胰腺肿瘤,是最为常见的消化道肿瘤之一,种类繁多,涵盖良性及恶性肿瘤。临床上,不同类别、良恶性或是恶性程度的胰腺肿瘤,所需采取的治疗方式及其预后具有明显的差异。对于胰腺神经内分泌肿瘤,在病理分级上可分级别1（G1）、级别2（G2）的低恶性度肿瘤和级别3（G3）的高恶性度肿瘤,两者的治疗方式存在一定的差异。前者有着超过60%的5年生存率,而后者仅有不到30%的5年生存率。准确辨别胰腺肿瘤的类别、良恶性及恶性程度,对于胰腺肿瘤的临床治疗具有重要的指导意义。双期增强CT扫描是胰腺肿瘤诊断的常用手段,临床上基于医生的人工解读完成诊断,存在流程复杂、耗时费力,且主观性较强等不足。计算机辅助诊断,通过机器阅片的方式辅助医生更快速、客观和准确的诊断,有助于胰腺肿瘤的准确诊断。我们针对三维多期相CT数据,提出了一个改进的密集卷积神经网络,设计三维切片预处理方式及对应的三维数据输入方式,以更好的挖掘与利用数据的三维多期相信息。基于设计的密集卷积神经,完成对胰腺肿瘤的检测与识别,对胰腺神经内分泌肿瘤的病理分级预测。同时,通过系列对比实验,验证所提出方法有助于三维多期相数据的使用,证实所提出的计算机方法有助于医生完成更准确的胰腺肿瘤诊断。基于合作医院提供的共538例胰腺CT数据（囊肿104例、囊腺瘤89例、囊腺癌28例、胰腺癌156例、胰腺神经内分泌肿瘤142例）,密集卷积神经网络在三维多期相输入下的肿瘤检测具有最高的平均精确率均值（mean average precision,m AP）达到0.61,较二维单期相输入下的最优模型（m AP=0.57）提高0.04。基于合作医院提供的多中心数据（数据集1共91例,包含75例G1/G2肿瘤和16例G3肿瘤,数据集2共19例,包含13例G1/G2肿瘤和6例G3肿瘤,共110例）,密集卷积神经网络的病理分级结果无论是在数据集1内的内部验证,还是在数据集2上的外部验证,其受试者工作特征曲线的曲线下面积均为最高,分别为0.82和0.73,高于机器学习方法的0.80和0.60。通过胰腺肿瘤检测结果与病理分级模型的级联,得到全自动的病理分级方式,并获得略高于医生人工诊断的结果,前者的最优准确率、敏感度和特异度分别为0.66、0.75和0.64,而后者为0.59、0.69和0.57。初步实现了胰腺神经内分泌肿瘤的全自动诊断,证实了胰腺肿瘤计算机辅助诊断方法的可行性。