El hígado es un órgano vital en el cuerpo humano, y las imágenes de TC pueden mostrar de manera intuitiva su morfología. Los médicos confían en las imágenes de TC del hígado para observar su estructura anatómica y áreas de patología, proporcionando evidencia para el diagnóstico clínico y la planificación del tratamiento. Para ayudar a los médicos a tomar juicios precisos, se adoptan técnicas de inteligencia artificial. Abordando las limitaciones de los métodos existentes en la segmentación de imágenes de TC del hígado, como el análisis contextual débil y la pérdida de información semántica, proponemos un algoritmo de segmentación de hígado Dual Attention-Based 3D U-Net en imágenes de TC. Las innovaciones de nuestro enfoque se resumen de la siguiente manera: (1) Mejoramos la red 3D U-Net introduciendo conexiones residuales para capturar mejor la información a múltiples escalas y aliviar la pérdida de información semántica. (2) Proponemos la estructura del codificador de bloque DA-Block para mejorar la capacidad de extracción de características. (3) Introducimos el módulo CBAM en las conexiones de salto para optimizar la transmisión de características en el codificador, reduciendo las brechas semánticas y logrando una segmentación precisa del hígado. Para validar la efectividad del algoritmo, se realizaron experimentos en el conjunto de datos LiTS. Los resultados mostraron que el coeficiente de Dice y el índice HD95 para las imágenes del hígado fueron del 92.56% y 28.09 mm, respectivamente, lo que representa una mejora del 0.84% y una reducción de 2.45 mm en comparación con 3D Res-UNet.