將深度學習應用到醫學影像中危及器官自動分割領域時，為解決訓練樣本不足時三維卷積神經網絡優化出現的退化、梯度消失等問題，本研究將 Dense Net 與 V-Net 兩個網絡模型進行融合，開發一種用于三維計算機斷層掃描（CT）圖像自動分割的 Dense V-Network 算法，勾畫女性盆腔危及器官。采用戴斯相似性系數（DSC）、豪斯多夫距離（HD）、杰卡德距離（JD）三個參數來定量評估分割效果。結果顯示膀胱、小腸、直腸、股骨頭和脊髓自動分割的 DSC 值均在 0.87 以上（平均值是 0.9）；JD 值均在 2.3 以內（平均值是 0.18）；除小腸外，HD 值均在 0.9 cm 以內（平均值是 0.62 cm）。經驗證，Dense V-Network 網絡可精準地勾畫盆腔危及器官。
借助計算機輔助診斷系統將肺腫瘤進行分類對于惡性肺腫瘤的早期診斷與治療非常重要。目前對肺腫瘤分類的主要研究方向是基于深度學習的模型融合技術借助影像組學知識對肺腫瘤的多模態融合數據進行分類。本文對肺腫瘤分類近幾年常用的研究算法進行了綜述和匯總，介紹了機器學習、影像組學、深度學習、多模態融合等概念和技術，最后指出肺腫瘤分類領域現階段存在的問題與困難，并展望肺腫瘤分類的發展前景與未來的研究方向。