宫颈癌是常见的妇科恶性肿瘤之一,发病率仅次于乳腺癌,已成为威胁女性健康的重大隐患。放射治疗作为宫颈癌的主要治疗方法,对宫颈癌患者,尤其是晚期患者具有重要意义。随着放疗设备的发展,静态调强放疗（Intensity modulate radiotherapy,IMRT）、螺旋断层放疗（Tomotherapy）和容积调强放疗（Volume modulated radiation therapy,VMAT）应用到宫颈癌治疗中。这些技术能保证治疗实施的精确性和准确性的要求之一就是在患者的计划CT图像上精准地勾画危及器官。然而勾画主要依赖于医生的经验和能力。不同医生所勾画的危及器官往往存在差异,同一位医生在不同时期所勾画的结果也可能略有不同。且勾画过程耗时较长,会延长患者的候治时间。因此,放疗临床迫切需要一种高效而精准地自动勾画危及器官的软件。目前放疗工作中普遍使用的是基于图谱分割方法（Atlas-based Segmentation,ABS）,该方法先利用一个体形适中的患者的CT数据及其他患者的勾画数据建立一个图谱库。当要勾画一个新患者时,通过将库中最为匹配的CT图像的勾画轮廓形变配准到新的CT上即可得到勾画结果。但该方法受患者体型、图谱库大小、CT图像层数、配准精度等方面限制,临床效果不佳。尤其是盆腔器官,其大小形态、纹理灰度和相对位置受自然变异性、疾病状态、治疗干扰以及器官形变而在不同个体间存在极大差异,造成临床可接受程度极低。随着卷积神经网络在图像理解与分析领域取得成功的启发,人们将其应用到放疗医学影像的处理中。但是盆腔危及器官自动分割模型的设计及训练有以下三个难点:1.肠道、膀胱等器官的大小形态、纹理灰度和相对位置会受患者解剖结构的个体差异、充盈状态、疾病状态和治疗的干扰,导致训练数据一致性差,进而训练时为避免欠拟合现象的发生而难以增加神经网络的深度;2.盆腔器官与腹膜、肠系膜等粘连,可区分度较低,难以分辨,所以手动标注困难,导致数据质量不高;3.临床女性盆腔肿瘤患者CT数据少,使得特征提取、加深网络深度更加困难。所以需要一种解决小训练样本时三维卷积神经网络优化出现的退化、梯度消失等问题的网络模型。目前,盆腔危及器官自动勾画的实现,尤其是小肠器官达到良好勾画效果仍然是基于深度学习的医学图像处理领域中的研究热点和难点。本研究汲取Dense Net与V-Net两个网络结构模型的优点,提出一种新颖的基于多模型融合的Dense V-Network算法,试图在样本量较少时,最大化训练数据的似然度,实现快速且精准地勾画盆腔危及器官,并进行验证。实验结果表明,在训练样本较小时,Dense V-Network网络模型可以精准的勾画膀胱、小肠、直肠、左右股骨头和马尾这六种危及器官。通过DSC值定量评估,结果优于单一模型,证明了多模型融合的优势。但若应用于放疗临床工作,仍需医生监督。随着算法结构的优化和训练数据的增加,预期可以进一步提高勾画结果。