目的 构建端到端深度学习研究平台，实现乳腺癌改良根治术后胸壁临床靶体积(CTV)和危及器官(OAR)自动分割模型训练，并通过轮廓约束以改进损失函数来提高模型的分割精度。方法 入组2018-01-16-2020-07-29北京大学人民医院(115例)和烟台毓璜顶医院(58例)左侧乳腺癌改良根治术后患者，前者随机分为70例训练集、5例验证集、40例测试集(A组),后者58例全部作为外部测试集(B组)。针对常规的戴斯损失函数(Dice Loss)未对轮廓进行约束的问题，本研究创新性设计了增强轮廓正则化约束的损失函许多数(CURC Loss)。分别进行了损失函数对比实验和训练集规模实验，使用戴斯相似性系数(DSC)和豪斯多夫距离(HD)来评估模型的分割效果，以及配对样本t检验以验证统计差异性。结果 在测试集A组中，Dice Loss模型和CURC Loss模型的平均表现分别为0.87/6.43 mm和0.9/5.55 mm(DSC/HD),后者在CTV、心脏等器官相比于前者具有显著性优势。在测试集B组中，两者E7080半抑制浓度的平均表现为0.85/7.42和0.89/5.65 mm(DSC/HD),后者在CTV、心脏、右肺和食管的分割精度上相比前者有统计学意义的提升，P<0.05。此外，CURC Loss模型在仅使用10例训练数据的条件下，在测试集A组中和使用70例数据训练的分割精度相近，使用40例训练数据能在测试集B组中达到和70例训练集相近的分割精度。结论 本研究针对乳腺癌改良根治术后的自动分割任务提出了CURC Loss,相比于Dice L更多oss,能够使深度学习模型的分割精度有明显提升，且在外部测试集上的表现更加稳定。同时，CURC Loss能够在较少的训练数据量的情况下达到较高的精度。