医学图像处理作为学术界和业界的长期关注领域,具有很高的科研及应用价值。在医学临床实践中引入计算机辅助诊断系统,可以有效地减轻医生的工作压力,同时提高临床诊断准确率。伴随着人工智能技术的高速精进,基于神经网络的医学图像处理也越来越广泛地被应用到临床诊断中。基于神经网络的计算机辅助诊断系统大多依赖于海量数据进行训练学习,以实现令人满意的诊断判别效果。但是在实际生活中,很多疾病很难获取到大量有效的数据来对学习算法进行训练,比如一些发病率较低的疾病,或期望在初期就可以得到有效控制的突发疫情,诸如非典、埃博拉、新冠肺炎疫情等。在以上样本不足的现实条件下,依赖于海量数据进行训练的学习算法不能满足实际情况的需要。由此,作为神经网络中重点解决样本不足问题的重要分支,面向小样本的学习方法也越来越多的受到重视。由于医学小样本应用环境的数据量较小,且获得难度较大,论文以乳腺超声图像作为研究对象,通过控制已知标签样本的数量来模拟小样本的应用场景,对面向小样本问题的医学图像辅助诊断系统中的肿瘤分割和分类问题进行研究。既可以满足医学小样本的应用条件,也可以利用充足的测试数据对方法进行更为充分全面的验证。论文主要研究成果如下:1.基于最小障碍物距离的乳腺超声图像肿瘤分割方法在肿瘤分割任务重引入视觉显著检测思想,利用人类的视觉先验知识对目标肿瘤进行定位和分割,以此来避免因经验不足或样本不足所致的算法失效。同时将纹理去除算法作为超声图像的预处理步骤,为后期的肿瘤分割环节提供了良好的先决条件。2.基于对比的小样本乳腺超声图像分类学习方法通过对比的思想,在扩大数量的同时还可以进一步达到理想的类别数量平衡,很好地解决了小样本带来的样本数量不足和样本类别极端不平衡的问题。论文提出了一种与模型无关的小样本学习训练流程,将传统深度学习中预测标签的任务目标替换为预测标签的一致性,通过预测未知标签的测试图像与已知标签的对比图像之间的标签一致性来达到分类目标。3.基于多尺寸对比融合的医学图像小样本学习方法延续上一方法中的对比思想,论文提出了一种多尺寸对比融合的医学图像小样本学习方法。在原图下采样降低尺寸的同时,利用卷积神经网络提取对比图像在不同尺寸下的图像特征进行融合,同样以标签一致性作为输出结果,推动网络学习类别样本之间的差异性,降低其对样本数量的需求。论文引入视觉显著性检验和对比思想,提出应用于小样本条件下的乳腺超声肿瘤分割和分类方法。实验结果表明,论文成果可以达到更好的分割与分类效果。论文最后利用新冠肺炎CT图像以及黑色素瘤影像,对论文提出的基于小样本学习的分类方法的可移植性进行了验证。