近年来,计算机断层扫描（CT）基于深度学习的细分割发展迅速。为了改善计算机辅助手术（CAS）,已经开发了多种技术来分割解剖器官。肝脏分割是高级CAS应用的关键步骤,如计算机辅助肝病诊断和治疗,以方便医学专家进行手术计划和术后评估。在这篇论文中,我们在三个任务中解决了基于深度学习的肝脏分割问题,以改进CAS。分割目标是利用CT数据的深度学习技术开发全自动的肝脏解剖分割方法。基于最近的技术要求,这篇论文在肝脏分割方面提出了三种不同的方法,并在分割的肝脏和各自的血管的可视化方面提高了准确性。我们的工作是从数据类型的不同特征来解决分割问题。第一,在基于深度学习的肝脏分割方面,我们提出了一种肝脏重建方法来解决微创手术（MIS）中的肝脏变形问题。对于肝脏MIS,微创手术中需要解决的主要问题之一是肝脏的变形,通过解释其软组织的几何形状来实现肝脏表面的三维重建是很有吸引力的。此外,它严重影响了视线和操作的灵活性,导致其术中形态和软组织运动与术前形状相比发生改变。我们提出了一种基于运动结构的高效肝脏表面重建技术,以处理肝脏变形。重建后的肝脏将帮助外科医生以更好的深度感知更有效地观察肝脏表面。我们利用术中视野从密集的关键点云中生成3D模板网格,通过寻找三维模板和重建肝脏图像之间的最佳对应关系来估计肝脏的变形,以计算平移和旋转运动。然后,我们的技术通过使用阴影线索增加平滑度来微调变形的表面,通过合成的以及真实的体内数据进行了测试和验证,结果显示,即使在具有挑战性的腹腔镜环境中,使用我们的方法也能提高重建的准确性。第二,由于本论文的主要目的是为CAS提供高效的基于深度学习的肝脏分割,我们进一步探索了基于深度学习方法的肝脏分割,以便从低剂量计算机断层扫描（LDCT）图像中高效、精确地提取肝脏。考虑到重复CT检查的X射线辐射对病人健康可能造成的风险,LDCT是一种有效的医学成像解决方案。然而,由于LDCT图像中额外的噪声和条纹伪影造成的不均匀的外观和不清晰的边界常常使其成为一项具有挑战性的任务。本研究旨在从LDCT图像中提取肝脏模型,并降低对病人的辐射风险。我们的方法通过采用残差卷积神经网络（LER-CN）进行肝脏提取,并通过去除噪声和结构保留部分进一步完善。经过基于图像块的训练,我们的LER-CN在临床和公开的MICCAI Sliver07数据集上显示了相对于最先进方法的竞争性能。我们提出了基于反向传播梯度下降的LER-CN训练和学习算法。我们在150张腹部CT扫描的肝脏提取数据上对我们的方法进行了评估。LER-CN实现了Dice相似性系数（DSC）高达96.5±1.8%,体积重叠误差降低到4.30±0.58%,平均对称面距离小于1.4±0.5mm的性能。这些发现表明,LER-CN是一种有效的医疗应用方法,具有高效率,对患者的辐射风险低的特点。此外,我们通过利用合成PET-CT（SPET-CT）图像和计算机断层扫描（CTA）容积的优势,提高了肝脏血管分割的准确性。我们设置了一个混合解决方案（GAN-c AED）,将生成式对抗网络（GAN）的合成能力与卷积自动编码器（AED）网络的生成能力相结合,提供SPETCT图像,在潜在学习方面对主要肝脏血管进行更精细的分割。我们通过引入一个阈值指标来控制分割到所需的水平,从而通过一个新颖的受控分割概念来改善时间的复杂性。通过不同阈值水平的停止标准来控制血管分割的创新概念将帮助外科医生避免主要血管切割的问题,这最终将减少过度失血的风险。在临床上,这种解决方案在仅有CTA的环境下提供计算机辅助肝脏手术和药物治疗评估;缩短了对放射性和昂贵的PET-CT图像的要求。我们对提出的解决方案进行了全面的实验评估和分析。实验结果表明,与传统的分割技术相比,所提出的方法能够在给定的精度下提供具有更好的可视化能力的增强型分割,是一种经济有效的解决方案。