肝癌是一种常见的恶性肿瘤,是世界上癌症死亡的主要原因之一。精准地分割出肝和肝肿瘤区域对医生进行疾病诊断和手术规划有非常重要的指导作用,自动化分割肝肿瘤的方法对临床诊断治疗有着重要的价值。深度学习技术越来越成熟,也开始应用在医学图像处理领域,尤其是全卷积神经网络,在一些医学图像分割上取得了不错的效果。在基于深度学习技术的腹部CT图像应用中,主要有两种方法:基于二维卷积的全卷积神经网络和基于三维卷积的全卷积神经网络。基于二维卷积的全卷积神经网络可以充分学习片内信息,但是忽略了层间信息,基于三维卷积的全卷积神经网络可以学习层间信息,但是受限于它的高计算量和对显存的高要求。鉴于以上两种方法存在的问题,本文提出了一种将基于二维卷积的全卷积神经网络和基于三维卷积的全卷积神经网络相结合的方法,该方法由三个负责不同模块的不同结构的全卷积神经网络构成。第一个是基于二维卷积的全卷积神经网络,采用了“U”型网络的长连接结构和残差网络中的残差思想,它的作用是粗略分割肝脏,然后提取出感兴趣区域(肝脏区域)。第二是基于2.5维卷积的全卷积神经网络,采用了“U”型网络的长连接结构,它的编码分支使用了密集连接网络,在解码分支中,上采样过程使用像素反卷积层替代反卷积层,该网络的作用是充分学习感兴趣区域的片内信息。第三个是基于三维卷积的全卷积神经网络,以“V”型网络为基础,结合空洞卷积,提出了改进型“V”型网络,它的作用是学习感兴趣区域的层间信息和做出最后的肝肿瘤预测结果。三个网络分开训练,第三个网络的训练数据由第二个网络提取的概率图和原始图像块结合而组成。最后,本文在2017年的肝肿瘤分割挑战赛的肝肿瘤数据集上进行了训练,通过调参,最终在验证集上取得了肝分割的Dice系数为0.962和肝肿瘤的分割Dice系数为0.632的结果,结果表明,该方法的肝肿瘤分割效果远好于只使用单独的二维卷积神经网络或三维卷积神经网络的方法。