。首先,提出的多尺度全局感知模块能够利用较大感受野的浅层特征信息预测大肿瘤,较小感受野中包含的高层特征信息有利于预测小肿瘤。该模块在编码局部信息的基础上同时编码远距离的非局部依赖关系,以融合不同尺度特征中的全局和局部信息。其次,提出混合差分卷积块,将其嵌入边缘解码器中,从而构成差分边缘解码器,通过结合不同类型的差分信息来优化边缘的分割效果,提升网络对于肿瘤边缘细粒度纹理特征的捕捉能力。最后,通过实验验证,提出的DM-Net在Dice系数、准确率和精确率上分别达到了90.32%,92.15%和92.47%。最重要的是,相比于第3章方法,DM-Net的参数量从51.9M减少到30.7M,网络更轻量且泛化性更强。