气胸是胸外科和呼吸内科急症,复发率高,严重者危及生命。CT（Computed Tomography）扫描为气胸诊断提供了近100%的敏感性和特异性。气胸的及时发现以及精准量化有助于引导后续临床决策。因此,在CT扫描图像中实现气胸疾病的快速筛查与精准量化尤为重要。然而由于就诊人数众多以及CT扫描图像数量大,临床医生难以实现此目标,使得CT气胸自动筛查量化系统成为临床所需。气胸区域的准确分割是实现CT气胸自动筛查量化的前提。由于气胸区域与胸部气管等含气组织具有相似的CT值,传统阈值法难以区分,而深度学习往往需要大量的精准标注数据集,使得CT气胸分割极具挑战。同时,目前对气胸体积量化以及肺压缩比计算并未实现像素级体积量化。围绕着CT气胸准确分割以及量化问题,本文开展了以下工作:（1）基于混合损失注意力机制的CT气胸分割方法研究为避免CT图像中的气胸区域与支气管等含气组织混淆,首先采用阈值法分割出肺野区域,利用形态学分析去除支气管以及肺野外组织,减小肺野外复杂环境对CT气胸分割精度的影响。针对气胸患者CT图像中非气胸区域占比高的问题,提出基于混合损失注意力机制的卷积神经网络模型MaUnet,该模型能够聚焦气胸区域,准确地从肺野区域自动分割出气胸区域。在模型训练过程中,采用多损失函数叠加方法对所提模型进行训练,缓解正负样本不平衡问题,同时加快模型收敛,提高模型分割CT气胸的精准度。本文从绵阳市中心医院获取到130例气胸数据,创建了 CT气胸数据集Seg-CT-Pne。在该数据集上,所提模型分割CT气胸的准确率达99.96%,在Dice、敏感性、特异性指标上的表现分别为96.17%、96.21%、99.98%,优于阈值法、U-Net模型以及nnU-Net模型。实验结果表明该方法能有效去除假阳性区域、缓解数据不平衡问题并提升分割准确性。（2）基于弱监督的双注意力网络分割CT气胸研究由于大量的人工精准标注数据获取耗时且耗资巨大,为避免精准标注数据量少而引起的模型准确性低以及泛化能力差的问题,提出一种基于弱监督的双注意力卷积神经网络模型。针对精准标注数据量少的问题在弱监督过程中采用比边界框更为精确粗糙图像级标签用于提供目标区域以及位置信息,并将CT气胸分割任务划分为上游任务和下游任务。在上游任务中无需精准标注数据,直接输入大量无标签数据采用传统阈值法获取粗标签实现上游粗糙训练;下游继承上游任务中学习到的大量粗糙胸部特征以及气胸特征信息,使得下游仅需输入少量精准标注数据即可实现网络精准调整,从而减少精准标注数据需求。所提分割模型在创建的Seg-CT-Pne数据集中分割准确性达到99.96%,Dice值达到0.9651,优于现有的阈值法、残差UNet、nnU-Net以及本文一开始提出的混合注意力卷积神经网络。实验结果表明该方法可以在有效减少精准标注数据需求的同时提升模型分割准确性以及泛化性。（3）CT气胸体积以及肺压缩比计算研究目前基于人工的CT气胸精准体积以及肺压缩比量化耗时耗力,在临床常规中难以实现。针对以上问题,提出借助计算机辅助系统,实现CT气胸的自动化体积量化以及肺压缩比计算。为去除人工误差,在自动分割出气胸区域之后,该系统自动对病人的一系列分割图像进行非零点像素统计,最后根据扫描的层厚以及像素间距信息实现像素级CT气胸体积以及肺压缩比计算。在47例气胸患者中,本文提出的像素级体积算法误差范围在0-0.48ml之间,平均误差仅0.05ml。整个自动分割与量化系统处理一个病人平均仅需18.73s。实验结果表明,该方法足以满足临床需求,可为临床提供一个较为标准的气胸大小评估方法。