Las imágenes de TC abdominal son pistas importantes para diagnosticar lesiones de cáncer de hígado. Sin embargo, el cáncer de hígado presenta desafíos como diferencias significativas en el tamaño, forma y ubicación del tumor, lo que puede afectar la precisión de la segmentación. Para abordar estos desafíos, proponemos un algoritmo de segmentación 3D de extremo a extremo, RMCNet. En la parte de codificación superficial de RMCNet, incorporamos un módulo de convolución multiscale 3D (Convolución Multiescala 3D) para extraer de manera más efectiva tumores de diferentes tamaños. Además, se utiliza el módulo de atención de bloque convolucional (CBAM) en la parte de codificación para ayudar al modelo a enfocarse tanto en la forma como en la ubicación de los tumores. Además, se introduce un camino residual en cada capa de codificación para enriquecer aún más los mapas de características extraídas. Nuestro método logró puntajes de DSC del 76.56% y 72.96%, puntajes de JCC del 75.82% y 71.25%, valores de HD de 11.07 mm y 17.06 mm, y valores de ASD de 2.54 mm y 10.51 mm en el conjunto de datos públicos de segmentación de tumores hepáticos MICCAI 2017 y el conjunto de datos públicos 3Dircadb-01, respectivamente. En comparación con otros métodos, RMCNet demuestra un rendimiento de segmentación superior y una mayor capacidad de generalización.