肾脏是人体最重要的器官之一,尿液中过多的矿物质容易引发肾结石疾病,从而造成严重的健康问题,基于CT的肾结石分割是辅助医生观察、分析和诊断肾结石的重要手段。本文基于深度学习与放射组学理论,设计了一套CT肾结石术前状态研究方案,包括CT肾结石三维分割、计算肾结石重要临床参数、肾结石类型识别以及工程部署与应用。论文主要工作如下:第一,实现了基于多路损失函数的CT肾结石分割方法。从医学数据分析的角度出发,分析了两种常见的医学图像数据格式,并给出了CT肾结石数据预处理方案。基于Res U-Net网络结构,使用实例标准化代替了批量标准化,在桥结构中加入了残差连接,在每个解码器尾部添加了上采样,引入了多路损失函数。在对比实验中,基于Dice分数指标探讨了模型分割性能与多路输出的关系,分析了导致模型分割性能较差的因素,通过连通域分析的数据后处理方法,解决了噪点和静脉石导致的误分割情况,使其测试平均Dice值提高了约1.65%,最高值为0.8511,并从平衡速度与精度的角度对目前常用的医学分割网络进行了测评。计算了肾结石的体积、最长径、HU值三个重要临床参数,协助泌尿外科医生诊断肾结石患者是否需要通过手术将其排出体外。第二,实现了基于放射组学的CT肾结石分类方法。本文基于小样本小目标,分析了放射组学的工作流程,设计了放射学特征提取、特征筛选方案。通过实验对比了7种常见的分类器在13种不同的特征数量组上的表现,其最高测试平均精度为0.7875。采用了封闭式训练的TPOT（Tree-based Pipeline Optimization Tool,TPOT）工具和具备可视化调参的NNI（Neural Network Intelligence,NNI）工具来进行网络优化,其测试精度分别提高了2.13%、4.90%。第三,基于Python语言开发实现了CT肾结石术前状态研究方案,并将其打包为Docker容器,以添加插件的方式部署至Philips Intelli Space Discovery平台,可辅助医生进行术前规划。