精确的肺肿瘤分割在临床诊断治疗过程中起着重要的作用,然而由于肺肿瘤在空间中分布不均匀以及具有不确定性,肺肿瘤的精确分割一直是一项严峻的挑战。目前PET图像和CT图像被广泛应用于肺肿瘤的诊疗中。本文提出了在医学图像上全自动分割肺肿瘤的新颖方法,可以实现对病人全身医学图像的全自动扫描,精确分割出病人的肺肿瘤,较好的解决了肺肿瘤分割中的难点。本文算法分为两部分:基于稀疏特征图组成的卷积网络的PET图像肺肿瘤分割和基于特征融合的PET-CT图像肺肿瘤分割。第一部分将一种可训练的压缩感知模块CSM加入到全卷积网络中,可以在网络训练过程中实现信息压缩,去除冗余的特征图并增强有效的特征图。CSM模块解决了 PET图像中心脏、脊柱和肝脏与肺肿瘤由于相似强度造成的分割假阳性高的问题。同时,利用深层监督机制对每一个可训练压缩感知模块进行约束,训练权重参数,筛选出有效特征,将平等的通道特征图变成具有判别性的特征图。第二部分提出了一种可训练的独立成分提取模块ICEM,该模块可以实现对复杂特征的提取,得到一组独立的特征图,获得与肺肿瘤相关的独立成分,去除不相关的独立成分。将提出的可训练的独立成分提取模块ICEM与可训练的压缩感知模块CSM相结合构成双模态融合模块Fusion,并将其嵌入到PET-CT双模态肺肿瘤分割网络中。该双模态融合模块Fusion能够很好的结合PET和CT图像的信息,提取出对肺肿瘤分割有效的特征。本文提出的算法对100个患有非小细胞肺肿瘤的病人的三维PET和CT图像数据进行实验,并将实验结果与主流的先进的深度学习图像分割算法、肺肿瘤分割算法等进行比较,从定量和定性的实验结果可知,本文提出的算法在肺肿瘤分割性能方面具有更高的分割精度。