电子计算机断层扫描是无创评估肌肉质量的黄金标准,依据第一腰椎位置的扫描图像中骨骼肌的面积可以鉴别是否患有肌少症。相对于人工手动标注的方法,自动分割技术可以提高分割效率以及准确度,再借助临床数据即可实现计算机辅助诊断。但现有的分割模型在来源不同或质量不一的图像上泛化性不够好,或者在分割区域边缘时不够精确,存在准确率不够高的问题。针对现有模型在肌少症辅助诊断领域准确率不够高和泛化性不够好的问题,提出基于深度学习的自动分割模型（Deep-learning Based Auto-segmentation Model,DBAM）来辅助诊断肌少症。首先,对多来源的医学影像数据进行数据集划分和标签制作,构建腹部扫描图像数据集,并采用数据增强技术对该数据集进行扩充。然后,提出DBAM,该模型采用编码器和解码器的结构,融合多头自注意力机制和层归一化技术提高模型性能。针对模型学习到的特征数量有限以及特征不准确的问题,设计了特殊的跳跃连接结构,该结构作为编码器与解码器间的桥接,可以保留更多语义信息,从而实现更多尺度的特征融合,提高模型的分割准确率和泛化性。最后提出计算机辅助诊断方法,依据DBAM分割出的骨骼肌区域的面积,结合患者的身高信息,计算出骨骼肌指数,按照诊断标准即可判断患者是否患有肌少症,辅助医生诊断。以骰子分数、贾卡德分数、敏感性和特异性作为模型评价指标,并以四种现有的前沿模型作为基准模型进行实验。实验表明,DBAM在三个独立数据集上的表现均优于基准模型,分割准确率最高可提升15%,说明该模型分割准确率高并具有较好泛化能力。根据肌少症的诊断标准,该方法诊断的敏感性达到80%,特异性达到96%,在肌少症辅助诊断上具有可行性。