肾癌是目前世界上最常见的十种癌症之一。根据统计,全球每年有超过40万的新增肾癌病例。从CT影像中准确分割出肾肿瘤,不仅能够量化肿瘤的形态细节用于监测病情的进展,还可以作为手术计划制定的重要参考依据。当前肾肿瘤分割方法的实现主要依赖于临床医生手动勾画。然而,手动勾画的过程不仅耗费时间且效率低下,而且分割结果的准确性也会受到医生个人经验和能力的影响。近几年,随着卷积神经网络（Convolutional Neural Network,CNN）的飞速发展,基于CNN的病灶自动分割技术已经成为计算机辅助诊断的重要组成部分。然而,由于肾肿瘤形态表征的复杂性给分割任务带来了极大的困难,导致目前肾肿瘤分割研究的进展还较为缓慢。因此,本文提出三种基于卷积神经网络的全自动分割算法实现在腹部三维CT图像中肾肿瘤的准确分割,最终肾肿瘤分割的Dice分数达到了 8 1.0%。本文的研究工作和主要贡献包括以下几个方面:第一,提出了基于定位-分割的两阶段分割框架和U型肾肿瘤分割网络（U-shape Kidney Tumor Network,UKT-Net）。肾肿瘤在腹腔内只是极小的一部分,因此在腹腔内范围内直接对肾肿瘤进行分割,不仅效率低下而且容易受到来自其他器官组织的干扰。针对该问题,本文将分割过程拓展为定位和分割两个阶段,首先在腹腔内定位到较为明显的肾脏,然后根据定位信息应用UKT-Net进行肾肿瘤分割。基于定位-分割的两阶段方法不仅将肾肿瘤分割的搜索空间缩小到了肾脏范围内,还提升了分割算法的效率。第二,提出了多尺度特征网络（Multi-scale Feature Network,MF-Net）。由于肾肿瘤本身外形和尺寸存在较大的异质性,增加了特征鲁棒学习和训练的难度。为了解决该问题,MF-Net从多尺度卷积特征和损失函数两个方面对UTK-Net进行优化。首先,应用金字塔池化模块和特征金字塔融合模块扩充了网络的上下文和多尺度信息,增强网络特征对不同类型以及不同尺寸肾肿瘤的鲁棒性。其次,提出了基于纠错自适应的交叉熵损失函数解决了之前的损失函数对目标尺寸敏感的问题。第三,提出了混维卷积网络（Mix-dimension Convolution Network,MDC-Net）。由于图像采集设备的不同以及CT图像本身的特性,使得图像的采样间距差异较大,导致肾肿瘤的空间外形表征存在不同程度的压缩。针对该问题,MDC-Net提出混维卷积模块来优化MF-Net的特征编码过程,对肿瘤同时生成2D、2.5D和3D三种卷积特征,并采用注意力机制对三者进行自适应加权,使得模型在上述复杂的图像情况下也能鲁棒地捕获到完整的肿瘤空间表征。