La segmentación de imágenes juega un papel importante en el campo del procesamiento de imágenes, ayudando a comprender imágenes y reconocer objetos. Sin embargo, la mayoría de los métodos existentes a menudo no pueden explorar de manera efectiva la información espacial en la segmentación de imágenes 3D, y descuidan la información de los contornos y límites de los objetos observados. Además, los límites de forma pueden ayudar a localizar las posiciones de los objetos observados, pero la mayoría de las funciones de pérdida existentes descuidan la información de los límites. Para superar estas deficiencias, este artículo presenta un nuevo marco de aprendizaje de redes convolucionales totalmente 2.5D en cascada (FCNs) para segmentar imágenes médicas 3D. También se propone una nueva pérdida de límites que incorpora información de distancia, área y límites para que las FCNs en cascada aprendan más características de límites y contornos de las imágenes médicas 3D. Además, se desarrolla un método de postprocesamiento efectivo para mejorar aún más la precisión de la segmentación. Verificamos el método propuesto en los conjuntos de datos LITS y 3DIRCADb que incluyen el hígado y los tumores. Los resultados experimentales muestran que el rendimiento del método propuesto es mejor que los métodos existentes con una puntuación de Dice Per Case para la segmentación de tumores, lo que indica la efectividad del método propuesto.