外周神经母细胞性肿瘤（peripheral neuroblastic tumors，pNT）是儿童常见的颅外恶性实体瘤，其主要预后评估依据为神经母细胞瘤分化程度和核碎裂指数（mitosis-karyorrhexis index， MKI）。目前，对MKI的计算主要通过病理医生人工计数，过程繁琐且工作量较大。采用计算机图像处理算法识别病理切片图像中病理性核分裂神经母细胞（pathological mitotic neuroblasts， PMN）和神经母细胞（neuroblasts，NEU），并辅助病理医生计数，可减少医生的重复性工作，提高工作效率。采用数学形态局部最小值标记（H-minima）修改梯度幅值，并利用改进型分水岭算法识别NEU并计数。实验结果表明，与病理医生的金标准对比，所提算法对NEU识别的平均准确率为94.2%，平均过分割率为2.79%。从色度分量角度对PMN的细胞质区域识别，平均识别准确率为81.66%，MKI值的平均误差率为0.031%。

肺癌是世界上死亡率最高的恶性肿瘤疾病,对其进行早期诊断可以显著提高肺癌患者的生存率。深度学习能够提取医学图像的隐含层特征,并完成医学图像的分类及分割任务,因此应用深度学习方法实现肺结节的早期诊断任务成为研究热点。首先对肺结节诊断领域广泛使用的几个数据库进行介绍,然后结合近几年国内外发表的相关文献整理了深度学习框架应用于肺结节分割和分类的最新研究进展,总结并分析了各类算法的基本思想、网络架构形式、代表性改进方案以及优缺点等。最后讨论了深度学习在肺结节诊断过程中面临的一些问题并给出结论,并对发展前景进行了展望,以期为今后该领域的应用研究提供参考,从而加快该领域研究的成熟和临床落地应用。

嗜酸性粒细胞胃肠炎(EG)是一种以外周血嗜酸性粒细胞(EOS)增多为特征的胃肠道疾病,其主要诊断依据为消化道黏膜标本病理切片中嗜酸性粒细胞的数目是否超标。利用计算机图像分析算法对病理切片图像中的嗜酸性粒细胞进行识别并计数,旨在辅助病理医生人工计算EOS的数目,减少医生的工作量,提高工作效率。采用鲁棒性较强的分水岭算法作为识别EOS的核心算法,并通过距离变换和前后景标记的改进算法解决传统分水岭算法中的过分割问题,提高识别计数的准确性。采用改进分水岭算法对EG病理图像中的EOS进行识别计数,并将其与病理医生的金标准进行比对。改进分水岭算法的平均准确率为95.0%。与传统算法相比,改进算法准确率的相对标准方差由5.8%提高到2.2%,过分割率由13.4%降低为3.7%,算法的运行时间由40 s缩短为27 s左右。

白光阴道镜图像对比度较低, 不利于医生鉴别不同病变程度组织, 也不利于自动化宫颈癌筛查。 利用癌变组织富含血红蛋白成分及血红蛋白具有特征波段这一特性, 与传统高光谱空间扫描成像及分时获取不同波段多光谱成像方法相反, 利用快照式多光谱窄带成像来加速光谱图像获取过程, 提升不同病变程度组织之间灰度对比度同时, 降低后续图像分析处理算法难度, 实现对宫颈组织病变类型高帧率自动化分类。 首先, 使用微型快照式窄带多光谱摄像方法, 在血红蛋白的两个强吸收峰(415±10)和(525±10) nm、 一个反射带(620±10) nm和一个背景波段(450±10) nm共四个波段对宫颈组织进行快照式零时差获取四幅窄带光谱图像。 而后, 对所获取的光谱图像进行简单代数加减, 以生成突显病变组织的融合图像, 提高不同病变程度组织之间的对比度。 最后, 使用欧式距离分类算法, 对光谱融合图像中不同病变级别进行分类, 建立计算机辅助宫颈癌筛查方法。 创新点在于实现了高帧率计算机辅助光学病理诊断方法。 分别采用临床常规白光阴道镜及微型快照式窄带多光谱摄像对宫颈癌手术切下的新鲜组织进行彩色图像及光谱融合图像的高帧率采集, 并使用同一个欧式距离分类算法对两种图像进行自动分类, 分类结果都以组织病理诊断作为标准来计算正确率。 通过对比两种分类结果正确率来检验光谱融合图像相对于彩色图像是否提升对比度, 及其是否可以实现与组织病理诊断（金标准）结果一致的诊断。 欧式距离分类算法对光谱融合图像分类准确率接近100%, 远高于对白光阴道镜图像约50%的准确率。 多位临床医生对基于微型快照式多光谱摄像头光谱融合图像的计算机自动分类结果表示接受。 微型快照式窄带多光谱成像方法能有效提升光谱融合图像获取帧率及不同病变程度组织之间灰度对比度, 能有效快速地将宫颈组织划分为与组织病理诊断结果一致的病变类型。 由于诊断客观、 无创伤、 结果立等可得, 该方法将有助于实现落后地区宫颈癌筛查的普及以及图像导航下的宫颈癌精准治疗手术。

