鼻咽癌（NPC）是中国,东南亚和中东/北非地区最常见的的头颈癌之一。从具有不确定性信息的计算机断层扫描（CT）图像中准确分割危险器官（OAR）对于有效规划NPC治疗的放射治疗至关重要。尽管卷积神经网络（CNN）在OAR的自动分割方面取得了最先进的性能,但现有方法并未为治疗计划提供分割结果的不确定性估计,并且其准确性仍然受到几个因素的限制,包括CT软组织对比度低,OAR尺寸高度不平衡以及切片间间距大。为了解决这些问题,本文提出了一种新颖的框架,用于通过可靠的不确定性估计来进行精确的OAR分割。首先,现有CT图像的强度转换函数基于单一的窗宽窗位,通常可使某类器官具有较好的可见度但隐藏其余器官。本文提出了一种分段线性函数（SLF）来转换CT图像的强度,从而使多个器官比现有方法更具区分性。其次,为了应对较大的切片间距,本文引入了一个新颖的2.5D网络（称为3D-SepNet）,该网络专门设计用于处理具有各向异性间距的临床头颈部（HaN）CT扫描。第三,现有的难力挖掘损失函数通常针对类别进行加权,而本文提出的难体素注意力（ATH）使用了体素级别的硬度加权函数,该加权函数可用于处理较易类别中的难力区域。最后,本文使用经过不同损失函数和强度变换函数训练所得的一组模型来融合获得鲁棒的分割结果,并且可以直接输出不确定信息的估计。本文的方法在StructSeg 2019挑战赛中赢得了HaN OAR分割任务的第三名,它的加权平均Dice系数为80.52%,95%Hausdorff距离为3.043毫米。实验结果表明:1)本文用于强度变换的SLF有助于提高从CT图像进行OAR分割的准确性;2)本文的3D-SepNet仅使用3D UNet的1/3参数,就可以为大多数OAR获得更好的分割结果;3)提出的用于训练的硬体素加权策略有效地提高了分割精度;4)通过本文的方法获得的分割不确定性与错误分割高度相关,这可能有助于在临床实践中做出更明智的决策。尽管本文提出的自动分割模型取得了有效的分割结果,但这仍然难以达到实际医疗场景所需的精度。这是由于CT图像的软组织对比度低,患者之间的差异以及视神经和视神经交叉等器官尺寸微笑所导致,与之相对的,交互式分割方法可以将人类专家的知识与机器智能相结合,以提高分割的准确性和效率。传统的交互式分割方法,例如Graph Cut和ITK-SNAP,通常适用于对错误区域的矫正分割。但是,由于它们是基于低级特征的,因此在处理医学图像时,这些方法需要大量用户交互才能获得良好的结果,这将增加用户的负担。基于这些观察,本文接着研究了将CNN与用户交互相结合以从医学图像进行多器官分割的方法,从而以更少的用户交互和更少的用户时间实现更高的分割精度和鲁棒性。