结直肠癌在全球恶性肿瘤的发病率与致死率排名第三和第二,在国内恶性肿瘤发病率与致死率排名均为第五。目前,基于CT图像诊断结直肠癌的方式在临床上被广泛应用,而肿瘤的病灶分割是肿瘤分析研究中重要的第一步。然而,现在大部分病灶分割的任务都是由医生手动分割完成,这种方式工作量大,一致性低,可重复性差,所以精确的自动化分割方法亟待研发。本文首先分析了结直肠肿瘤的形态大小差异大,分布范围广,原始图像大等特点。然后总结了U-Net及其变体在结直肠肿瘤3维CT图像分割任务中存在的问题:小体块语境信息不足,效率低,大体块显存溢出等等。针对这些问题,本研究结合已有方法,提出了一个显存友好的模型。本文沿用了Roi aware U-Net模型的框架。该框架通过定位模块定位ROI位置,从而对特征进行局部解码,能大幅度减少解码过程的显存占用。由于可逆残差模块的中间变量可以通过推演得到,无需保存中间变量,该模块可以显著节约显存。因此,本研究使用可逆残差模块替代原模型的残差模块。实验证明,在与普通残差模块具有相似的性能前提下,可逆残差模块的使用可以显著节约显存。由于现有U-Net方法及其变体第一层对原分辨率图像进行编码的方式十分消耗显存,本研究提出了一个多方向下采样的模块,该模块分为三个分支,每个分支对应的一个方向不进行下采样,而是对另外两个方向进行下采样,这样使得该模块每个分支保留一定原分辨率信息。实验证明,下采样模块与原分辨率编码方式相比之一约1%的性能损失,但是能够显著减少显存的占用。另外,为了加强模型的特征抓取能力,本研究在解码部分嵌入了注意力模块,由于解码阶段显存消耗较少,该模块对显存消耗极少。实验证明,注意力模块能够增强模型分割性能。为了体现本文模型的优势,在对比实验中,本文模型使用了大图像块进行训练。对比结果显示,该模型能够显著降低结果的假阳性,提升精确率。