肝臓がんはがん死亡の主要な原因の一つです。医師が肝細胞がんの診断と治療計画を立てる際の支援として、正確かつ自動的な肝臓と腫瘍のセグメンテーション方法が臨床現場で強く求められています。最近、完全畳み込みニューラルネットワーク（FCN）を含む2Dおよび3D FCNが、多くの体積画像セグメンテーションにおいて中心的な役割を果たしています。しかし、2D畳み込みは第3次元に沿った空間情報を十分に活用できず、3D畳み込みは計算コストが高い上にGPUメモリ消費量も大きいという問題があります。これらの課題に対処するため、我々は新しいハイブリッド密結合UNet（H-DenseUNet）を提案します。このネットワークは、スライス内特徴を効率的に抽出する2D DenseUNetと、自動コンテキストアルゴリズムの精神に基づいて体積コンテクストを階層的に集約する3D DenseUNetから構成されています。H-DenseUNetの学習過程はエンドツーエンドで定式化され、スライス内表現とスライス間特徴がハイブリッド特徴融合（HFF）層を通じて共同最適化されます。我々はMICCAI 2017 肝臓腫瘍セグメンテーションチャレンジ（LiTS）データセットと3DIRCADbデータセットで本手法を広範に評価しました。結果として、本手法は腫瘍のセグメンテーション結果において他の最先端手法を上回り、単一モデルでも肝臓のセグメンテーションにおいて非常に競争力のある性能を達成しました。