肝癌是世界上癌症死亡的主要原因之一,肝癌的发病率和死亡率在逐年增加,正严重危害着人类的生命健康。肝切除手术仍然是治愈部分肝癌的主要的治疗手段,磁共振(Magnetic Resource,MR)图像是肝癌诊断的金标准,也是肝癌治疗中最常用的医学成像的方式,在肝切除手术之前需要制定一个完美手术方案,需要精准地获取肿瘤的大小、数量和位置信息,这样才能精确地切除肝脏病灶区域。所以,精确地分割肝脏肿瘤是肝脏肿瘤切除手术的第一步。然而肝脏肿瘤因其形状和位置复杂多变,灰度不均一,与周围组织边界线模糊等问题,使得肝脏肿瘤的精确分割比较困难。在临床试验中,可以发现,虽然手动分割的方法可以实现精确的分割,但是花费的时间很多,而且可再现性差。同时,国内外的很多研究工作者都在肝脏肿瘤的分割上提出了很多的半自动和自动的分割方法。半自动分割方法比较依赖于人的主观性和先验知识,自动分割的方法大多是基于传统的机器学习,需要经验和时间手动设计提取特征,计算量很大。在本文的研究中,提出了基于改进的全卷积神经网络(Fully Convolutional Networks,FCN)的U-net网络模型来精确地分割肝脏肿瘤,并且优化了网络模型,应用迁移学习的方法,初始化网络参数,加快训练网络的收敛,泛化网络的模型。同时将一部分实验数据通过基于区域生长和基于Snakes模型的这两种半自动分割方法进行分割,最后实验数据表明,通过U-net网络自动化分割出来的效果要比半自动分割的结果更加精确,分割dice系数87%,也更具有鲁棒性。