肝脏作为人体不可或缺的器官之一,对人体生命活动及新陈代谢起着重要的作用,人类生活环境的变化和不良生活习惯增加了肝脏疾病发生的风险。手术治疗是肝脏疾病治疗的重要手断,治疗中,掌握病人肝内血管分布十分重要,血管分布的复杂性要求在手术过程中必须注意保护肝脏重要血管,避免其出现损伤。准确的肝脏血管图像有助于医生分析掌握病人肝血管走向,制定出有效的手术规划,保证有效治疗。在人工智能技术发展如火如荼的今天,利用深度学习技术从腹部CT图像中准确分割出肝脏血管图像对于临床诊断治疗具有重大研究意义与实际价值。以三维卷积核和编码解码结构为基础的V-Net神经网络可以利用原始CT图像的特征,更好地分割医学图像。本研究在此基础上提出了更适用于肝脏血管图像分割的神经网络与损失函数。1.针对常用于类别不平衡问题的Dice损失函数直接忽略计算背景像素导致神经网络不能有效学习分割目标位置关联信息的问题,提出了D-BCE损失函数。该损失函数可以让神经网络在学习到分割目标位置信息的同时又不会因为样本类别比例问题导致无法有效提取特征。实验结果表明,D-BCE损失函数具有更高的精确性与鲁棒性。2.针对简单的下采样方式导致模型丢失大量图像细节信息的问题,提出了一种以双分支密集连接下采样策略为基础的NDV-Net神经网络模型。该模型改变了传统单分支下采样方式,使用多分支与密集连接相结合的形式让模型在执行下采样操作时可以融合更多有用的特征,避免在连续多个下采样操作后图像细节信息丢失导致无法解码还原小血管特征的问题。实验结果表明,NDV-Net可以提取到更多的小血管特征。3.设计并开发了肝脏血管图像分割系统。通过图像导入、预处理、图像分割和后处理等操作,准确且自动化地分割出肝脏血管图像。有效缓解医生手动标记血管的工作强度,提高诊断效率,对智能医疗的发展起到积极促进的作用。