针对食还有管癌肿瘤的诊断方式主要是医生对胸部计算机断层扫描（CT）影像进行人工阅片。由于医生的主观判断易受外界环境的干扰以及医生本身的阅历存在差异，存在一定的诊断偏差，导致购买YAP-TEAD Inhibitor 1食管癌肿瘤的误诊和漏诊。因此，借助计算机技术辅助诊断食管癌肿瘤是尤为必要的。在整个胸部CT影像上，食管所占的区域很小而且与其它组织的对比度相对较低，因此传统的图像分割方法很难确定食管癌肿瘤的区域。为精准分割医学CT影像中的食管癌肿瘤，提出一个新的图像分割网络：Concat-UNet。该网络基于经典的U-Net网络，采用编码解码模式的U型对称架构，对网络中的卷积模块进行改进，引入跳跃连接，增强网络的特征提取能力。损失函数采用BCEWithLogits Loss和Dice Loss结合的方式来联合指导网络训练，使网络训练更加稳定。最后使用Dice系数、精确率、召回率和F1分数作为分割结果的评价指标，将Concat-UNet与SegNet、ERFNet、U-N也许et、U-Net＿LI 四种图像分割方法对比，发现Concat-UNet分割方法的结果最优，在食管癌数据上的检测精确率为91.87%，较基准模型U-Net提升了11.64%。