肝癌是常见的癌症之一,医生一般通过分析病人腹部的CT影像诊断病情,由于医生的主观判断和专业水平不同,有时会导致诊断结果偏差,因此一个能协助医生自动精准分割肝脏和病灶(肿瘤区域)的方法显得尤为重要。目前深度学习应用在医学影像分割上主要有两类方法,第一是基于二维卷积神经网络的分割方法,此方法的分割精度高于传统分割方法,但由于生物体器官是三维呈现,二维分割模型容易忽略CT影像中横断层的层间信息。第二是基于三维卷积神经网络的分割方法,该方法会减弱对二维图像片内的特征提取,此外三维分割模型的网络层数不够深,这些因素在一定程度上会降低分割精度。针对以上问题,本文提出一种基于混合卷积神经网络的分割方法,用两个功能不同的卷积神经网络经过两次分割完成,其主要工作如下。首先,对于数据集的层内信息学习,本文设计了基于二维卷积神经网络的分割方法,该网络采用了残差结构和“U”型网络的编码解码结构,此设计在增加网络深度的同时加快网络的收敛速度,得到第一次分割的肝脏区域。然后,将第一次分割结果处理后得到立方体结构,和原始数据集一起预处理并送入三维卷积神经网络。最后,对于数据集的层间信息学习,本文设计了基于三维卷积神经网络的分割方法,该网络采用了残差思想和空洞卷积理论,此结构可以学习到图像的深层特征,得到第二次分割的肝脏和肝肿瘤区域。本文主要的实验数据是肝肿瘤数据集Li TS,经实验验证本文设计的二维卷积神经网络和三维卷积神经网络的分割效果均高于同维度的对比网络,且基于混合卷积神经网络的分割效果高于只使用单独的二维网络或三维网络的方法。混合网络经调试后肝脏和肝肿瘤的分割系数分别是0.962和0.634。