鼻咽癌(Nasopharyngeal Carcinoma,NPC)是一种发病率较高的头颈部恶性肿瘤,在我国南方地区比较常见。由于鼻咽癌病灶解剖位置、病理表现的特殊性,放射治疗成为临床上治疗鼻咽癌的有效方法。在放射治疗中,准确勾画靶区周围的正常器官是放疗计划的关键步骤,通常由放疗科医师完成。然而,头颈部器官的勾画仍然具有很大挑战性,手动勾画非常耗时,不同医师的勾画结果往往存在不一致性,从而影响治疗效率和效果。为了提高器官勾画的效率和可重复性,自动化分割方法仍需要不断探索。目前存在的基于图谱、活动轮廓等理论的分割方法仍具有一定的局限性。随着深度学习在计算机视觉领域不断取得突破性成绩,深度学习方法也开始被广泛应用于医学图像处理领域。为了有效提高头颈部CT图像危及器官自动分割的准确性和测试时间,尽量满足临床实际需求,本文基于深度学习方法的主要分支——卷积神经网络,构建了一种全自动的分割方法,主要工作如下所示:(1)使用三维卷积神经网络,并引入多尺度级联分割策略。本文借鉴临床医生诊疗时先全局定位再局部观察的思路,采用三维卷积神经网络作为基本结构,区别于二维处理方法,将体数据(如CT、MR图像)中层与层间的信息也进行学习。同时,在模型训练和应用中,基于三维卷积的方法大大增加了数据存储需求和计算复杂度,对硬件性能提出了极高要求,限制了实际应用。为了解决上述问题,本文引入多尺度策略,将分割任务分为定位、精分割两个子模型,对输入图像在不同尺度处理后,级联子模型逐步去除图像冗余信息,得到最终分割结果,在有限的硬件资源下,实现对整个三维图像端对端的分割。实验表明,本文方法在不增加硬件需求的同时,表现了更好的分割效率,分割精度也进一步提升。(2)引入SE(Squeeze-and-Excitation)模块,提升模型特征表达能力。本文研究均基于CT三维图像,使用V-Net作为网络基本结构进行进一步探究。其中通过三维卷积操作提取体数据中层与层间的信息,并引入残差结构,促进梯度流动。为了进一步提高模型性能,本文将SE模块与残差模块结合,在特征学习的同时,引入对网络中学得特征重要程度的建模,根据特征图与分割任务的相关程度,对特征进行增强或抑制。本文使用鼻咽癌患者CT图像进行实验,实验结果表明,针对22个头颈部大小、形状差异较大的危及器官,本文方法在分割效率和分割精度上均实现了提升。在不增加硬件消耗的同时,平均测试时间缩短至3秒内,同时分割精度提升了 9%,达到了更好的性能。