人体内的脂肪组织含量与诸多疾病的发病率等临床指标息息相关,其对诊疗方案的设计、生存周期预判、康复情况估计等都具有决定性的作用,因此对身体脂肪组织进行准确量化具有十分重要的病理学意义。低剂量CT由于其非侵入式地扫描方式,具有辐射较小且在日常诊断中容易获取的特点,越来越多地被应用于人体脂肪含量量化分析的研究中。由于不同脂肪组织发挥的作用及对临床指标的影响不同,分别对其进行量化是十分必要的,然而CT影像下的不同脂肪组织目前并没有统一的定义,加之全身脂肪组织分布十分复杂,分布范围涵盖整个人体,这些都为脂肪组织的精确量化带来了阻碍。为了克服以上困难,本文首先通过三种自定义的轮廓:皮肤区域（Skn）、骨骼肌外表面（OAM）和骨骼肌内表面（IAM）,辅助明确划分了人体内包括皮下脂肪组织（SAT）、肌肉间脂肪组织（IMAT）以及内脏脂肪组织（VAT）三大脂肪组织模块的定义,建立全身的脂肪组织定义体系,并在体系指引下建立了一个包含50幅低剂量CT的身体脂肪组织数据集。此外,本文提出了一种基于轮廓的双解码器注意力分割网络,该网络充分提取三种轮廓区域中所蕴含的解剖结构先验知识,将轮廓区域的分割嵌入到网络结构中作为辅助分支,促进低剂量CT图像中脂肪组织的精确分割。同时,本文设计了一种可以更加关注半自动标注过程中人工矫正标签的损失函数,从而使分割网络更加关注容易误分割的复杂区域,以此来提升脂肪组织的分割精度。本文在所建数据集上对所提算法进行了验证,实验显示所提模型在SAT、VAT和IMAT三种脂肪组织上的Dice系数分别为94.64%、92.08%和81.72%,其平均Dice系数比经典的医学影像分割模型UNet提高了1.76%,且具有更好的稳定性。此外,本文还对比了不同标注者之间标签的区别,一定程度上证明了自动分割SAT所能达到的Dice系数上限应为97.89%左右,说明了所提模型的精度距离上限仅有3%左右的差距,进一步验证了本文算法的有效性。