目的：精准的肾脏区域分割是肾脏疾病临床诊断的关键，但现有深度学习模型存在参数量大、计算资源需求高的问题，且复杂解剖结构下易出现边界模糊分割误差。为此，本研究提出一种轻量级医学图像分割网络（LCGML-Net），通过局部上下文引导的特征融合机制，在保证分割精度的同时降低模型复杂度，专注于肾脏CT图像的高效分割。

方法：LCGML-Net采用编码-解码架构。编码网络分三层：第一层通过残差块提取粗粒度特征；第二、三层利用不同卷积率的空洞卷积捕捉多尺度局部上下文，减少参数量的同时增强特征表达。解码网络通过三层结构逐步恢复空间分辨率，其中前两层融合编码网络的深浅层特征，结合局部上下文引导模块强化边界感知。模型联合优化交叉熵与Dice损失，平衡像素分类与区域一致性。实验在KITS19腹部CT数据集上验证，重点评估肾脏分割的准确率（Accuracy）、召回率（R）及F1评分。

结果：在KITS19数据集上，LCGML-Net的肾脏分割性能优异：准确率95.8%，召回率97.0%，F1评分94.1%。对比主流方法，其准确率较STC-UNet提升0.7%，F1评分提升0.4%，召回率接近最高水平（97.0% vs 97.2%）。模型参数量仅为同类方法的35%-60%，推理速度提升2-3倍，满足临床实时性需求。可视化分析显示，其对肾脏边缘及肾蒂血管等复杂结构的分割结果更接近金标准，误检与漏检显著减少。

结论：本研究提出的LCGML-Net通过局部上下文引导的特征融合策略，实现了肾脏分割的高精度与轻量化平衡。实验证明，该方法在降低计算成本的同时保持优异性能，适用于资源受限的临床环境。其高效性可辅助医生快速定位病变区域，为个性化诊疗提供支持，具有推广至其他腹部器官分割的潜力。未来将优化多模态影像泛化能力，并探索嵌入式设备部署方案。