淋巴结呈椭球形,分布较广,能清除细菌、病毒,是免疫系统的重要部分。腹膜后淋巴结位于腹部腹主动脉和下腔静脉之间,腹膜后淋巴结的大小是判断胃癌、宫颈癌和睾丸癌是否转移以及生存期长短的关键,更是监测疾病的进展和验证治疗癌症有效性的重要因素。计算机断层扫描成像（CT）因有较好的空间分辨率、成像质量较高等优势,是临床评估腹膜后淋巴结的主要手段之一。在整个环境复杂的腹部CT图像中,淋巴目标区域覆盖像素较小,属于小目标,且淋巴形态复杂,边界低敏感、难识别、片层特征信息丢失不易测量等问题。围绕如何实现淋巴小目标高精度自动分割和自动体积量化,本文主要围绕3个方面开展工作:1.以腹主动脉为质心的腹膜后淋巴CT图像的预处理工作针对目前没有专门用于研究的腹膜后CT数据集,首先通过从癌症影像档案TCIA（The Cancer Imaging Archive）获得国外86例病人的全腹部淋巴CT图像公开数据集,经绵阳市中心医院临床医生指导,结合腹主动脉和下腔静脉,以腹主动脉为质心进行腹膜后淋巴CT图像的筛选,从5万多张的腹部CT淋巴图像中筛选出1万多张腹膜后淋巴CT图像,新获得的腹膜后淋巴数据集为（ABD＿RL）数据集,用于模型的研究。同时为了提高模型的泛化能力,由绵阳市中心医院提供已确诊的15例腹部腹膜后肿大淋巴CT图像来构建本地数据集（RLN-CT）,并对选取的本地腹膜后淋巴CT图像进行肿大淋巴的标记。构建的（ABD＿RL）数据集和本地数据集（RLN-CT）进行图像归一化等一系列的预处理操作。2.基于改进的Dense Unet的腹膜后淋巴CT分割方法研究腹部CT图像中的淋巴结与周围结构相似,导致腹膜后淋巴结分割精度较低。为提升分割模型提取腹膜后淋巴结特征的能力,本文将空洞卷积（Dilated Convolution）子模块和双通道注意力（Dual Attention）子模块嵌入Dense Unet模型的密集块中,提出一种基于空洞卷积和双通道注意力机制的改进密集U型对称语义分割模型DDense Unet。为缓解数据不平衡问题,采用复合损失函数α＿BCE＿Dice Loss训练DDense Unet。为防止模型过拟合,采用数据扩增和早停法,通过余弦退火衰减学习策略优化腹膜后淋巴分割。所提分割模型在腹膜后淋巴CT图像中能够较好的分割淋巴,平均DSC和Recall、Io U分别达0.796、0.804、0.679,优于经典分割模型Unet和Dense Unet。3.腹膜后淋巴CT的体积自动量化研究腹膜后淋巴结具有大小不均、形态各异、分布较广等特点,通常由有经验的医生肉眼确认淋巴结的位置,手工测量淋巴轴向长短径,二维平面量化淋巴结大小。临床上的手工测量存在测量难、耗时多、测量误差大等问题,本文结合CT图像的层间距和像素间距,提出一种三维淋巴结体积自动量化方法。实验结果表明本文提出的3D自动淋巴体积量化的误差非常小,最大误差仅有0.5‰立方毫米,最小误差接近0,本文方法自动量化体积的结果接近手动使用医学软件ITK测量的淋巴体积,证实了本文方法的有效性。本文提出的腹膜后淋巴自动分割和自动体积测量,均能较好的分割出腹膜后淋巴并得到较准确的体积量化,验证了三维淋巴结体积自动量化方法的有效性,对于未来把深度学习用于腹部淋巴的分割和量化研究发挥积极作用。实现腹膜后淋巴的自动分割和自动体积量化可辅助临床判断癌症是否转移及评估生存期长短,更可实时监测疾病的进展和验证癌症治疗的有效性,对医学的发展起到推动作用。