正电子发射断层成像(Position Emission Tomography,PET)是淋巴癌的主要的诊断工具,由于淋巴癌形状、大小不一、位置不固定、受累淋巴癌可能遍布全身,以及PET图像的低分辨率、高噪声、影像特征不明显等因素,基于PET图像的淋巴癌分割是一项极具挑战性的任务。近几年,深度学习技术在医学图像分割领域取得了突破性进展,鉴于此,本文面向3D PET图像,根据淋巴瘤数据的特点,提出了数据处理和数据增强方法,并基于卷积神经网络(Convolutional Neural Network,CNN)对淋巴癌进行分割,结果显示本文所提出的方法有效提升了分割性能,特别是在局部密集区域的分割效果,主要工作如下:(1)针对因小数据样本而导致目标特征提取不精确的问题,本文对基于CNN的特征注意力转移进行了探究,以便提升目标特征激活的精度。通过自然图像上的实验分析,提出了一种特征注意力转移的数据处理方法,通过使用交叉前后景的方式增强前景特征,在类激活图(class activation map,CAM)中显示该方法能有效将特征激活的区域转移至目标区域。最后将该方法在淋巴癌的分割中进行验证,通过一系列对比实验验证了其有效性。(2)针对密集病灶漏分割严重的问题,本文从CNN对局部区域敏感性的角度分析了其原因,并提出了一种非自身拷贝数据增强策略。其基本思路是首先构建一个包含训练集所有病灶的淋巴癌库,再将随机从库中取出的淋巴癌块拷贝至每一次迭代训练的PET图像的背景中,使新的PET图像数据形成密集病灶,从而提高了模型针对密集病灶的分割能力。其中病灶的密集程度可以通过随机取出的淋巴癌数量来控制。经过一系列实验测试,该方法在U-Net、基于残差块的U-Net(Res U-Net)和基于密集链接块的U-Net(Dense U-Net)等不同的网络模型中都能有较好的性能提升,并有效地减少了漏分割现象。(3)针对初分割结果的局部病灶边缘存在欠分割的问题,本文提出了精细分割新方法,通过采用动态ROI阈值方法对密集区域单个病灶的初分割结果进行优化。优化分为两个关键点,首先使用双预测精度的方法来保证ROI选取的准确性和完整性,其次对于在优化过程中分裂出的单个淋巴癌病灶,视为一个新的独立ROI区域,以此调整密集区域单个淋巴癌的边缘精细分割。