1、近幾十年來，隨著醫(yī)學成像設備的飛速發(fā)展和普及應用，醫(yī)學圖像數據呈爆炸式增漲，如何高效而準確地進行醫(yī)學圖像分析成為一大挑戰(zhàn)。另一方面，在電子信息技術的驅動下，利用計算機技術輔助醫(yī)學圖像分析，不但可以提高放射醫(yī)師分析診斷的效率，還能提高其精度。因此，計算機輔助檢測和診斷正成為一個受到越來越多關注的交叉研究領域。近年來，深度學習技術在圖像識別、目標檢測等領域取得了很大的成功，并開始被應用到醫(yī)學圖像分析中。
　　本文的研究內容是利用深度學

2、習技術對醫(yī)學圖像中的病變組織進行自動檢測，主要包括兩種應用，一種是對胸片肺結節(jié)的識別，另一種是對CT腹腔腫大淋巴結的識別。由于深度學習網絡包含大量的參數，在訓練時往往需要大量的標簽數據，而醫(yī)學圖像領域通常存在著標簽數據少的問題。本文采用兩種思路來解決這一問題，第一種是利用非監(jiān)督的特征學習方法自動地學習出反應病變形態(tài)的特征，另一種是利用基于深度學習的遷徙學習方法，把從別的領域大量標簽數據上訓練的深度網絡應用到醫(yī)學圖像上。本文的主要貢獻如下

3、：
　?。?）設計了一個胸片肺結節(jié)的自動識別算法，該方法利用卷積稀疏編碼自動地學習和抽取結節(jié)的特征，該特征能達到與傳統(tǒng)特征相當的分類精度，并把它和傳統(tǒng)圖像特征融合進一步提高分類精度。
　?。?）針對CT腹腔腫大淋巴結的檢測，本文設計了一個基于堆砌卷積自編碼的淋巴結識別算法，此模型首先用全部的數據樣本采用無監(jiān)督的方式訓練得到編碼模型，然后再使用少量標簽樣本有監(jiān)督地訓練得到最終的分類器。
　　（3）本文還提出了一種基于深度