医学图像分割任务是指对医学扫描图像在像素点上进行分类,将图像分为互不相交的多个部分,以帮助医生进行手术规划。而目标检测是指在图像中寻找出一类具体目标的位置与大小,以精确给出目标在图像中的区域。CT(Computed Tomography)医学图像的阅片中,医生对肺实质,肺动脉,肺气管等结构的分布十分重视,将医学图像分割技术和结节检测技术应用于医学图像的阅片中,在肺结节的位置确定后,可以在三维空间中观察气管、血管与小结节的空间结构关系。本文采用基于深度学习的全自动图像分割框架,以现有深度神经网络结构为基础,提出用于精确图像分割和小目标检测的医学图像处理模型。本文的主要工作如下:(1)构建基于对抗生成网络(Generative Adversarial Network)的肺部管道分割网络,提出改进的对抗训练方式,使用交叉熵和基于梯度惩罚的判别损失加权相加的损失函数对分割网络进行训练,使用多种密集连接方案有效减少分割网络参数量,与像素点多分类的语义分割方式在真实病人CT序列上进行对比实验,经过充分的分割实验,发现经过改进对抗训练后的分割网络在测试数据上,单块分割结果和整体分割结果与数据标签均有超过90%的交并比分数。现有方法中作用于三维图像的分割网络所需参数量以及运行所需内存庞大,若将这些方法应用于三维内脏目标分割,则最多可达到89%的交并比准确度,且应用于管道分割训练时难以收敛。在损失函数的收敛上,使用改进的对抗生成结构与加权损失函数在收敛所用时间上是基于图像语义分割的多分类交叉熵损失训练方式的50%,在训练速度上提升31.76%,本文所用方法可以有效地应用在三维空间中,并分割出复杂的管道目标。(2)将基于RPN(Roll Pooling Network)的端到端目标检测算法应用到三维上,开发基于双路连接结构(Dual Path)的针对肺结节检测的算法,将DenseNet部分的比例从总通道的1/2扩大至2/3以增强特征拓展的能力,并在训练上以每轮训练中按照3个阈值进行样本扩展,以增加结节与小结节的样本比例的方法扩展训练样本,帮助网络在结节和小结节上进行更多的训练。本文将修改后的双路连接结构(Dual Path)块在此种训练方法进行充分训练,实验表明此结构相比原始DPN同样在参数量更少的情况下取得更高的检测指标,在FROC分数上相对于Faster RCNN使用的ResNet结构提高1%,且参数用量只是ResNet的1/4。在训练上,更少参数可带来更快的训练速度,并且通过扩展结节和小结节的样本数量,可为检测网络提供更加丰富的结节图像信息。与此同时,使用双路连接结构所搭建的检测网络在每轮训练上比一般使用的ResNet结构快16%。(3)将算法的实现细节对医生用户透明化,设计一个综合肺CT图像分析系统。把经过本文所用改进对抗生成训练方式训练后的自动化管道图像分割算法与基于改进的DPN(Dual Path Network)网络的结节检测算法打包后模块化,并对其进行详细的系统设计、模块设计,最后给出系统运行中每一步所输出的图像结果,使得检测出的结节可与分割后管道图像共同出现于结果中。