为解决超声乳腺肿瘤分级检测问题, 从超声射频(RF)信号的角度提出了一种有效的乳腺肿瘤分级检测方法。首先, 采用Shearlet变换提取乳腺超声RF信号的多尺度、多方向特征; 其次, 考虑Shearlet特征的高维冗余性, 采用多尺度方向二值模式(MDBP)对其进行编码, 在不损失特征信息的条件下降低特征维度; 最后, 依据医生阅片经验以及不同分级乳腺肿瘤的特征差异性, 设计出适合乳腺病变分级检测的层级二叉树SVM分类器(CBT-SVM)。在928个乳腺肿瘤患者的超声RF信号上进行验证, 大量结果表明, 提出方法可以有效实现3级、4A级～4C级、5级乳腺肿瘤的分级检测, 准确度、敏感度、特异度、PPV、NPV以及MCC分别达到89.29%、75.62%、94.54%、97%、98.3%和81.01%。

针对现有方法在大量肺部数据中存在的检测肺结节效率不高及大量假阳性的问题,提出了一种基于端到端的二维全卷积对象定位网络(2D FCN)与三维立体式目标分类卷积神经网络(3D CNN)相结合的肺结节检测方法。首先采用2D全卷积神经网络对所有CT图像进行初步检测,快速识别和定位CT图像中的疑似结节区域,输出一张与原图尺寸相同且被标记好的图像。然后计算疑似结节区域的坐标,根据坐标值提取疑似结节的三维立体图像块训练构建的3D卷积神经网络框架。最后利用训练的3D模型对候选结节做二分类处理以去除假阳性。在LIDC-IDRI数据集上,结节初步检测召回率在平均每位患者为36.2个假阳性时可达98.2%;在假阳性去除之后,假阳性为1和4时分别达到了87.3%和97.0%的准确率。LIDC-IDRI数据库上的实验结果表明,所提方法对三维CT图像的肺结节检测具有更高的适用性,取得了较高的召回率和准确率,优于目前相关文献报道的方法。该框架易于扩展到其他3D医疗图像的目标检测任务中,对辅助医师诊治具有重要的应用价值。

针对宫颈细胞病理图像自动筛查问题，本文提出一种基于人工智能技术的计算机辅助诊断方法。该方法通过对宫颈细胞病理图像采用自适应双阈值法进行初步检测，再采用改进Chan-Vase模型进行精确分割，提取出细胞（粘连簇团）中的不同区域。然后，结合病理诊断专家规则，构建相应的正交特征集。在此基础上，使用神经网络集成模型进行正常、疑似病变二分类识别，完成计算机辅助诊断。实验表明，本文方法能够有效完成宫颈病理细胞（粘连簇团）的分类识别，具有较高的正确率（84%）与较低的误判率（2.1%）。满足了在保证判断正确率的条件下，尽量降低将疑似病变样本误判为正常样本的实际病理诊断要求。

乳腺肿瘤计算机辅助诊断(CAD)系统在医学检测和诊断中的应用日益重要。为了区分核磁共振图像(MRI)中肿瘤与非肿瘤，利用深度学习和迁移学习方法，设计了一种新型乳腺肿瘤CAD系统：1）对数据集进行不平衡处理和数据增强；2）在MRI数据集上，利用卷积神经网络（CNN）提取CNN特征，并利用相同的支持向量机分类器，计算每层CNN的特征图的分类F1分数，选取分类性能最高的一层作为微调节点，其后维度较低层为连接新网络节点；3）在选取的网络接入节点，连接新设计的两层全连接层组成新的网络，利用迁移学习，对新网络载入权重；4）采用固定微调节点前的网络层不可训练，其余层可训练的方式微调。分别基于深度卷积网络(VGG16)、Inception V3、深度残差网络(ResNet50)构建的CAD系统，性能均高于主流的CAD系统，其中基于VGG16和ResNet50搭建的系统性能突出，且二次迁移可以提高VGG16系统性能。

成簇的微钙化点是早期乳腺癌的一个重要表征，用计算机辅助诊断时需要在乳腺片图像中判断有无钙化点簇。提出了一种利用Daubechies小波对乳腺图像进行增强，用二维熵阈值分割法对增强后的图像进行阈值分割，然后采用图论方法提取出成簇钙化点的方法。从而实现了计算机辅助诊断系统辅助医师判断恶性钙化。