El carcinoma nasofaríngeo (NPC) es un tipo de tumor maligno. La segmentación precisa y automática de imágenes de tomografía computarizada (TC) de órganos en riesgo (OAR) es clínicamente significativa. En los últimos años, los modelos de aprendizaje profundo representados por U-Net se han aplicado ampliamente en tareas de segmentación de imágenes médicas, lo que puede ayudar a reducir la carga de trabajo de los médicos. En la segmentación de OAR de NPC, los tamaños de los OAR son variables y algunos de sus volúmenes son pequeños. Las redes neuronales profundas tradicionales tienen un rendimiento deficiente en la segmentación debido al uso insuficiente de información global y de múltiples tamaños. Por lo tanto, se propone una nueva Red Piramidal de Conexión SE (SECP-Net). Para extraer información global y de múltiples tamaños, SECP-Net diseña un módulo de conexión SE y una estructura piramidal para mejorar el rendimiento de la segmentación, especialmente la de los órganos pequeños. SECP-Net también utiliza una estructura en cascada de auto-contexto para refinar aún más los resultados de la segmentación. Se realizan experimentos comparativos entre SECP-Net y otros métodos recientes en un conjunto de datos privado con imágenes de TC de la cabeza y el cuello y un conjunto de datos públicos de hígado. Se utiliza validación cruzada de cinco pliegues para evaluar el rendimiento en base a dos métricas; es decir, similitud de Dice y Jaccard. Los resultados experimentales muestran que SECP-Net puede lograr un rendimiento SOTA en estas dos tareas desafiantes.